基于ZigBee和GPRS感知天气的太阳能LED路灯控制系统

许梦羊，罗素芹，陈国栋，朱翔鸥

(温州大学，浙江省低压电器智能技术重点实验室,浙江 温州 325035)

基于ZigBee和GPRS感知天气的太阳能LED路灯控制系统

许梦羊，罗素芹，陈国栋，朱翔鸥

(温州大学，浙江省低压电器智能技术重点实验室,浙江 温州 325035)

针对太阳能LED路灯的亮灯需求和电能完全依赖天气的矛盾，提出了一种感知天气的太阳能LED路灯控制系统，通过历史天气信息和太阳能历史发电量，建立了神经网络模型预测未来太阳能发电量，并通过ZigBee和GPRS数据通信网络将预测的发电量信息发送给太阳能LED路灯终端控制器，路灯终端控制器根据预测发电量与蓄电池剩余电量，采用模糊控制策略，调整亮度，达到最佳的亮灯效果，尤其延长了连续阴雨天气的亮灯时间。

太阳能路灯；发电量预测；感知天气；ZigBee；GPRS

引言

目前绝大多数的太阳能LED路灯控制器都属于单灯控制器，不提供组网功能，路灯的管理仍采用人为巡检方式，消耗大量的人力、物力，而且实时性差，效率低。更重要的是，由于太阳能路灯每天充电量存在不确定性，依赖于天气状况，虽然有些太阳能LED路灯利用分时降功率技术、降电压控制技术、定制控制策略等技术[4]实现节能运行，但没有将天气因素考虑在内，仍无法解决因连续阴雨天导致的太阳能LED路灯蓄电池充电不足，电能快速被用完的问题。文献[8]中对此提出了一种感知天气的太阳能路灯控制策略，根据当天和历史的充电量来判断天气类型，并结合蓄电池的剩余电量，采用调整亮度、亮灯时长优先的控制策略，有效的延长了连续阴雨天气的亮灯时间。然而，这种控制策略不能够预判未来几天的发电量，仅仅依赖于当天和历史的充电量而不考虑未来几天的发电量来调控路灯亮度是不够完善的。

本文提出了一种基于ZigBee和GPRS通信的远程监控系统，结合历史天气信息和天气预报信息来调控太阳能LED路灯照明亮度的控制策略，实现远程实时查询、汇报、存储路灯的亮灯、故障情况，能方便地根据实际昼夜情况、天气情况，调整路灯的亮灯时间与亮度，具体结构如图1所示。在远程数据监控中心，通过历史天气信息和太阳能板历史发电量信息，建立起天气信息与太阳能板发电量的BP神经网络模型，并结合从气象台得知的天气预报信息，预测未来5天内的发电量，并通过数据通信网络将预测的发电量发送给太阳能LED路灯控制器。太阳能LED路灯控制器根据预测的发电量并结合蓄电池的剩余电量，采用调整亮度，亮灯时长优先的控制策略，对太阳能LED路灯进行模糊控制，这样既解决连续阴雨天气，蓄电池的电能过快被用完的问题，又保证晴朗天气和蓄电池的电能充足时，路灯全功率高亮度输出。

图1 路灯总体控制策略Fig.1 Overall control strategy of street lamp

1 系统结构

基于ZigBee和GPRS的太阳能LED路灯智能照明系统主要由远程数据监控与发电量预测中心、路灯数据汇聚与管理中心、路灯终端控制模块和太阳能LED路灯道路照明设施等几部分组成，其总体结构如图2所示。太阳能LED路灯道路照明设施与路灯终端控制模块为一体化装置，路灯终端控制模块内存在ZigBee通讯节点，与相邻的太阳能LED路灯内的路灯终端控制模块的ZigBee节点自组网形成ZigBee无线监控网络。ZigBee/GPRS网关实现路灯数据汇聚与管理，并建立起数据通信网络，一方面ZigBee/GPRS网关负载底层ZigBee网络的组建以及网络的管理，另一方面通过GPRS模块与Internet网络建立数据通信，完成监控中心控制命令的下传和各路灯状态数据的上传等工作。远程监控与发电量预测中心实现对太阳能LED路灯的无线远程状态监控。一方面通过ZigBee无线监控网络与ZigBee/GPRS网关形成的数据通讯网络对网络内所有太阳能LED路灯照明设施工作状态数据的实时采集；另一方面，根据建立的BP神经网络模型与气象台得知的天气预报信息，预测未来5天发电量，并通过无线监控网络向道路照明设施控制器发送太阳能LED路灯控制器，调控太阳能LED路灯亮度。

图2 太阳能LED路灯监控系统Fig.2 Monitoring system of Solar LED Street Lamp

2 控制系统硬件设计

2.1路灯终端控制模块

太阳能LED路灯道路照明设施与路灯终端控制模块为一体化装置，路灯之间的通讯采用ZigBee协议实现。ZigBee是一组基于IEEE802.15.4标准开发的有关组网、安全和应用软件方面的通信技术，被业界认为是最有可能应用在工业监控、传感器网络、安全系统等领域的无线技术。

路灯终端控制模块除了ZigBee通信功能之外，还具备太阳能LED路灯的基本控制功能。控制终端设有太阳能板、蓄电池以及LED负载的接口，控制终端的工作电压来自于蓄电池。为了实现所需控制功能，控制终端还应包含处理器主模块、充电模块、放电模块以及必要的驱动模块。控制终端的组成结构如图3所示。

图3 太阳能LED路灯控制终端Fig.3 Control Terminal of Solar LED Street Lamp

2.2ZigBee/GPRS网关

ZigBee/GPRS网关作为路灯终端控制模块与远程监控与发电量预测中心的通信枢纽，一方面负责底层ZigBee网络的组建以及网络的管理，另一方面通过Internet与远程数据监控中心建立数据通信。使用GPRS技术可以随时通过网络运行商的基站系统与Internet建立连接。

在本系统中，ZigBee/GPRS网关集成了ZigBee协调器节点与GPRS网关模块，通过ZigBee无线网络接收太阳能LED路灯功率、电流、电压和蓄电池充放电状态等数据，并通过GPRS网络将相关数据上传到远程监控中心，完成实时监控功能；或者通过ZigBee网络将远程控制数据广播到各路灯控制器节点，以完成相应的控制功能，具体结构如图4所示。

图4 太阳能LED路灯网关通信终端Fig.4 Gateway Communication Terminal of Solar LED Street Lamp

3 太阳能LED路灯控制策略

3.1太阳能路灯控制系统

太阳能LED路灯控制系统是一个模糊控制器，输入为未来5天预测发电量及蓄电池剩余电量，输出为LED灯的工作电流，控制LED灯的亮度。未来5天的预测发电量由路灯终端控制模块通过ZigBee通信，从远程数据监控与发电量预测中心得到；蓄电池剩余电量通过测量蓄电池在充电和放电时的内阻、极化电压和端电压得到。太阳能LED路灯控制器依据模糊量未来5天的预测发电量、蓄电池剩余电量，采用调整亮度，亮灯时长优先的控制策略，对太阳能LED路灯进行模糊控制，系统框图如图5所示。

图5 太阳能路灯模糊控制系统Fig.5 Fuzzy control of Solar Street Lamp

由于LED的亮度与工作电流成非线性关系，工作电流减少1/2，亮度约下降30%。本文将输出模糊量LED 灯亮度分为五个等级:“很亮”、“较亮”、“中亮”、“欠亮”和 “不亮”，其中“很亮”为 LED 灯额定工作电流下的亮度。为了实现天气晴朗，充电量充足，灯尽量“亮”；阴雨天气，充电量不足，亮灯时间尽量“长”控制策略，制定相应的控制规则，不仅考虑当天的蓄电池剩余电量，还要考虑未来5天的太阳能板发电量。

3.2太阳能板发电量预测

太阳能发电受气候和环境的影响很大，如100 W的单晶硅太阳能电池，在阳光直射的情况下可以输出70 W电功率，在阴天输出电功率仅10 W左右，而雨天的输出电功率仅3 W左右。目前，对太阳能发电系统的研究发现，其发电量主要与天气类型、气温密切相关[1-3]。本文利用光伏发电系统历史发电量数据与历史天气数据建立BP神经网络来设计太阳能发电量预测模型。然而，历史天气数据中给出的天气参数一般为一些比较模糊的天气类型描述：如晴天、晴天到多云、阴天、阴天有小雨、小雨转大雨等不是能被神经网络算法所接受的精确值[5]。因此，在使用神经网络算法前必须考虑如何量化天气类型。

本文提出用云层的厚度程度来量化天气类型，并且将历史温度与云层信息、预测日温度与云层信息和历史发电量信息一起作为神经网络的输入，以提高在天气类型变化时神经网络的预测精度；在网络中间隐含层中，采用双曲正切函数sigraoid作为传递函数，此外隐含层神经元个数的选择直接关系到神经网络的规模和精度，可以根据Kolmogorov定理[6]，当如果输入变量的个数为n，隐含层神经元个数可取为2n+1个；网络的输出层为预测的发电量，采用S型对数函数losing作为传递函数，使其输出位于[0.1,0.9]之间，便于数据处理。由此可见，本文所设计的BP神经网络模型如图6所示。

图6 基于BP神经网络模型的发电量预测模型Fig.6 Forecast model of Electric power output based on BP neural network model

3.3蓄电池剩余电量

蓄电池剩余电量是一个模糊量，不容易直接测量，一般是通过放电法来测量。蓄电池剩余电量与蓄电池内阻、端电压和极化电压有关，可通过在线测量蓄电池内阻、端电压和极化电压，预测蓄电池剩余电量。蓄电池内阻与荷电程度有较高的相关性[9](0.88左右)，通过测量电池内阻可较准确地预测其剩余电量，并可在电池的整个使用期内在线测量。

蓄电池内阻测量方法是给蓄电池加上比极化过程变化快的交流信号(如1 kHz)，测量电池端电压、电流以及两者之间的夹角，得到蓄电池的内阻，从而预测蓄电池的剩余电量[9]。本文将蓄电池剩余电量分为五个状态:“满”、“较满”、“中”、“少”、“亏电”，由于蓄电池剩余电量处于30%以下时处于亏电状态，因此设计其隶属度函数如图7所示。

图7 蓄电池剩余电量的隶属度函数Fig.7 Subordinating degree function of residual electricity in storage battery

4 仿真测试

根据温州气象台提供的天气数据，对2016年全年日照时间最少的1季度(3月1日至5月30日)，进行太阳能LED路灯运行仿真，并与利用分时降功率技术(固定型下半夜半功率型路灯)的太阳能LED路灯和文献[8]中的对未来一天的发电量进行预测的太阳能LED路灯作对比，仿真结果见表1，普通型太阳能LED路灯的亮灯率只有79%，文献[8]中的太阳能LED路灯和本文中的感知天气型太阳能LED路灯的亮灯率都为100%。由表可见，与常见的利用分时降功率技术节能的路灯相比，对未来发电量进行预测的路灯都有效的提高了亮灯率，对预测未来五天发电量的路灯与文献[8]中的路灯相比，路灯较亮的天数多，而中亮的天数少，可见本文中的感知天气型太阳能LED路灯能更早的预知阴雨到来与结束，保证了亮灯率的同时有效的提高了路灯亮度效果。

表1 2016年3月至5月路灯运行仿真结果统计

5 结语

本文设计的基于ZigBee和GPRS的感知天气太阳能LED路灯照明 控制系统通过无线传感网络及相应的管理平台使城市照明管理机构对传统独立式安装的每一盏路灯的工作状况实现全方位的分布式自动/人工监视和控制，实现了对太阳能LED路灯照明工作状态的最优化管理，提高了道路照明的智能化程度，保证了在连续的阴雨天气下，路灯有很高的亮灯率；同时也解决了连续的阴雨天所导致的蓄电池电量不足而可能引起的一系列问题，对保护蓄电池、延长蓄电池使用寿命也有着重大的意义。

[1] SOZEN Adnan, ARCAKHOGLU Erol, OZALP Mehmet, et al.Forecasting based on neural network approach of solar potential in Turkey[J]. Renewable Energy, 2005, 30(7):1075-1090.

[2] KERMANSHAHI Bahman. Recurrent neural network for forecasting next 10 years loads of nine Japanese utilities[J]. Neurocomputing, 1998, 23(1-3): 125-133.

[3] 丁明，王磊，毕锐. 基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 电力系统保护与控制,2012,11:93-99.

[4] 张露艳，余有灵，张志明，等. 智能道路照明系统控制策略探讨[J].电脑知识与技术，2011,22: 5490-5491.

[5] 陈昌松，段善旭，殷进军. 基于神经网络的光伏阵列发电预测模型的设计[J]. 电工技术学报，2009，24(9)：153-158.

[6] 李冬辉，王鹤雄，朱晓丹，等. 光伏并网发电系统几个关键问题的研究[J]. 电力系统保护与控制，2010，38(21): 208-214.

[7] 高明裕，张红岩. 蓄电池剩余电量在线测量[J]. 电测与仪表，2000，37(9): 28-31.

[8] 罗素芹，李常青，魏亚坤. 感知天气的太阳能LED路灯控制系统[J].照明工程学报，2014，25(2)：39-42.

[9] 窦林平. 国内LED照明应用探讨[J]. 照明工程学报，2011，22(6): 51-58.

SolarLEDStreetLampChargeControllerwiththePerceptionofWeatherChargeBasedonZigBeeandGPRS

XU Mengyang, LUO Suqin, CHEN Guodong, ZHU Xiangou
(WenzhouUniversity,TheKeyLaboratoryofLow-VoltageApparatusIntellectualTechnologyofZhejiang,Wenzhou325035,China)

To solve the contradiction between lighting requirement of solar LED street lamp and power depending on weather, a Solar LED Street Light Charge Controller with the Perception of Weather Charge is designed. Neural Network Model is built to make a prediction of future solar power through the historical weather information and previous generation of solar power. The prediction of power generation is sent to terminal controller of solar LED street lamp through data communication network based on ZigBee and GPRS. Fuzzy control strategy is used to adjust the brightness of LED light by the terminal controller through the predicted power generation and remaining power of battery, and the best lighting effect is achieved. What’s more, the continuous lighting time of rainy weather is increased.

solar LED street lamp; prediction of electric power generation; perception of weather; ZigBee; GPRS

TM923

A

10.3969j.issn.1004-440X.2017.05.012