[發(fā)明專利]風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210695762.2
• 申請日: 2022-06-17
• 公開（公告）號: CN114994797A
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 朱詩雯;王婷;付振東;萬銀龍;劉佳博;秦源匯;馬紀(jì)龍;馬從國;周恒瑞;秦小芹;柏小穎;王建國;馬海波;周大森;金德飛;黃鳳芝;李亞洲;丁曉紅;葉文芊
• 申請（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號: G01W1/02
• 分類號: G01W1/02;G01W1/10;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 淮安市科文知識產(chǎn)權(quán)事務(wù)所 32223
• 代理人: 李鋒

1.風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)，其特征在于：所述系統(tǒng)由環(huán)境參數(shù)采集與控制平臺和風(fēng)速預(yù)測子系統(tǒng)兩部分組成，環(huán)境參數(shù)采集與控制平臺實(shí)現(xiàn)對環(huán)境參數(shù)檢測、調(diào)節(jié)和監(jiān)控；風(fēng)速預(yù)測子系統(tǒng)實(shí)現(xiàn)對被檢測環(huán)境的風(fēng)速與風(fēng)壓進(jìn)行精確預(yù)測；

所述風(fēng)速預(yù)測子系統(tǒng)由LSTM神經(jīng)網(wǎng)絡(luò)模型、Adaline神經(jīng)網(wǎng)絡(luò)模型、變分模態(tài)分解模型、K-means聚類分類器、CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型、Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型、風(fēng)壓參數(shù)檢測模塊、按拍延遲線TDL以及Vague集的T-S模糊神經(jīng)網(wǎng)絡(luò)模型組成；

多個風(fēng)速傳感器感知被檢測環(huán)境的時間序列風(fēng)速值分別作為LSTM神經(jīng)網(wǎng)絡(luò)模型和Adaline神經(jīng)網(wǎng)絡(luò)模型的輸入，LSTM神經(jīng)網(wǎng)絡(luò)模型與Adaline神經(jīng)網(wǎng)絡(luò)模型輸出的差作為被檢測環(huán)境的風(fēng)速波動值，時間序列風(fēng)速波動值作為變分模態(tài)分解模型的輸入，變分模態(tài)分解模型輸出多個模態(tài)函數(shù)IMF分量，多個IMF分量能量熵作為K-means聚類分類器的輸入，K-means聚類分類器輸出的多個類型的IMF分量能量熵分別作為多個對應(yīng)的CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型輸入，Adaline神經(jīng)網(wǎng)絡(luò)模型和多個CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型的輸出作為Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)輸入，Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型輸出的三個參數(shù)分別為x、t和1-f，x為被檢測風(fēng)速的實(shí)數(shù)值，t為可信度，1-f為可信度和不確定度和，1-f-t為不確定度，f為不可信度，x、t和1-f構(gòu)成被檢測風(fēng)速的Vague集的數(shù)值為[x，(t，1-f)]，多個風(fēng)壓傳感器輸出作為風(fēng)壓參數(shù)檢測模塊的輸入，風(fēng)壓參數(shù)檢測模塊和Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型的輸出分別作為對應(yīng)的按拍延遲線TDL輸入，2個按拍延遲線TDL分別作為Vague集的T-S模糊神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)輸入，Vague集的T-S模糊神經(jīng)網(wǎng)絡(luò)模型輸出的三個參數(shù)分別為y、s和1-z，y為被檢測風(fēng)速的預(yù)測值，s為可信度，1-z為可信度和不確定度和，1-z-s為不確定度，z為不可信度，y、s和1-z構(gòu)成被檢測環(huán)境風(fēng)速的Vague集預(yù)測數(shù)值為[y，(s，1-z)]。

2.根據(jù)權(quán)利要求1所述的風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)，其特征在于：所述風(fēng)壓參數(shù)檢測模塊由帶時滯單元的FOA-小波神經(jīng)網(wǎng)絡(luò)模型、GM(1，1)灰色預(yù)測模型、K-means聚類分類器、CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型模型和Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型組成。

3.根據(jù)權(quán)利要求2所述的風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)，其特征在于：風(fēng)壓傳感器感知被檢測環(huán)境的時間序列參數(shù)值分別作為對應(yīng)的帶時滯單元的FOA-小波神經(jīng)網(wǎng)絡(luò)模型和GM(1，1)灰色預(yù)測模型的輸入(1，1)灰色預(yù)測模型的輸入，帶時滯單元的FOA-小波神經(jīng)網(wǎng)絡(luò)模型與GM(1，1)灰色預(yù)測模型輸出的差作為被檢測環(huán)境的參數(shù)波動值，多個時間序列參數(shù)波動值和多個GM(1，1)灰色預(yù)測模型輸出分別作為對應(yīng)的K-means聚類分類器的輸入，2個K-means聚類分類器輸出的多個類型的時間序列參數(shù)波動值和GM(1，1)灰色預(yù)測模型輸出分別作為對應(yīng)的CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型的輸入，CNN卷積-NARX神經(jīng)網(wǎng)絡(luò)模型輸出作為Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)輸入，Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型輸出的三個參數(shù)分別為x、t和1-f，x為被檢測參數(shù)的實(shí)數(shù)值，t為可信度，f為不可信度，1-f為可信度和不確定度和，1-f-t為不確定度，x、t和1-f構(gòu)成被檢測參數(shù)的Vague集的數(shù)值為[x，(t，1-f)]，Vague集的模糊小波神經(jīng)網(wǎng)絡(luò)模型輸出作為風(fēng)壓參數(shù)檢測模塊的輸出。

4.根據(jù)權(quán)利要求1所述的風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)，其特征在于：所述環(huán)境參數(shù)采集與控制平臺主要由檢測節(jié)點(diǎn)、控制節(jié)點(diǎn)、網(wǎng)關(guān)節(jié)點(diǎn)、現(xiàn)場監(jiān)控端、云平臺和手機(jī)APP組成。

5.根據(jù)權(quán)利要求4所述的風(fēng)速與風(fēng)壓物聯(lián)網(wǎng)智能大數(shù)據(jù)系統(tǒng)，其特征在于：所述檢測節(jié)點(diǎn)采集環(huán)境參數(shù)經(jīng)網(wǎng)關(guān)節(jié)點(diǎn)上傳到云平臺，并利用云平臺提供的數(shù)據(jù)給手機(jī)APP，手機(jī)APP通過云平臺提供的可實(shí)時監(jiān)測被檢測環(huán)境參數(shù)和調(diào)節(jié)控制節(jié)點(diǎn)的外部設(shè)備，檢測節(jié)點(diǎn)和控制節(jié)點(diǎn)負(fù)責(zé)采集被檢測環(huán)境參數(shù)信息和調(diào)節(jié)環(huán)境設(shè)備，通過網(wǎng)關(guān)節(jié)點(diǎn)實(shí)現(xiàn)檢測節(jié)點(diǎn)、控制節(jié)點(diǎn)、現(xiàn)場監(jiān)控端、云平臺和手機(jī)APP的雙向通信，實(shí)現(xiàn)被檢測環(huán)境參數(shù)采集和控制環(huán)境設(shè)備。