[发明专利]一种移动式多功能测风参数智能监测系统及方法

权利要求书

1.一种移动式多功能测风参数智能监测系统，其特征在于：包括参数检测传感器模块、数据采集模块、数据通信模块、参数监测模块、便携可移动式支架、蓄电池、太阳能板和电源控制器，便携可移动式支架用于固定安装参数检测传感器模块、数据采集模块、数据通信模块和供电模块，便携可移动式支架能在一定范围内伸缩；数据采集模块用于采集参数检测传感器模块的检测值，并通过数据通信模块与参数监测模块进行无线远程通信，参数监测模块负责对监测结果进行实时显示、报警和历史数据归档。

2.根据权利要求1所述的系统，其特征在于：参数检测传感器模块包括风速传感器、风向传感器、大气压力传感器、温湿度传感器、光照度传感器，分别用于获取当前风速、风向、大气压力、温湿度和光照度数据。

3.根据权利要求1所述的系统，其特征在于：数据采集模块包括一个模拟量扩展模块EMAE04和两个通信信号板COM 0和COM 1，模拟量扩展模块EM AE04提供四个模拟量输入即0、1、2、3通道，可以为电压或电流输入；两个通信信号板COM 0和COM 1，可实现以太网、PROFIBUS、RS485、RS232通讯方式。

4.根据权利要求1所述的系统，其特征在于：数据通信模块包括4G DTU、4G物联网卡、物联网平台，4G DTU是4G物联网的数据传输单元，可以将串口数据转换为IP数据通过无线通信网络进行传送，其RS485通信端口和模拟量扩展模块EM AE04的S7-200SMART的通信端口相连，采用S7-200SMART中Modbus协议进行数据传送，把模拟量扩展模块EM AE04所读取的测风参数传送给它；4G物联网卡插在4G DTU卡槽内，可以为无线远程数据传输提供数据流量，完成数据从4G DTU到物联网平台的传送。

5.根据权利要求1所述的系统，其特征在于：参数监测模块包括手机监测终端和上位机远程监测终端，均与物联网平台连接。

6.根据权利要求1所述的系统，其特征在于：蓄电池与电源控制器连接，电源控制器的显示屏显示蓄电池电压，负载与电源控制器连接，通过电源控制器上的按键可以控制输出的电压以及是否输出，蓄电池与负载之间的箭头跳动，表示蓄电池有向负载供电；太阳能板与电源控制器连接，电源控制器控制太阳能板向蓄电池充电。

7.根据权利要求1所述的系统，其特征在于：还包括一风速预测模块，风速预测模块连接到上位机远程监测终端，用于根据上位机远程监测终端的实时监测数据进行未来风速预测，风速预测模块采用改进的GABP神经网络风速预测模型进行风速预测。

8.根据权利要求7所述系统的风速预测方法，其特征在于：通过相关系数分析和灰关联分析来确定风速预测模型的输入变量，采用聚类算法对训练样本选取，自适应遗传算法优化BP神经网络初始权值和阈值，建立了一种改进的GABP神经网络风速预测模型；对于训练样本的选择，采用基于聚类算法的选取方法，首先采用减法聚类确定初始聚类数和初始聚类中心，并作为模糊C均值聚类的聚类数和聚类中心，然后反复迭代即可实现待划分训练样本的聚类过程；对于每一个预测样本，通过加权欧式距离分别归类到训练样本的聚类集中，然后在该聚类集中训练GABP神经网络的风速预测模型，将预测样本代入对应的预测模型预测风速。

9.根据权利要求7所述系统的风速预测方法，其特征在于：自适应遗传算法优化BP神经网络初始权值和阈值的具体步骤如下：

(1)设置遗传算法中种群规模大小S_p、交叉概率P_c、变异概率P_m以及遗传进化代数G_max等控制参数，当达到遗传进化代数G_max这个终止条件时终止遗传操作；

(2)初始化种群；BP神经网络的拓扑结构为m-n-1，得到个体长度为(m×n+n+n×1+1)；采用实数编码方法，对个体进行编码，并随机初始化各个个体；

(3)评估个体适应度；将训练过程中的均方误差的倒数定义为适应度函数F，根据每个个体的适应度值进行评估，按照从大到小的顺序排序；适应度函数F计算公式如下：

式中，N为训练样本总数；y^p为BP神经网络的预测输出；d^p为BP神经网络的实际输出；

(4)遗传操作；执行选择、交叉和变异操作，每个个体执行选择操作的概率p_i为：

式中，N₀为个体数目；

采用实数交叉法执行交叉操作，按照交叉概率P_c将对两个个体进行交叉操作：

式中，a_kj为个体k的第j位基因；a_lj为个体l的第j位基因；γ₀为0～1之间的随机数；

按照变异概率P_m对单个个体进行变异操作：

f(G)＝γ₂(1-G/G_max)²

式中，a_ij为个体i的第j位基因；a_min、a_max分别为a_ij的下界和上界；G为当前进化次数；γ₁为0～1之间的随机数；γ₂也为随机数；

(5)判断是否满足终止条件，满足则解码并输出初始权值、阈值；不满足则自适应调整交叉概率P_c和变异概率P_m然后转(4)执行，自适应调整公式如下：

将得到的最优初始权值和阈值作为BP神经网络的初始权值和阈值，当训练小于规定的数值或者达到最大迭代次数时，终止神经网络的训练。