CN102291886A

CN102291886A - 基于目标的照明控制

Info

Publication number: CN102291886A
Application number: CN201110166268A
Authority: CN
Inventors: 乔纳森·M·巴瑞力克斯
Original assignee: Redwood Systems Inc
Current assignee: Wtec LLC
Priority date: 2010-06-15
Filing date: 2011-06-14
Publication date: 2011-12-21
Anticipated expiration: 2031-06-14
Also published as: US20110307112A1; US8706310B2; CN102291886B; EP2398301A1

Abstract

本发明涉及基于目标的照明控制，提供了一种基于目标的控制系统，其基于针对照明系统的操作的高层管理目标来控制照明。系统可以包括照明系统模型。系统可以将高层管理目标转换为低层设备控制参数，低层设备控制参数包括针对照明器具中的各个相应照明器具的功率水平，其中，系统基于照明系统模型来确定处于该功率水平的照明器具中的各个相应照明器具的建模操作满足所述管理目标。系统可以致使照明器具中的各个相应照明器具以所述功率水平操作。系统可以确定满足管理目标的可能性。

Description

基于目标的照明控制

技术领域

本申请涉及照明，尤其涉及照明控制。

背景技术

传统的用于管理照明系统的方案涉及安装人员或操作者的大量介入。安装人员或操作者为所有的各个照明器具(lighting fixture)或者为每一组照明器具设定期望的亮度水平(light level)。设定可以由安装人员启动，并由操作者通过取决于特定系统的方式、功能、参数和日程计划来更新。为了有效，对系统——特别是对系统进行控制的低层参数和过程——有良好了解的熟练安装人员和训练有素的操作者准备这些设定。由于系统的复杂性，系统通常在劳动者生产率、能量效率和总体满意度方面实现中等的或者甚至是很差的结果。

发明内容

这里可以提供一种基于目标的照明控制器，其包括：网络接口、照明系统模型、目标模块、需求模型和硬件接口模块。目标模块可以接收针对照明系统的操作的管理目标，其中，管理目标不具有针对照明系统中包括的照明器具的亮度水平设定。需求模型可以将管理目标转换为针对照明器具中的各个相应照明器具的功率水平，其中，需求模型基于照明系统的照明系统模型来确定处于所述功率水平的照明器具中的各个相应照明器具的建模操作满足所述管理目标。硬件接口模块可以与网络接口通信。硬件接口模块可以使照明器具中的各个相应照明器具以所述功率水平操作。

还可以提供一种计算机可读存储介质，其包括照明系统的至少一个模型和计算机可执行指令。指令可执行来接收针对照明系统的操作的管理目标；可执行来基于照明系统的所述至少一个模型来将管理目标转换为针对所述照明器具中的各个相应照明器具的功率水平，其中，可执行来转换所述管理目标的指令还可执行来确定使得针对所述照明系统的建模操作的管理目标得到满足的、针对所述照明器具中的各个相应照明器具的功率水平；并且可执行来确定处于所述功率水平的照明器具中的各个相应照明器具的操作满足所述管理目标的可能性。

还可以提供一种控制照明的方法。可以接收针对照明系统的操作的管理目标，这些管理目标不含有包括“针对照明系统中的照明器具的个体设备控制参数”的管理目标。可以提供一个或多个预测模型，这些预测模型将所述管理目标转换为针对照明器具中的各个相应照明器具的功率水平。管理目标可通过对如下情形进行确定而被转换为针对照明器具中的各个相应照明器件的功率水平：确定所述预测模型表明在处于所述功率水平的照明器具中的各个相应照明器具的建模操作的情况下，所述管理目标得到满足。可以致使以所述功率水平向照明器具中的各个相应照明器具供电。

本发明的其它目的和优点将从以下描述中明了，可以参考示出了本发明的优选实施例的附图。

附图说明

参考如下附图和描述将更好地理解实施例。图中的组件不一定成比例，重点在于图示本发明的原理。此外，在附图中，相似标号在不同视图中表示相应部分。

图1图示了用于基于目标的照明控制的照明系统的示例；

图2图示了基于目标的照明控制系统的示例；

图3图示了管理目标视窗的示例；

图4图示了针对子目标的子目标视窗的示例；

图5图示了横截商业度量视窗的示例；

图6图示了预测模型的示例；

图7图示了自适应模型的示例；

图8图示了基于目标的控制系统的一个实施例的逻辑的示例流程图；

图9图示了基于目标的照明控制器及支持实体的硬件示图的示例。

具体实施方式

系统可以基于高层的管理目标(management goal)来控制照明。操作者可以设定管理目标，例如针对劳动者生产率、系统维护、节能和/或美学效果的目标。系统包括预测(predictive)模型，这些预测模型将管理目标转变成低层的设备控制参数，例如设备(例如照明器具)的亮度水平、功率水平和温度。系统可以利用设备控制参数来控制照明器具以最佳地满足这些管理目标。系统可以确定置信估计，该置信估计表示系统将会满足这些管理目标的可能性。系统可以通过用户输入，和/或从遍及整个物理场所(physical site)而分布的传感器和设备网络接收的传感器数据，来获得关于系统的实时信息，从而测量相对于管理目标的实际性能。传感器可以检测运动、亮度、热量、功率或任何其他物理属性。预测模型可以通过基于所接收的传感器数据来调节设备控制参数，来校正设备控制参数的错误或者修改设备控制参数的生成。

在一个示例中，系统可以包括一个或多个自适应模型，这些模型接收传感器数据。自适应模型可以预测使用模式(pattern)，例如占据者通过物理场所的移动模式、自然光模式和压倒(override)由预测模型生成的照明设定的占据者模式。系统可以基于使用模式来调谐预测模型，以实现系统性能的短期和长期改进以及管理目标的满足。系统可以使用预测建模技术、分布式实时传感和自学习自适应建模，采用模糊逻辑、蒙特卡罗(Monte Carlo)法和/或人工智能(AI)技术来实现。系统从而可以在大范围的时间期间上提供照明控制的高层视图，并从高层视图控制低层的设备参数。

以下描述的系统和方法的一个技术优点可以是无需为每一个照明器具或为每一组照明器具人工设定亮度水平。与之形成对比，预测模型可以为照明器具确定合适的亮度水平，以使得可以整体上满足管理目标。但是，系统和方法仍然可以有助于以人工方式压倒一个或多个照明器具的亮度水平。以下描述的系统和方法的另一技术优点可以是操作者可以调节管理目标以达到有冲突的管理目标之间的平衡。例如，生产率目标可能与节能目标冲突。例如，操作者可以降低节能目标以实现生产率目标。

1.管理目标

管理目标可以是在随着时间对一个或多个物理场所处的照明的总体控制中所要考虑的任意方面。照明系统的管理目标的示例包括生产率目标、维护目标、美学目标、能量目标以及在控制照明时考虑的任何其他目标。特定照明系统的管理目标可以包括生产率目标、维护目标、美学目标和能量目标。特定照明系统的管理目标可以包括更少的、不同的或者更多的目标。在第一示例中，管理目标可以仅仅包括生产率和能量目标。在第二示例中，管理目标可以仅仅包括生产率目标、美学目标和运营成本目标。

目标可以包括某一值、某一范围的值、或者一组值。例如，目标可以包括最大值、最小值、各个范围的值、或者其任意组合。在一个示例中，目标可以包括一些子目标。

生产率目标可以是源自照明的生产率的目标。生产率可以根据表明劳动者表现、劳动者安全性、劳动者幸福、作物产量、或者受照明影响的任何其他生产率测量的值来确定。

生成率目标可以包括生产率子目标，例如任务照明目标、劳动者安全性目标、照明品质目标、情境照明目标、作物产量目标、或者对于生成率的任何其他组成部分的目标。

任务照明目标可以是针对任务照明的目标。任务照明可以根据表明每一个劳动者最佳地执行其任务所处的照明水平的值来确定。在一个示例中，特定任务可能要求高光照度，例如为了执行检查。其他的任务可能要求低光照度，例如当使用计算机显示器时。在一个示例中，操作者(例如建筑师或者照明设计师)可能针对某一区域(例如，工作空间中的工作表面)指定目标光照度。任务照明可根据针对物理场所中的各个区域设定的目标光照度来确定。

劳动者安全性目标可以是由照明带来的劳动者安全性的目标。劳动者安全性可以根据表明照明对于安全性很重要的区域(例如，门口、楼梯井或者如果照明高于或低于确定阈值则安全性会降低的其他位置)中的最小光照度水平的值来确定。建筑师、照明设计师、建筑法案或者其他来源可以表明对于场所中的各个区域的最小光照度。替代性地或者补充性地，来源也可以表明光照的持续时间。可替代地或者除此之外，劳动者安全性也可以根据下述值来确定：该值表明当异常状况发生时要通过紧急照明提供的亮度水平。

照明品质目标可以是用于使照明烦扰尽可能小的目标。照明品质可以根据表明照明烦扰的值来确定，照明烦扰例如是光线品质、特定的颜色渲染、眩光水平、循环经过各个光强的频率、或者可能成为劳动者的烦扰的或者以其他方式负面地影响生产率的任何其他照明属性。颜色和眩光可通过适当的照明设计来控制，例如通过照明器具选择和布置来控制。来自自然光的眩光可以通过(受照明系统控制的)主动式遮光窗帘或者(人工或固定的)被动式遮光窗帘来减轻。频繁地在不同光强之间循环可能是由照明系统试图使被间歇性地占据的区域中的能耗最小化而导致的。预测模型可以通过基于预测和来自传感器的反馈来限制改变频率，从而解决循环经过各个光强的问题。

情境照明目标可以是对于积极的情境照明效果的目标。情境照明可以根据表明情境照明的值来确定。对于特定空间的最佳情境照明可以由诸如建筑师或照明设计师之类的操作者指定。研究已经表明劳动者生产率和诸如强度和颜色之类的照明品质之间的随时间的关系。最佳情境照明可以对应于这些光线品质。情境照明可以涉及源于照明的积极心理效应，而照明品质涉及照明品质的负面心理效应。最佳情境照明可以通过提供合适的照明器具布置、光线品质和光线控制来实现。在一个示例中，合适的照明器具布置可以包含使用洗墙灯(wall washer)。洗墙灯照射垂直表面以强调这些表面并且潜在地将注意力吸引到这些表面上的物体，例如图画、壁炉和壁挂。提供合适的光线品质可以包含避免眩光以及提供光线中的广谱颜色。照明器具102可被控制以变更眩光量和/或改变由照明器具102生成的光线的颜色。提供对光线的合适控制可以包含提供个体的以及经过调度的调光器。

美学目标可以是对于源于照明结构特征的美学约束的目标。相比于生产率目标，取代或者除了用于生产率的照明以外，美学目标涉及用于美学效应的照明。例如，美学效应可以根据表明如下结构特征的光照度的值来确定，所述结构特征是要给客户、竞争者留下深刻印象的、要满足市民期望的、或者要用于任何其他美学的或者外部施加的照明目的的结构特征。美学照明可以用于内部效应、外部效应或者二者。美学照明可能通常不受占据者或者用户的控制。美学照明可由建筑师、照明设计师、分区要求、邻居契约、和任何其他合适的来源来设定。例如，美学照明可能受与能量效率或者生态/天文光污染有关的规定的限制。

维护目标可以是对于维护的目标。维护可以是表明与照明系统的维护相关联的成本的值。照明器具(甚至是固态的照明器具)随时间而退化并且可能出故障。照明器具故障可以包含作为一个单元(线缆、功率和通信)的照明器具的故障、仅仅照明器具中的灯具(lamp)的故障、由于灯具和反射器的污垢的累积导致的退化、照明器具和/或灯具的效力随着时间的损失、或者任何其他故障或退化。可替代地或者除此之外，与维护相关联的成本可以包括用于替代出故障的灯具和照明器具的新灯具和照明器具的成本。可替代地或者除此之外，与维护相关联的成本可以包括用于人事、装备、库存、生产损失和较老灯具中的增长的能耗的成本。随着照明器具效力随时间的降低(不管是由于时间还是由于污垢)，能耗可能增长以实现相同的光照强度，而这可能也进一步加速老化。照明器具位置可能影响维护所牵涉的装备和人事的本质。例如，可以代替吊篮(lift bucket)而使用梯子来更换灯具。照明器具类型、布置和安装可以变更频率和服务的持续时间。服务可以包括灯具/照明器具的布置和/或照明器具的清洁。

能量目标可以是对于能量的目标，例如对于能耗或节能的目标。能量可以根据表明所消耗能量的量、所消耗能量的成本、所节约能量的量、所节约能量的成本或者其任意组合的值来确定。

能量成本可能逐日和逐年地随时间变化，以及按最小、最大和恒定使用率而变化。需求响应(凭借需求响应，能量供应商需要立即减少能量消耗者的消耗)可能对能量消耗者所支付的能量成本具有主要影响。智能电网可以辅助照明系统获取实时的能量成本信息。

运营成本目标可以对于能量节约和维护的目标。因此，在一些实施例中，能量目标和维护目标可以是运营成本目标的子目标。可以使用目标和子目标的任意组合。

2.照明系统

照明系统可以包括向物理场所或者多个场所提供光线的照明器具。基于目标的控制系统可以基于由操作者设定的管理目标来解释、控制和学习照明系统的操作的各个方面。在一个示例中，照明系统可以包括基于目标的控制系统。在第二示例中，这两个系统可以在实体上彼此分离。

照明系统、基于目标的控制系统或者这两者能够控制大的商业场所，例如办公建筑、校园建筑、工厂、仓库和零售商店。照明系统可以以相当高的空间分辨率水平来控制和获得传感器数据，例如接收来自每个个体照明器具的传感器数据。高分辨率可能增加通过传统控制系统来对这些系统进行操作的复杂度。但是，基于目标的控制系统可以极大地提高总体系统性能并简化照明系统的操作。

图1图示了用于基于目标的照明控制的照明系统100的一个示例。照明系统100可以包括照明器具102、传感器104、输入设备106和基于目标的照明控制器108。照明系统100可以包括更多的、更少的或者不同的组件。例如，照明系统100还可以包括数据网络110。在一个示例中，照明系统100可以不包括基于目标的照明控制器108，而可以包括一个或多个供电设备(未示出)，这一个或多个供电设备为照明器具102供电并且经由诸如数据网络110之类的通信网络与基于目标的照明控制器108通信。在第二示例中，照明系统100可以包括至少一个用户计算设备112(例如平板计算机)，该至少一个用户计算设备112持有(host)图形用户界面(GUI)114并且经由通信网络与基于目标的照明控制器108通信。在第三示例中，照明系统100还可以包括除了照明器具102之外的负载设备。例如，负载设备可以包括可开关窗116，该可开关窗116可以基于电信号来调节窗户的阻光度或者遮阳篷或百叶窗或其他表面(该表面可用来使光线透过、阻挡或缓和)的位置。

照明器具102、传感器104和输入设备106可以贴附于、附接于物理场所118，或者以其他方式与物理场所118相关联。物理场所118可以包括用于或者意欲用于支持或者庇护任何用途或者连续占用的任何人造结构。例如，物理场所118可以包括住宅、商业结构、活动房屋或者为人类、动物或者任何其他有形物体提供庇护的任何其他结构。

基于目标的照明控制器108可以经由数据网络110与照明器具102、传感器104和输入设备106通信。数据网络110可以是通信总线、局域网(LAN)、以太网供电(PoE)网络、无线局域网(WLAN)、个人区域网(PAN)、广域网(WAN)、因特网、宽带供电线(BPL)、现在已知的或者以后开发出来的任何其他通信网络、或者它们的任何组合。例如，数据网络110可以包括布线，该布线把基于目标的照明控制器108电气地耦接到诸如照明器具102、传感器104和输入设备106之类的设备，其中，布线承载电力和数据两者。或者，数据网络110可以包括专用于通信的覆盖网络，并且另一网络向设备供电。

照明器具102可以是任何电气设备或者由电力创建人造光线的设备的组合。照明器具102可以对来自包括或安装在照明器具102中的一个或多个灯具的光线进行分布、过滤或者变换。可替代地或者除此之外，照明器具102可以包括一个或多个灯具和/或镇流器。灯具可以包括白炽灯泡、LED(发光二极管)灯、荧光灯、CFL(紧凑型荧光灯具)、CCFL(紧凑型荧光灯具)、卤素灯、或者现在已知或以后发现的生成人造光线的任何其他设备。照明器具102的示例包括任务/壁上托架器具、线性荧光高杆灯(high-bay)、点光源、凹陷百叶窗灯、台灯、商业暗灯槽、或者包括一个或多个灯具的任何其他设备。

传感器104可以包括光电传感器、运动检测器、温度计、微粒传感器、放射性传感器、测量物理量并将该量转换为电磁信号的任何其它类型的设备、或者它们的任意组合。例如，传感器104可以测量空气中的O₂、CO₂、CO、VOC(挥发性有机化合物)、湿气、蒸发的LPG(液化石油气)、NG(天然气)、氡气或者真菌的量；测量桶罐中的LPG、NG、或者其它燃料的量；以及利用麦克风和/或超声换能器来测量声波。

输入设备106可以是接收来自人或者设备的输入的任意设备或者设备组合。输入设备106的示例包括壁灯开关、调光器开关、用于开门的开关、可以直接或间接控制照明器具102的任何设备、用于安全目的或者用于检测占据者的任意设备、电子狗、RFID(射频识别器)卡、RFID读取器、标记读取器、遥控器、或者任何其它合适的输入设备。

基于目标的照明控制器108可以是可以基于管理目标来控制照明系统100中的照明器具102的任意设备或者设备组合。基于目标的照明控制器108的示例可以包括服务器计算机、桌上型计算机、膝上型计算机、通用计算机的集群、专用硬件设备、平板控制器、或者其任意组合。基于目标的照明控制器108可以处在物理场所118中、在物理场所118外(例如在停车场中、在室外壁橱中、在街灯的基部中、在远程数据中心中)、或者其任意组合。

用户计算设备112可以是可以持有GUI 114的任意设备。用户计算设备112的示例包括桌上型计算机、手持设备、膝上型计算机、平板计算机、个人数字助理、移动电话和服务器计算机。用户计算设备112可以是专用于特定软件应用的专用设备或者通用设备。用户计算设备112可以经由诸如数据网络110之类的通信网络与基于目标的照明控制器108通信。可替代地或者除此之外，基于目标的照明控制器108可以持有GUI 114并且操作者可以在不使用用户计算设备112的情况下直接与基于目标的照明控制器108交互。

图形用户界面(GUI)114可以是人们与软件或者电子设备(例如，计算机、手持设备、便携式媒体播放器、游戏设备、家用电器、办公设备、显示器或者任意其它合适设备)交互所凭借的任意组件。GUI 114可以包括向用户呈现信息和可用动作的图形元件。图形元件的示例包括文本、基于文本的菜单、基于文本的导航、除文本以外的视觉指示符、图形图标和标签。可用动作可以响应于人类对图形元件的直接操纵或者响应于接收来自人类的信息的任意其它手段而被执行。例如，GUI 114可以接收通过触摸屏、鼠标、键盘、麦克风或者任意其它合适的输入设备来操纵图形元件而产生的信息。更一般地，GUI 114可以是人们(用户)与机器、设备、计算机程序或者其任意组合交互所凭借的软件、硬件、或者其组合。

照明系统100可以包括任意数目和类型的负载设备。负载设备可以是可由基于目标的照明控制器108供电的任意设备、供电设备、或者其任意组合。负载设备的示例可以包括照明器具102、传感器104、输入设备106、可开关窗116、吊扇电机、HVAC(加热、通风和空调)系统中用于控制管道中的空气流通的伺服电机、调节窗户或者遮光物中的百叶窗板的制动器、调节遮光帘或者窗板的制动器、包括在其它系统中的设备、恒温器、太阳能光电板、太阳能热水器、或者任意其它类型的设备。可替换地或者除此之外，基于目标的照明控制器108、供电设备或者其任意组合可以与负载设备通信。

供电设备可以是为诸如照明器具102之类的一个或多个负载设备供电的任意设备或者设备组合。在一个示例中，供电设备既可以为负载设备供电又可以与负载设备通信。在第二示例中，供电设备可以为负载设备供电，而基于目标的照明控制器108可以与负载设备和供电设备通信。在第三示例中，基于目标的照明控制器108可以包括供电设备。在第四示例中，基于目标的照明控制器108可以与供电设备通信，其中，它们二者是分离的设备。

在照明系统100的操作期间，操作者可以通过GUI 114与基于目标的照明控制器108交互。例如，操作者可以通过GUI 114来设定管理目标。基于目标的照明控制器108可以控制遍及整个物理场所118的诸如照明器具102之类的负载设备，以便实现管理目标。

在一个示例中，基于目标的照明控制器108可以经由数据网络110直接控制递送给负载设备的功率水平，接收来自传感器104的传感器数据，以及接收来自输入设备106的输入。在第二示例中，基于目标的照明控制器108可以与供电设备通信，以指引供电设备控制递送给负载设备的功率水平，接收来自传感器104的传感器数据，以及接收来自输入设备106的输入。

物理场所118可以受如基于目标的照明控制器108所控制那样由照明器具102生成的光线的照射。另外，物理场所118可以受自然光120的照射。例如，自然光120可以穿过外墙窗122或者天窗。可替代地或者除此之外，不受照明系统100控制的人造光124(例如，来自预先存在的系统的光线)可以照射物理场所118的至少一部分。占据者126可以居住在、工作在或者经过物理场所118。占据者126可以是人、动物或者其任意组合。

在一个示例中，传感器104可以遍及整个物理场所118分布，并且传感器104的集中度足够高，以使得传感器数据涵盖整个物理场所118或者物理场所118内的期望位置。例如，传感器104可以位于每一个照明器具102处或者位于每一房间中。传感器104可以遍及整个物理场所118检测占据者126的存在性。传感器104可以测量反映物理场所118的测量特性的场所参数以及反映诸如负载设备之类的设备的测量特性的设备参数，或者其任意组合。场所参数的示例可以包括向下的环境光、侧面环境光、室内空气温度、增压空气温度、湿度、一氧化碳、或者任意其它物理属性。设备参数的示例可以包括功耗、操作温度、和操作状况。

3.基于目标的控制

图2图示了用于照明的基于目标的控制系统200的一个示例。基于目标的控制系统200可以包括目标模块202、预测模型204、硬件接口模块206和自适应模型208。基于目标的控制系统200可以包括更多的、更少的或者不同的组件。例如，基于目标的控制系统200可以包括系统供应商模块210和GUI 114。

目标模块202可以是从GUI 114接收管理目标212的任意一个或者多个组件。另外，目标模块202可以向GUI 114提供目标相关信息以显示给操作者。例如，目标相关信息可以包括表明满足管理目标212的可能性的置信估计214和系统200对于满足管理目标212的实际性能216。

预测模型204可以是将管理目标212转变成设备控制参数218(例如，功率水平220)的任意一个或者多个组件。预测模型204可将设备控制参数218确定为以时间为变量的函数，并且至少在一个示例中，将其确定为以额外的输入为变量的函数。预测模型204本质上是预测性的，因为预测模型204可以确定设备控制参数218(例如灯光输出和温度、能耗和预期寿命)的值(这些参数的影响会在以后被实现)。另外，预测模型204本质上是预测性的，因为预测模型204可以预测预期传感器值。

硬件接口模块206可以是基于设备控制参数218来控制照明器具102的任意一个或多个组件。硬件接口模块206可以与照明器具102以及照明系统100中的其它设备(例如，传感器104、输入设备106和供电设备)通信。实际系统状态222可以包括关于照明系统100的状态的信息。硬件接口模块206可以基于从照明器具102和其它设备接收的信息来确定实际系统状态222。可替代地或者除此之外，硬件接口模块206可以基于从传感器104接收的传感器数据224来确定实际系统状态222。可替代地或者除此之外，硬件接口模块206可以基于从输入设备106接收的信息、能耗和/或当前设定来确定实际系统状态222。在一个示例中，硬件接口模块206可以包括适配器，这些适配器各自被专用于特定类型的设备。

自适应模型208可以是根据系统操作信息(例如，实际系统状态222、传感器数据224和用户输入226)来确定模式228的任意一个或多个组件。

系统供应商模块210可以是对预测模型204、自适应模型208或者这二者进行更新的任意一个或多个组件。系统供应商模块210可以经由因特网或者经由任意其它的通信网络(例如数据网络110)来与图2所示的基于目标的控制系统200通信。

基于目标的控制系统200的组件(例如，目标模块202、预测模型204、硬件接口模块206、自适应模型208和系统供应商模块210)可以完全用软件实现。可替代地或者除此之外，基于目标的控制系统200的组件可以用硬件来实现。这些组件可以是具有指令的非瞬态计算机可读介质。这些组件可以独立地操作或者可以是同一程序的一部分。这些组件可以驻留在单独的硬件(例如单独的可移除电路板)上，或者共享公共的硬件(例如相同的存储器和用于实现来自该存储器的指令的处理器)。

这些组件可以使用用于在现在已知或者以后发现的组件之间传递信息的任意机制来向彼此传递信息。这样的机制的示例包括但不限于使用程序化过程调用、远程程序化过程调用、SOAP(简单对象访问协议)消息和HTTP(超文本传送协议)消息、存储器地址指针、或者共享存储器。

在基于目标的控制系统200操作期间，操作者可以通过GUI 114输入管理目标212。目标模块202可以接收来自GUI 114的管理目标212。目标模块202可以将管理目标212提供给预测模型204。预测模型204可以将管理目标转变为设备控制参数218。设备控制参数218可以包括可以控制照明系统100中的设备的任意参数。设备控制参数218的示例包括用于照明器具102和其它设备的功率水平220、用于可开关窗116的阻光度值、或者对某设备进行控制的任意其它值。硬件接口模块206可以将设备控制参数218传输到照明系统100中的合适设备。

硬件接口模块206可以从传感器104接收传感器数据224。传感器数据224可以包括与照明系统100的状态相关的信息。例如，传感器数据224可以包括与物理场所118的状态相关的信息，例如环境光和温度测量值或者物理场所118的任意其它属性。传感器数据224还可以包括与照明系统100中的设备的状态相关的信息，例如由照明器具102消耗的功率、照明器具102的效率、或者照明系统100中的设备的任意其它属性。因此，硬件接口模块206可以根据传感器数据224来确定实际系统状态222。可替代地或者除此之外，硬件接口可以从照明系统100中的设备自身接收关于这些设备的状态的信息。因此，硬件接口模块206可以基于从照明系统100中的设备接收的数据来确定实际系统状态222。可替代地或者除此之外，硬件接口可以从接收自输入设备106的用户输入226接收关于设备或者物理场所118的状态的信息。因此，硬件接口模块206可以基于用户输入226来确定实际系统状态222。

预测模型204可以从硬件接口模块206接收实际系统状态222。因此可以形成短期控制反馈环路：预测模型204可以将设备控制参数218发送到硬件接口模块206并且从硬件接口模块206接收实际系统状态222。通过应用控制系统技术，硬件接口模块206可以调节设备控制参数218以限制预测系统状态与实际系统状态222之间的差异的范围。

预测模型204可以基于在接收来自照明系统100的操作的数据之前准确预测的信息，来生成预测系统状态。本文中将“在接收来自照明系统100的操作的数据之前的”称为“先验的”(a priori)。另一方面，预测模型204还可以基于在接收来自照明系统100的操作的数据之后实质上可以更准确预测的信息，来生成预测系统状态。本文中将“在接收来自照明系统100的操作的实际数据之后的”称为“后验的”(a posteriori)。

传感器数据224和用户输入226可以包括关于照明系统100的各个方面的不那么经得起预测模型204的先验预测的考验的信息。在一个示例中，输入设备106可以包括墙壁控制(wall control)输入，这些输入便于占据者126有压倒系统操作的能力。例如，在预测模型204确定由房间中的照明器具102之一生成的光线的强度应当是小于满强度的值时，占据者可以利用墙壁控制输入来将该照明器具102生成的光线增加到满强度。在第二示例中，传感器104可以包括运动检测器，这些运动检测器检测物理场所118中占据者126是否存在及其位置。在第三示例中，传感器224可以包括光电传感器以检测不受系统控制的人造光124。包括关于照明系统100的不那么经得起预测模型204的先验预测的考验的信息的传感器数据224和用户输入226可以由自适应模型208来处理。

自适应模型208可以从硬件接口模块206接收更经得起后验预测的考验的传感器数据224和用户输入226。自适应模型208可以随时间而从接收自硬件接口模块206的数据中发现并建模系统的模式228。例如，自适应模型208可以确定占据者使用、外部照明模式、或者任何其它合适的模式。自适应模型208可以将检测到的模式228发送到预测模型204。从而形成了中期控制反馈环路：预测模型204可以随时间而将设备控制参数218发送到硬件接口模块206，并且从自适应模型208接收系统活动的模式228。利用这些模式228，预测模型204可以改进预测系统状态并因而更好地确定设备控制参数218。例如，通过获悉通行走廊在物理场所118中的位置以及占据者126最频繁使用这些通行走廊的时间，预测模型204可以使通行走廊中的光强度的循环变化(cycling)尽可能小。频繁的循环变化可能使总体功耗只减少较少或者没有减少，并且通常被占据者126感知为不希望的甚至是烦人的。

响应于接收到管理目标212，预测模型204可以随时间的流逝而生成置信估计214，置信估计214表示系统200能够满足管理目标212的可能性。置信估计214可以作为对接收管理目标212的实时响应而被显示在GUI 114中，从而有助于引导操作者设定管理目标212。预测模型204可以生成先验置信估计214和后验置信估计214。

可替代地或者除此之外，预测模型204可以生成后验指示符。特别地，预测模型204可以生成系统100或200对于满足管理目标212的实际性能216。实际性能216可以作为对系统100或200在满足管理目标212方面的有效性的实时指示而被显示在GUI 114中。像置信估计214那样，实际性能216有助于引导操作者设定比较现实的管理目标212。

在一个示例中，基于目标的控制系统200可以生成调谐日志230。调谐日志230可以包括有关预测模型204的有效性的信息。可替代地或者除此之外，调谐日志230可以包括有关预测模型204如何被自适应模型208随时间调谐的信息。可替代地或者除此之外，系统100可以生成模式日志232。模式日志232可以包括有关自适应模型208所发现的模式228的信息。基于目标的控制系统200可以周期性地将调谐日志230、模式日志232或者其任意组合发送到系统供应商模块210。系统供应商模块210可以对日志230和232进行分析以改进供应商模型库，所述供应商模型库包括用于将物理场所和客户系统需求与对应的预测模型204和自适应模型208相匹配的信息。供应商模型库可以用来配置基于目标的控制系统的新的安装。可替代地或者除此之外，系统供应商模块210可以利用经更新的预测模型234和/或经更新的自适应模型236来更新所安装的基于目标的控制系统。长期控制反馈环路从而被形成：预测模型204随时间而确定设备控制参数218，并在随后接收经更新的预测模型234和/或经更新的自适应模型236。

总而言之，每一个管理目标212可以表示多维度问题空间中的某一维度。任一维度中的值可以表示与该维度相对应的管理目标212的可能值。像任意一个其它的管理目标212一样，子目标也可以表示多维度问题空间中的某一维度。高层管理目标的值可以根据该高层管理目标的子目标的值的组合来确定。例如，高层管理目标的值可以根据如下数学向量来确定，该数学向量的元素具有由该高层管理目标的子目标的值确定的幅度。在第二示例中，高层管理目标的值可以是该高层管理目标的子目标的值的和。在第三示例中，可以向子目标的每一个值应用加权系数。任意管理目标212的值可以通过用于组合该管理目标的子目标的值的任意机制来确定。子目标的值可以根据该子目标的子目标的值来确定。

通过预测模型204的前向转换组件238，基于目标的控制系统200可以将高层的管理目标212转变成低层的设备控制参数218。系统200可以通过从数据网络110接收实际系统状态222来监视系统的性能。通过预测模型204的反向转换组件240，系统200可以反向地转变低层的实际系统状态222，以针对管理目标212确定照明系统100的实际性能216。前向转换组件238和反向转换组件240也可以向目标模块202提供先验反馈，以为操作者显示在GUI 114中。例如，先验反馈可以包括表明基于目标的控制系统200长期而言将满足管理目标212的可能性的置信估计214。

预测模型204可以采取一致动作以平衡彼此竞争的管理目标212。有竞争的管理目标212可以转变成有竞争的设备控制参数218。例如，生产率目标可能与节能目标有竞争。结果，设备控制参数218也可能有冲突。例如，诸如照明器具102的光线输出、功耗和寿命之类的设备控制参数218可能彼此冲突。

因为管理目标212可能彼此冲突，所以每一个管理目标212可以包括目标范围。目标范围表明预测模型204可将设备控制参数218确定为使得针对每一个管理目标212的随时间的实际性能216将保持在目标范围内。如果管理目标212被指定为单一值而使得针对每一个管理目标212的随时间的实际性能216必须等于单一值，则预测模型204可能不具有用于确定合适的设备控制参数218的“余地”。结果，基于目标的控制系统200可能无法有效地平衡有竞争的目标。因此，通过将管理目标212指定为范围，基于目标的控制系统200可以利用预测模型204进行预测，确定适当的折衷，并为n个管理目标212确定n维度空间中的满足所有这些管理目标212的一点。为了帮助引导操作者将管理目标212设定为比较现实的范围，GUI 114可以包括沿着每一目标维度的置信估计214。因此，操作者可以看到系统100有可能实现每一个管理目标212的置信度。可替代地或者除此之外，GUI 114可以包括表明管理目标的完全集将得到满足的可能性的总体置信估计。

在至少一个示例中，基于目标的控制系统200可以在没有接收实际系统状态222、传感器数据224、用户输入226或者任意其它的后验信息的情况下操作。因此，基于目标的控制系统200可以在没有确实与照明系统100通信的情况下操作。预测模型204例如通过仅仅从包含在预测模型204中的照明系统100的模型来确定置信估计214，从而辅助在“开环”中运行。预测模型204与预测模型204所基于的先验数据越准确，则置信估计214对于实际的照明系统100而言为正确的可能性越大。

在安装之前，由基于目标的控制系统200的供应商提供的标准预测模型可被选择来匹配正在进行安装的客户的需求。标准模型可由供应商或者由其它方基于预定的高层目标、低层控制参数、传感器特性或者任意其它合适数据来开发。标准模型可以通过早期的现场试验而被证实有效并被精炼。可替代地或者除此之外，标准模型可由系统供应商模块210根据从所安装的系统获得的数据来定期更新。

可根据标准客户和使用情景来在供应商模型库中组织标准模型。作为系统订购或安装过程的一部分，供应商代表或者安装人员可以与客户一起工作以定制和配置系统模型。供应商代表或者安装人员可以对客户要求进行分析并从供应商模型库中选择最佳匹配。根据需要，供应商可以定制从供应商模型库复制的标准模型。诸如建筑师或照明设计师之类的客户可以提供系统和物理场所118的信息，例如设施计划、照明器具和传感器类型、设备的布置、工作区位置、工作区边界、工作区目标亮度水平、以及用于紧急和美学照明器具的亮度水平。

一般而言，客户能够提供的先验信息越多，则预测模型204和自适应模型208越准确。预测模型204和自适应模型208越准确，则基于目标的控制系统200将满足管理目标212的可能性越高。所提供的先验数据越少，则系统200越多地依赖于自适应建模来实现管理目标212。

在安装之后，自适应模型208可以通过诸如传感器数据224和用户输入226之类的后验数据来监视系统200的性能。通过利用来自后验信息的各种形式的反馈，基于目标的控制系统200可以连续地改进已安装的基于目标的控制系统200和在该已安装系统之后安装的基于目标的控制系统。

如果系统性能未能满足客户预期，则操作者可以人工调谐系统200。在较低层，GUI 114可以辅助设备控制参数218的人工指定和压倒。例如，GUI 114可以辅助设定一组照明器具102的亮度水平。GUI 114可以在较高层提供预测模型204和自适应模型208的视图。操作者可以通过经由GUI 114创建假设情景并经由模型204和208离线地播放这些情景来评估模型204和208。

在一个示例中，操作者可以修改可调谐的模型参数。可调谐的模型参数可以包括可由操作者修改的预测模型204或自适应模型208的任意方面。可调谐模型参数的示例包括：物理场所118的细节；照明器具102、传感器104、输入设备106或者照明系统100中的任意其它设备的物理位置；这种设备的类型；一组照明器具102的亮度水平、工作空间中对于特定任务而言最佳的亮度水平；或者模型204和208用来预测设备控制参数218的任意其它值。

修改可调谐模型参数可以包括与GUI 114中的配置器交互。基于目标的控制系统可以包括配置器。配置器可以是辅助操作者设定或者调节可调谐模型参数的任意组件或者子系统。在一个示例中，配置器可以包括GUI114中的辅助操作者设定或调节可调谐模型参数的组件。配置器可以体现如何调谐预测模型204和/或自适应模型208、如何引导操作者那样做、以及如何防止操作者错误地设定可调谐模型参数的过程。配置器可以对如下过程建模：基于对可调谐模型参数的熟练知识来配置可调谐模型参数的过程，以及设定或者调节这些参数的过程。因此，相对缺乏经验的操作者可以调谐模型204和208。

配置器可以使用现在已知的或者以后开发出的用于配置数据的任意机制来实现。例如，配置器可以作为向导(wizard)或者菜单来操作，该向导或者菜单引导操作者在巡游中通过预测模型204和自适应模型208的可配置部分。巡游可由操作者自组织(ad hoc)，或者受系统200指引而将操作者引领通过标准的配置情景。贯穿整个配置过程，系统200可以针对任意的可调谐模型参数来约束经由GUI 114接收的值和/或选择。在一个示例中，系统200可以验证从操作者接收的输入，警告有问题的输入，以及将输入接受限制于经证实有效的参数。

系统200的各个方面可以在通用AI(人工智能)库的帮助下实现。AI库可以在开源许可下或者在专有许可下可用。可以使用对于可用性的其它安排。AI库可以包括诸如无监督学习、目标寻求和多维度问题解答的优化之类的AI特征。特别地，基于目标的控制系统200可以部分使用这些AI特征中的一个或多个来实现预测模型204和自适应模型208。

4.图形用户界面

操作者可以通过指定高层的管理目标212来指引基于目标的控制系统200的操作。如上所述，系统200可以通过预测相对于管理目标212的未来性能并基于管理目标212提供先验和后验反馈来引导操作者设定管理目标212。

图3图示了在GUI 114中的管理目标视窗300的示例。在图3所示的示例中，管理目标视窗300包括针对各个管理目标212的滑动控件310、320、330或340。例如，管理目标212可以是生产率目标、维护目标、能量目标和美学目标。每一个滑动控件310、320、330或340可以包括上下可调节滑块350和355，它们一起来标识出对于与滑动控件相对应的管理目标的值的可接受范围。或者，每一个滑动控件310、320、330或340可以包括单个可调节滑块。上可调节滑块350可以指示该范围中的最大值，下可调节滑块355可以指示该范围中的最小值。或者，管理目标视窗300可以包括用于设定值或者值的范围的任意控件或者控件的组合，例如，与最大值相对应的数字域以及与最小值相对应的数字域。

管理目标视窗300可以包括先验反馈的视觉指示。例如，置信估计214可以由图标大小、背景强度阴影360、色度(color hue)或者在各个滑动控件310、320、330或340上或者与其相邻的任意其它视觉指示器来指示。例如，背景强度阴影360越亮，则管理目标212的值在给定其它管理目标212的设定的情况下随时间流逝将得到满足的可能性越高。对于特定一个管理目标212的特定值的置信估计214可以基于其它管理目标212以及影响满足特定目标的能力的任意其它因素的设定。例如，在管理目标212的设定保持恒定的情况下，如果能量的成本突然上涨，则满足特定能量成本目标值的置信度将改变。可以针对管理目标212的每一个可能值来设定背景强度阴影360。可替代地或者除此之外，置信估计214可以百分比值的形式被表示在每一个滑动控件310、320、330或340的旁边。

可替代地或者除此之外，管理目标视窗300可以包括对后验反馈的视觉指示。例如，照明系统100的实际性能216可被显示在每一个滑动控件310、320、330或340的旁边。例如，可由指向对应的滑动控件310、320、330或340的某一位置的箭头370来指示对于每一个管理目标212的当前实际性能216。箭头370所指向的位置可以指示管理目标的、系统100当前正操作于的特定值。可替代地或者除此之外，例如可以利用括号380来指示实际性能216在预定时间期间上的历史。括号380的末端可以延伸到实际性能216的值的范围。作不同表述，括号380的末端可以对应于每一个管理目标212的高低“水印”。

在管理目标视窗300操作期间，操作者可以针对每一个管理目标212指定照明系统100的操作的可接受范围。例如，操作者可以调节滑动控件310、320、330或340的可调节滑块350和355，以使得对管理目标212的设定匹配操作者希望的设定，并且使得管理目标很可能得到满足。置信估计214的视觉指示器360、实际性能216的视觉指示器370和380或者它们二者可向操作者表明管理目标212是否能够得到满足。

如果操作者所希望的设定不太可能得到满足，则操作者可以移动滑动控件310、320、330和340的可调节滑块350和355以使得管理目标212的设定能够得到满足。当重新调节滑动控件310、320、330和340的可调节滑块350和355时，操作者可以决定应当放宽管理目标212中的哪一个以便使得这些管理目标212得到满足。响应于移动滑动控件310、320、330和340的可调节滑块350和355，置信估计214和实际性能216的视觉指示器360、370和380可被实时更新。

例如，操作者可以将下滑块355沿着与能耗目标相对应的滑动控件330向下滑动，从而扩展能量目标范围以包括较低的值。在一个示例中，将第二滑块355沿着滑动控件330向下滑动可以表明基于目标的控制系统200将把照明系统100的操作偏向较低水平的能耗，同时表明能耗范围的上限值处的操作(如上滑块350所指示的)仍然可接受。响应于将下滑块355沿着滑动控件330向下滑动，系统200可以预测能量目标的范围改变将如何影响沿着其它目标维度的置信估计214。例如，如果能量目标对应于能耗，则用于满足生产率目标的置信估计214可能由于偏向较低能耗而降低。例如，较低的能耗将导致较低的亮度水平以及更烦人的照明效果，例如增加的亮度水平波动。与之形成对比，用于满足维护目标的置信估计214可能由于较低功耗可以促成较长的灯具寿命和较低的更换成本，而增加。

除了滑动低滑块355之外，操作者可以将上滑块350沿着与能量目标相对应的滑动控件330向下滑动，从而缩小能量目标范围以减小能量的可接受值。如果能量目标对应于能耗，则将上滑块350沿着滑动控件330向下滑动可以表明基于目标的控制系统200将照明系统100的操作偏向较低水平的能耗，同时减小了能耗范围的可接受的上限值。基于目标的控制系统200可以相应地更新沿着目标维度的置信估计214，很可能由于约束更加严格而使得比响应于滑动第二滑块355具有更大的影响。

为了进一步辅助操作者，基于目标的控制系统200可以检测“关键”目标。关键目标可以是要保证操作者注意力的任意目标。例如，关键目标可以是具有在预定阈值以下的对应置信估计214的目标。可替代地或者除此之外，关键目标可以是受极度约束的和/或将对安置极度约束系统具有最大影响的目标。关键目标的关键性的性质和程度可以通过改变颜色(例如将绿色边界改变为红色)、通过瞬时效应(例如以特定速率闪烁)、通过播放声音、改变目标的显著性(例如通过将关键目标显示在对话框中或者选择选项卡式视窗中的选项卡)、用于将注意力吸引到GUI 114中的视觉元素的任意其它技术、或者其任意组合来指示。

操作者可以通过放宽一个或多个关键目标维度的范围限制来解决目标的关键性。例如，操作者可以将目标范围整体地滑动到具有较高置信估计214的区域，或者修改范围极限值之一或两者来偏置和放宽目标范围。在任一种情况中，照明系统100都可能更能够实现关键目标，从而潜在地将目标的状况从关键目标改变为非关键目标。

GUI 114可以提供照明系统100的更详细视图。例如，可以以与用于顶级水平管理目标212的方式类似的方式来呈现管理目标212的子目标。

图4图示了GUI 114中针对管理目标212的子目标的子目标视窗400的示例。子目标视窗400可以是选项卡式视窗，其中，选项卡410、412、414和416对应于高层管理目标212。可以使用其它显示格式。当选择选项卡410、412、414和416中的任一者时，在视窗400中显示对应面板420。面板420可以包括与所选择的选项卡410的高层管理目标的子目标相对应的滑动控件430、440、450和460。例如，在图4中，所选择的选项卡410对应于高层维护目标。面板420包括用于维护目标的各个子目标的滑动控件430、440、450和460：停机时间、人事规模、效力和维护成本。子目标视窗400可以包括应用于所选高层管理目标的子目标的置信估计214和实际性能216的视觉指示器470、480和490。

显示和修改高层管理目标212和子目标的视窗300和400可以提供照明系统100的操作的方便视图。可替代地或者除此之外，GUI 114可以包括显示和修改横截商业度量(cross-cutting business metrics)的视窗。横截商业度量可以是系统的下述方面：这些方面可能与上述高层管理目标212正交并且与高层管理目标212同等水平。因此，横截商业度量还可以通过“横截”管理目标212来提供照明系统100的操作的另一视图。横截度量可以以横跨这些高层管理目标212的方式来组合有关管理目标212的信息并对其排序。例如，可针对其它高层管理目标212(例如生产率、维护和能量)中的每一者来标识商业成本的测量值。可替代地或者除此之外，横截目标可以组合这些测量值并将这些测量值呈现为单独的子目标。横截商业度量的示例包括成本、储蓄、投资回报率(ROI)和环境影响。横截商业度量可以与高层管理目标212正交，因为横截商业度量可以被与高层管理目标212分开考虑。由于“高层”和“横截”是相对性的术语，所以系统200可以将定量的横截商业度量呈现为高层目标，并且将诸如生产率、能量、维护和美学之类的定量度量呈现为横截子目标。

图5图示了GUI 114中的横截商业度量视窗500的一个示例。横截商业度量视窗500可以看起来像子目标视窗400并且如同子目标视窗400那样操作。例如，选项卡510中的每一者可以对应于高层横截商业度量之一。当选择横截商业度量选项卡510之一时，对应面板可以包括适用所选横截商业度量的每一个子目标的滑动控件520。例如，适用成本横截商业度量的子目标可以包括无效工(lost work)、维护成本、能量成本或者适用于商业成本的任何其它子目标。

在操作期间，子目标视窗400和横截商业度量视窗500可以与管理目标视窗300类似地表现。如同高层管理目标212那样，子目标和横截商业度量被包括在管理目标212中。当针对这些管理目标212的任一个的范围被移动、扩宽和缩窄时，基于目标的控制系统200可以更新管理目标212将得到满足的置信估计214。管理目标212的某一子集可能比其它管理目标212对范围改变更加敏感或者不那么敏感。一般地，对管理目标212施加的约束越多，基于目标的控制系统200将能够满足所有管理目标212的可能性越低。因此，置信估计214可能响应于对管理目标212的约束的增加而下降。换而言之，将系统100约束为在各个目标维度中在较窄的范围上操作可能意味着照明系统100可能无法确实地实现所有的管理目标212。因此，操作者可以通过紧密地约束最高优先级的管理目标212并放宽较低优先级的管理目标212来区分管理目标212的优先级。可替代地，可以例如通过自动响应于用户改变目标设定而调节具有较低优先级的一个或多个目标来自动区分目标的优先级。

因此，基于目标的控制系统200可以通过设定顶级水平的目标并查看对子目标的效果来以自上而下的方式辅助管理照明系统100。可替代地或者除此之外，基于目标的控制系统200可以通过设定子目标并查看对顶级水平目标的效果来以自下而上的方式辅助管理照明系统100。

在一个示例中，基于目标的控制系统200可能不会阻止操作者以任意水平或范围指定管理目标212。如果系统200不能满足所有目标，则系统200可能试图最佳地满足所有目标。在第二示例中，可以阻隔目标维度的某一子集。例如，操作者可以阻隔生产率范围的低端的25％以向系统200表明系统不应选择会导致生产率下落至低端的25％中的设备控制参数，而不管生产率目标中包括的可接受范围为何。因此，系统操作的规范和性能可能是鲁棒且宽大的。

5.预测模型

如上所述，预测模型204可以转变管理目标212，确定照明系统100的实际性能216，预测照明系统100的未来性能，基于对未来性能的预测来确定置信估计214，和/或平衡有竞争的管理目标。

预测模型204可被划分为可以彼此交互的子模型。子模型的用途是将诸如针对生产率和维护的模型之类的抽象的高层模型分解未更具体的低层模型，例如任务照明预测和照明器具寿命预测。因此，可通过对照明系统100的较小且更专化的方面建模并组合结果来简化对照明系统100的更抽象方面的建模。

图6图示了预测模型204的示例。例如，预测模型204可以包括抽象的商业模型602、具体的物理模型604和逻辑的需求模型606。商业模型602可以对与管理目标212相对应的商业活动进行建模。物理模型604可以对照明系统100的物理方面(例如，照明系统100中的设备的各个方面和物理场所118的各个方面)进行建模。需求模型606可以根据由商业模型602和物理模型604确定的照明需求来确定设备控制参数218的最佳解答方案。

商业模型602可以包括针对每一个管理目标212的模型。在图6所示的示例中，商业模型602包括生产率模型608、能量模型610、维护模型612和美学模型614，它们分别对应于生产率目标、能量目标、维护目标和美学目标。商业模型602可以包括更多的、更少的或者不同的模型。

生产率模型608可以包括照明任务模型616、光线烦扰模型618、光线情境模型620、和生产率成本模型622。生产率模型608可以包括更多的、更少的或者不同的模型。生产率模型608的子模型可以对应于生产率目标的子目标。

能量模型610可以包括能量供应模型624、能耗模型626和能量成本模型628。能量模型610可以包括更多的、更少的或者不同的模型。能量模型610的子模型可以对应于能量目标的子目标。

维护模型612可以包括器具老化模型630、器具保养模型632、维护支持模型634和维护成本模型636。维护模型612可以包括更多的、更少的或者不同的模型。维护模型612的子目标可以对应于维护目标的子目标。

美学模型614可以包括照明效果模型638、光线污染模型640和美学成本模型642。美学模型614可以包括更多的、更少的或者不同的模型。美学模型614的子目标可以对应于美学目标的子目标。

物理模型604可以包括场所模型644和系统模型646。物理模型604可以包括更多的、更少的或者不同的模型。场所模型644可以包括建筑模型648、器具模型650、占据模型652、光线模型654和区段模型(fieldmodel)656。光线模型654可以包括人造光模型658和自然光模型660。系统模型646可以包括引擎物理模型662、传感器物理模型664和照明器具物理模型666。场所模型644、光线模型654和系统模型646可以包括更多的、更少的或者不同的模型。

需求模型606可以包括空间需求模型668、占据者需求模型670和人工需求模型672。需求模型606可以包括更多的、更少的或者不同的模型。

商业模型602可以通过可测量的输入、输出和状态把抽象思想和概念(例如生产率情境照明和照明的美学效果)具体化为成本和/或回报函数。作为商业模型602通过成本和汇报度量来数值地表示抽象概念的结果，系统200可以经由需求模型606来标识有冲突的管理目标并基于指定的管理目标212从合理的妥协中确定最佳的一个或多个解答方案。一般而言，商业模型602可以依赖于物理模型604——例如，美学模型648——其可以为商业模型602中的对象提供空间基准。

生产率模型608可以将成本和回报系数与照明系统100的可能影响占据者126的生产率的各个方面相关联。系统供应商或者系统安装人员(可能联合建筑师/设计师)可以在场所模型644的语境中标识出生产率成本和回报系数。

照明任务模型616可以包括针对每一个适用工作空间、工作表面、走廊、楼梯井、应急灯、标志、或者可以由照明系统控制的任何其它照明区域的目标亮度水平。光线烦扰模型618可以包括有损生产率的诸如眩光、颜色渲染、光强度的频繁变化、占据检测和追踪故障、或者任何其它与光线有关的烦扰之类的因素。光线情境模型620可以包括与情境有关的因素，例如照明强度、颜色、瞬时效应、或者可能影响人们的情绪的任何其它因素。在一个示例中，光线情境模型620可以是从供应商模型库中选择的标准库。生产率成本模型622可以通过将成本和回报与影响生产率的正面和负面因素相关联来确定生产率值。

能量可以是操作照明系统100的成本的主要组成部分之一。能量模型610可以将成本和回报系数与物理场所118和照明系统100的、可能影响提供给系统100并为系统100所使用的能量的各个方面相关联。

能量供应模型624可以预测来自能量供应商的能量的成本。能量的成本可以被确定为以一天中的时间、一年中的日期、消耗水平、能量来源或者其任意组合为变量的函数。能量供应模型624可以考虑长期费率和折扣以及短期需求响应和刺激。能量的来源可能变化。例如，能量来源可以包括一个或多个现场能量供应源，例如热电联产系统和太阳能电池板。能量供应模型624可以对每一类型的能量来源进行建模。设备控制参数218可以包括用于确定选择哪种能量供应源的能量来源选择器。因此，基于目标的控制系统200可以基于管理目标212来选择合适的能量来源。

能耗模型626可以使用照明器具物理模型666来将为了满足生产率模型608中的任务亮度水平以及美学模型614中的照明效果模型638而可能需要的功率量预测为以照明器具102的能耗、效力和使用年限为变量的函数。

能量成本模型628可以组合能量供应模型624和能耗模型626的输出以形成能量成本的完整模型。

维护可能是操作照明系统100的成本的主要组成部分之一。维护模型612可以通过向物理场所118和照明系统100的可能涉及系统100的保养的各个方面指派成本和回报系数，来确定用于维护的值。

器具老化模型630可以对器具的总寿命和器具随时间流逝的退化进行建模。器具老化模型630应用于照明器具102，但是也可应用于诸如传感器104之类的其它设备。传感器104和其它设备也会随时间而退化并且需要被更换。照明器具物理模型666和传感器物理模型664可以独立于场所因素而提供有关照明器具102和传感器104的基本老化的输入，而器具老化模型630可以包括由场所引起的退化，例如由于诸如灰尘、悬浮微粒、油脂、烟雾和盐雾之类的颗粒的累积导致的从照明器具的灯具和反射器输出的光线随时间而减少以及传感器灵敏度随时间而降低。例如，照明器具102可以被建模为由于诸如污垢之类的颗粒的累积而导致随时间以特定的功率水平产生较少的光线。可替代地或者除此之外，器具老化模型630可以包括其它因素的效应，例如在物理场所118中或者在物理场所118周围的位置和朝向、该位置处的环境状况、以及从上次清洁或更换器具起的时间。

器具保养模型632可以将来自器具老化模型630的器具寿命和退化预测与对器具接近和维护的要求相组合，以形成每一个系统器具的总体维护模型，不管是考虑了成本还是没有考虑成本。例如，器具保养模型632可以包括例如如下因素：位置的性质(例如，标准高度的天花板对比照明系统100英尺的中庭)、该位置处的器具的数目和类型(例如，考虑由于器具的协同定位而能够一次维护一个以上的器具的能力)、接近器具所需的装备(例如，步梯对比吊篮)、以及用于执行维护任务的时间估计(例如，执行灯具更换、器具清洁、器具更换、或者任何其它任务的时间量)。

维护支持模型634可以对系统维护的可被认为“日常”(overhead)的方面进行建模。例如维护支持模型634可以包括诸如人事、工人、装备和系统维护所涉及的组件的量和成本之类的因素。在一个示例中，维护支持模型634可以预测人事、工人、装备和库存要求和成本。维护支持模型634可以基于来自器具保养模型632的输出和从其它来源(例如，供应商模型库和主题专家的经验)获得的商业信息来进行预测。维护支持模型634可以包括由于维护期间的停机时间导致的生产率损失的子模型。在一个示例中，可以使用被适配用于建模日常维护的目的的AI计划和知识表示技术(例如专家系统)来实现维护支持模型634。

维护成本模型636可以对总维护成本建模。器具保养模型632和维护支持模型634的输出可以是维护成本模型636的输入。

美学模型614可以对物理场所118的美学知觉建模。美学模型614可以将成本和回报系数与物理场所118和照明系统100的可能与物理场所118的美学知觉和物理场所118对占据者126和周围环境的影响相关的各个方面相关联。美学模型614可以应用于物理场所118的与显著的建筑特征(例如，圆柱、拱门、圆屋顶、喷泉和车道)和空间(例如，休息室、中庭、会议室和礼堂)相关联的内部和外部方面的照明。对成本和回报的评估本质上是主观性的，但是建筑工程一般包括从客户到建筑师/照明设计师的美学输入，建筑师/设计师基于设计惯例和个人经验将这些美学输入转变成建筑和照明特征。

照明效果模型638可以对关于美学特征的照明的特性和约束进行建模。在一个示例中，提供供应商或者系统安装人员可以联合建筑师或设计师来标识在建筑模型648和器具模型650的语境中的美学特征。在第二示例中，可以通过供应商模型库的帮助而标识美学特征。美学特征与关于关联照明效果(例如强度范围、颜色和环境操作状况)的特性和约束一起被捕捉在照明效果模型638中。

光线污染模型640可以包括不利地影响美学特征的照明的负面因素。负面因素的示例包括候鸟迁移季节和天文观测限制，其可能影响室外照明效果以及在一些示例中影响室内照明效果。

美学成本模型642可以通过向照明效果指派成本和回报来对用于照明的总体美学值进行建模。照明效果模型638和光线污染模型640可以是美学成本模型642的输入。换而言之，来自照明效果模型638的美学效果可被建模为有利因素，而来自光线污染模型640的环境影响可能是负面的。美学成本模型可以将这些输入组合成美学成本的完整模型。

物理模型604可以估计系统100的当前状态，并预测商业模型602和需求模型606提议的效果。换而言之，物理模型604可以接收来自商业模型602和需求模型606的输入。可替代地或者除此之外，商业模型602和需求模型606可以接收来自物理模型604的输入。

场所模型644可以对物理场所118和照明系统100的静态建筑和动态物理进行建模。建筑模型648可以包括针对诸如工作空间、工作表面、通行走廊和公共区域之类的位置以及诸如分隔物、墙壁、门、窗户、通风孔和工作区域与工作表面之类的建筑特征的位置和大小的建筑数据。器具模型650可以包括有关照明系统100中的设备的建筑数据，例如照明器具102、传感器104和输入设备106的位置和朝向。

光线模型654可以捕捉依光线而定的建筑特性，例如墙壁、地板、天花板和工作表面的反射率。总的光线模型654可以将依光线而定的建筑特性与人造光模型658和自然光模型660相组合以形成物理场所118中的光照的完整模型。

自然光模型660可以利用影响自然光输入(例如，窗户、天窗和光导管)和节制(例如，遮光物、遮光帘和遮阳篷)的特定信息来扩增建筑模型648。自然光模型660可以包括针对直接和间接自然光源的子模型，作为以地理位置、一日中的时间、一年中的日期和历史天气数据为变量的函数。例如，太阳光可能来自直接自然光源，并且间接自然光可能进入天窗。

人造光模型658可以利用有关照明器具102和不受照明系统100控制的其它光源的人造光生成的信息来扩增器具模型650。人造光模型658可以包括依用途而定的子模型，例如，用于任务、通行、安全和美学照明的模型。可替代地或者除此之外，人造光模型658可以包括依用途而定的子模型，例如用于任务、通行、安全和美学照明以及诸如闭合、开放和专用空间之类的位置的模型。

如上所述，光线模型654可以预测并组合自然光源和人造光源以形成物理场所118中的光照的完整模型。光线模型654中的信息可以分别与来自商业模型602的光照要求(例如，用于生产率的光照要求)和来自生产率模型608与美学模型614的美学效果相组合。该组合可以表明照明系统100可能需要生成的或者允许进入场所的受系统控制的人造光或自然光的量和位置。因此，光线模型654可以使用被应用于来自商业模型602的输出的光线建模技术来总体上预测遍及整个物理场所118的光照水平。

光线建模技术的一个示例是将入射光照想加。入射在某一表面上的总光线是由该表面接收的来自所有源的光线的加和，无论是自然光还是人造光。对于物理场所118中的每一个适用目标表面(例如，工作区域、通行走廊和建筑表面)，光线模型654可以执行如下计算。光线模型654可以预测和计算来自每一个自然和人造光源的贡献。由于透射和反射，例如可以利用迭代技术来实现贡献的计算，以达到足够精度的解答方案。来自光源的值可以被加和以针对每一目标表面产生单一的预测入射光值。在一个示例中，可以以更小和更大的尺度来应用单一预测入射光值的确定。例如，光线模型654可将较大的表面细分为较小的块，确定这些较小块上的入射光，然后对结果进行合计，以确定从诸如墙壁和天花板之类的较大表面反射的入射光。

由于诸如系统装备成本、安装成本和后勤约束之类的实际考虑，传感器覆盖范围可能受限并且可能被限制为比理想位置少。例如，光传感器可能位于天花板，而不是位于工作表面。类似地，由于布置或者位置，来自照明器具102的光照覆盖范围可能受限、不规则并且是次佳的。在一个示例中，通过光线模型654进行的穷尽性的基于物理学的照明预测可能是令人望而生畏的。区段模型656可以补偿这种问题，并且通过对实际光源和传感器覆盖范围之间的值进行内插以及对实际光源和传感器覆盖范围之外的值进行外推来确定点预测。

对于被生成或感测为连续区段的数据(例如，亮度和空气温度)，物理场所118的几何建模和基于物理学的处理的建模辅助了使用传统的数学技术来在空间上内插和外推区段值。空间内插可能例如涉及对相邻样本的平均值的计算，这些相邻样本通过样本离空间中的给定点的距离来加权。样本越集拢在一起，内插得到的样本值的置信度越高。空间内插由空间外推来补充，其中，可以使用类似处理来确定相邻样本的趋势，例如通过曲线拟合。这些趋势可以形成用于预测样本覆盖范围以外的位置处的样本值的基础。

区段模型656可以通过对由物理场所118施加于值区段的几何约束进行内插来提高传统内插和外推技术的性能。这样的约束可能引入非线性和不连续效应而成为问题。建筑模型648可以提供关于这些约束的信息，例如分隔物、墙壁、门口和通风孔的布置和大小。如以下更详细论述的，区段模型656可以通过结合由自适应模型208提供的模式228来进一步提高性能。

占据模型652可以对物理场所118中每一位置处的占据情况进行建模。对于被感测为事件的数据(例如，传感器数据224中的运动数据和用户输入226中的人工控制输入)，占据模型652可以采用传统的且经增强的检测和追踪模型来确定物理场所118中的占据者126的存在性和移动。这样的建模还可以补偿传感器缺陷。

由于实际原因，可以利用稀疏网络的不精确传感器来实现运动感测。覆盖范围可能在数目和视场两方面都有限，例如，区域的覆盖范围被墙壁、门、分隔物或其它障碍物遮蔽。诸如无源红外线(PIR)传感器之类的有成本效益的传感器可能仅将运动检测为以运动的对向角(subtendedangle)和速度为变量的函数。运动检测自身可能是受限的，因为事件仅仅表明在传感器视场内的某处发生了运动，但是没有报告有关对象的距离、方向或位置的信息。检测灵敏度可以是以对象速度和离传感器104的距离为变量的函数。在运动检测器的一个示例中，对于相同的检测程度，远处的对象相比于更接近传感器的对象必然是更大的并且移动更快且更远的。

占据模型652可以依赖于传统的或者增强的对象检测和追踪技术。占据模型652可以随着空间和时间的变化而集合来自多个相邻传感器104的传感器数据224并对其进行解释。根据传感器数据224，占据模型652可以提议对象候选以及对象候选的动态状态的估计。对动态状态的估计可基于诸如最大速度之类的因素、通过对象自身(例如，人或动物)的模型来得到增强，并且在方向方面可能改变。占据模型652可以向对象和对象状态指派置信系数。随着时间变化，利用后续接收的传感器数据224，对象状态的置信度可被加强或者减损。当在一个方向或者其它方向达到阈值时，对象的存在性得到确认或者被排除。

占据模型652可以通过将对象提议与从建筑模型648获得的场所几何相关来提高传统技术的性能。占据者126可能被场所几何约束于某些位置和某些类型的移动。例如，占据者126可能无法穿墙行走，或者可能被预期为行走通过门、走廊和楼梯以及通过升降电梯和自动扶梯被运送。场所几何还辅助了对传感器104和对象之间的相互可视性的预测。因此，占据模型652可以监视在传感器数据224中指示的运动和在用户输入226中指示的事件二者通过数据网络110的定时，将定时信息与场所建筑相关，并确定占据者126的最可能的位置。占据模型652还可以预测占据者通过该位置的最可能的路线。

器具模型650可以通过对输入设备106在物理场所118中的布置进行建模来补充建筑模型648。与相当不精确的运动检测器不同，当诸如墙壁控制之类的输入设备接收到输入时，占据模型652可以几近确定地假设物理场所118中的占据者的存在性和位置。占据模型652还可以通过结合从自适应模型208接收的模式228中所提供的占据者使用模式来提高性能。

系统模型646可以对照明系统100中的设备的可能影响商业目标的静态和动态物理性质进行建模。引擎物理模型662可以包括基于设备特性和历史数据的功率、热量和寿命子模型。例如，功率预测可能至少部分基于由基于目标的照明控制器108或供电设备供电的照明器具102的功率水平220。引擎物理模型662从而可以确定总功耗值，其可以是能耗模型626的输入。设备的总功耗可以是设备的热量子模型的输入。功率和热量预测与到目前为止的操作时间一起可以是设备的寿命子模型的输入。

照明器具物理模型666可以对照明系统100中的每一个照明器具102进行建模。照明器具物理模型666可以包括针对每一类型的照明器具的模型。针对每一类型的器具的模型可以包括基于设备特性和历史数据的光线、功率、热量和寿命子模型。功率子模型可以基于特定照明器具102的功率水平220来确定功率预测。功率预测可以是能耗模型626的输入以及照明器具102的热量子模型的输入。灯具驱动至少可以是该照明器具的功率水平220的一部分减去照明器具电子器件的低效率。热量子模型可以基于照明器具102的功率水平220以及照明器具电子器件的效率来确定热量预测。

光线子模型可以基于灯具驱动并依据灯具科技以及灯具温度来预测光强、光量、颜色或者其任意组合。对于固态发光，效力可能随着灯具温度的升高而急剧下降。灯具可以包括可以被个体驱动的一个或多个片段，其中，每一个片段可以产生不同频谱输出。来自照明器具的光线输出可以是灯具输出和照明器具反射器和透镜的光学特性的组合，并且是以相对视角为变量的函数。

传感器物理模型664可以对照明系统100中的传感器104进行建模。传感器物理模型664可以包括针对每一类型的传感器104的传感器模型。每一传感器模型可以包括功率和寿命子模型，以及针对被感测的唯一物理量(例如，光线、功率、热量或运动)的子模型。这些子模型可以基于设备特性和历史数据。

系统模型646可以包括设备物理模型，该设备物理模型可以对照明系统100中的诸如输入设备106、可开关窗116或任意其它合适设备之类的任意其它设备进行建模。设备物理模型可以包括针对每一类型的设备的子模型。每一子模型可以包括功率、热量和寿命模型。

物理模型604(特别是建筑模型648或其它场所模型644)可能不那么容易概括。取代之，可以针对照明系统100的每一次安装来配置一组模型，这一组模型捕捉了安装的唯一体系结构和系统拓扑。物理模型604可以从建筑和照明设计师的计划中导出。设计师计划可被以电子形式(例如，以工业标准的CAD文件格式)来提供。可以通过现场测量和系统组件标识来更新和验证物理模型604。

设计师计划可以不包括诸如照明器具特性、建筑表面材料和光反射率和透射率值之类的信息。在一个示例中，这些信息可被安装人员经由系统供应商所提供的CAD(计算机辅助设计)应用扩展来添加到设计师计划，或者被安装人员使用单独的或者基于web的工具来添加以编辑预测模型204。可替代地或者除此之外，自然光模型660可被从利用常见工业软件(例如，在www.ibp.fhg.de/wt/adeline可得的ADELINE开源日光建模应用，或者在kalwall.com或www.daylightmodeling.com/daylight.htm可得的Kalwell日光建模软件包)产生的日光模型中输入。

系统模型646可从供应商模型库获得，供应商模型库可以包括标准引擎、传感器和照明器具模型662、664和666。供应商可以根据由设备制造商提供的数据、由独立来源(例如，工业和政府标准委员会)执行的实际设备特性以及从先前部署的系统获得的历史数据来构建这些模型。

需求模型606可以确定满足源自其它预测模型204的有竞争的需求(例如，对于特定空间的亮度水平要求)的解答方案，并将该解答方案转变为设备控制参数218，例如位于该特定空间中的照明器具102的功率水平220。在一个示例中，系统100和200可以仅在为了使能耗最小化而需要的地方和时间产生光线。需求模型606可以处在管理目标和设备控制参数218之间的交叉点以实现有竞争的目标之间的平衡。需求模型606可以接收来自商业模型602的输入，使用物理模型604来评估照明系统100和物理场所118的状态，并将诸如每一个照明器具102的功率水平220之类的设备控制参数218确定为时间的函数。因此，需求模型606可以确定点亮哪些照明器具102、点多亮以及何时点亮，同时满足商业目标，例如实现生产率、维护、能量使用率和美学的可接受水平。

需求模型606可以将确定设备控制参数218的任务划分成由子模型处置的较小子任务。每一个子模型可以利用诸如线性编程、爬山算法、目标寻求和神经网络之类的优化技术，以便实现针对特定子任务的最佳解答方案。一般而言，可在考虑到场所的当前状态(例如，自然的和非系统的照明状况、增压空气温度和占据者126的位置)的情况下用公式表示这些子任务，以便满足商业模型602的诸如生产率和能量的需求。

空间需求模型668可以针对照明系统100将为物理场所118中的每一个适用区域、表面或其任意组合产生多少光线，来确定解答方案。例如，该解答方案可以基于受能量和维护的约束调和的生产率和美学需求，并且考虑自然的和非系统的人造光的估计。

占据者需求模型670可以将空间需求模型668的输出与占据模型652的输出相组合，以产生可以基于占据者126所处的区域来限制空间需求模型668所请求的光线产生的解答方案。占据者需求模型670还可以考虑到所预测的占据者126的运动，以使得局部光线在占据者126之前产生，例如在占据者126进入之前打开门厅、楼梯井或者房间的照明。

人工需求模型672可以将占据者需求模型670的输出与由接收自输入设备106的用户输入226或者由操作者以系统压倒的形式指示的即刻需求相组合。系统压倒的一个示例可以包括由操作者输入的针对特定照明区域的亮度水平设定。人工压倒可以采取顶级优先级，但是可能受到干预以便确定违反哪个系统压倒以及违反的持续时间。人工需求模型672的输出可以是218，例如照明器具102的功率水平220。

预测模型204的前向转换组件238可以将管理目标212转换成设备控制参数218。前向转换组件238可以将转换建立在上述预测模型204的组合的基础之上。

每一个预测模型204可以使用任意数目的机制或者机制组合(例如表查找、关联映射、数值或逻辑算法、数学公式和诸如光反射和热流动之类的物理过程的仿真)来实现前向转换的一部分。各个预测模型204可以逐步将管理目标212转换为设备控制参数218。例如，预测模型204中的两个预测模型可以首先随时间且按位置分别确定预测的亮度水平和灯具温度。预测模型204中的第三个预测模型随后可以基于所预测的亮度水平和灯具温度，随时间且按位置来确定照明器具102的功率水平220。基于目标的控制系统200随后可以随时间设定照明器具102的功率水平220，并且预测以后任意时间的适当功率水平220。

作为说明性示例，考虑仅包括两个管理目标212的基于目标的系统200的一个示例：生产率目标和能量目标。相应地，预测模型204可以包括生产率模型608和能量模型610，它们对应于两个管理目标212。预测模型204还可以包括场所模型644、系统模型646和需求模型606。

在此说明性示例中的生产率模型608可以根据生产率函数P(light level_i，location_i)来确定生产率，其中，location_i是物理场所118中的某一照明区域，light level_i是该位置处的亮度水平，而i在从1到所建模的位置的数目的范围中。对象照明水平可能已被配置在生产率模型608中，其中，对象照明水平是被确定为针对在这些位置处执行的任务产生最佳生产率的照明水平。回报可以与每一个对象照明水平相关联。成本可以与从它们的各种偏差相关联。例如，针对任意location_i确定的生产率函数的部分可以是函数P_i，例如：

P_i＝reward*target light level_i-cost*abs(target light level_i-light level_i)其中，abs()是绝对值函数，并且其中，reward和cost分别是表示回报和成本的常数。相应地，生产率函数P(light level_i，location_i)的值可以是P_i的加和、P_i的平均、P_i的加权函数、或者P_i的任意其他合适函数。

本说明性示例中的能量供应模型624可以根据能量函数E(t，powerlevel_f)来确定能量，其中，t是时间，power level_f是照明器具102之一的功率水平220，f在从1到被建模的照明器具102的数目的范围内。E可以是所建模的照明器具102的功率水平220与能量成本相乘的加和。能量成本可以是时间的函数。因此，E(t，power level_f)可被容易地计算出。

说明性示例中的系统模型646可以利用函数LO_f(t，power level_f)来确定由每一个照明器具102输出的亮度水平，其中，t是时间，power level_f是照明器具102之一的功率水平220，f在从1到所建模的照明器具102的数目的范围内。例如，LO_f(t，power level_f)可以等于

，其中，k是转换常数，T_failure是照明器具将不再发光的时间，f标识所建模的照明器具102，并且t＜T_failure。

说明性示例中的场所模型644可以确定所建模的物理场所118中的每一个位置的亮度水平。场所模型644将各个照明器具f映射到物理场所118中的各个位置。因此，场所模型644可以将特定位置的亮度水平lightlevel_i确定为LO_f的函数，例如LL_i(LO_f)。

基于上述等式，生产率P(light level_i，location_i)可被改写为P(LL_i(LO_f(t，power level_f))，location_i)，其中，i在从1到位置的数目的范围内，f在从1到照明器具102的数目的范围内。因此，P可被计算为以时间和照明器具102的功率水平220为变量的函数。类似地，能量E(t，power level_f)可被计算为以时间和照明器具102的功率水平220为变量的函数。

需求模型606可以对生产率函数P进行分析，以确定最大生产率P_max。在一个示例中，最大生产率P_max可以不取决于时间。在第二示例中，最大生产率P_max取决于时间。在一个示例中，需求模型606还可以将生产率函数P和能量函数E一起分析，以求得生产率为P_max时能量函数的最小值。在一个示例中，当生产率为P_max时能量函数的最小值可被认为是最大能量值E_max。在第二示例中，最大能量E_max可以是当照明器具102处于满功率时能量函数的最大值。

需求模型606可以基于最大生产率P_max和最大能量E_max并基于管理目标212来平衡管理目标212。管理目标212可以包括针对商业模型602中的对应目标函数的可接受值的范围。某一目标的可接受值的范围可以基于商业模型602中的对应目标函数的最大值。例如，图3中用于生产率目标的滑动控件310的上可调节滑块350可以表明生产率函数的可接受值范围的上端是最大生产率P_max的80％。类似地，滑动控件310的下可调节滑块355可以表明生产率函数的可接受值范围的下端是最大生产率P_max的20％。需求模型606可以针对任意给定时间求解合适的设备控制参数218，以使得目标函数提供落在管理目标212中指定的范围内的值。例如，使得生产率函数的值介于P_max的20％和P_max的80％之间。

如上所述，可以指派成本和回报以量化各个商业方面。诸如生产率研究之类的研究可以形成用于确定适当成本和回报的基础。当执行更新的研究时，可以相应地调节成本和回报。

在求解合适的设备控制参数218时，取决于目标，需求模型606可以试图找到使得目标函数提供有关范围的上端或下端的值的解答方案。如果需求模型606确定多个解答方案落在由管理目标212指定的范围内，则管理目标212可以偏向地选择落在一个目标的上部范围内和另一目标的下部范围内的解答方案。例如，需求模型606可以试图找到这样的解答方案，该解答方案使得生产率函数求得逼近生产率目标中的范围的上端的值但是求得逼近能耗目标中的范围的下端的值。

前向转换可以是多对多的转换，这意味着多个管理目标212可被转换为多个设备控制参数218。因此，前向转换组件238可以应用蒙特卡罗或穷尽性覆盖技术，以便识别对合适的设备控制参数218的解答方案。

蒙特卡罗技术指的是依赖于重复的随机采样来运算结果的一类运算算法。为了确定结果，应用蒙特卡罗技术可以涉及：确定可能输入的域；使用指定的概率分布来从该域随机生成输入；使用这些输入来生成确定性运算；将各个运算的结果聚合成最终结果。

例如，在前向转换中，所述域可以包括目标、目标的可能值、以及由操作者指定的目标范围的极限值。从前向转换试验得到的候选设备控制参数218可被聚集并分析。最佳地匹配目标范围的低层参数可以是设备控制参数218。

预测模型204的反向转换组件240可以将设备控制参数218转换为管理目标212。转换可以是多对多转换，这意味着多个设备控制参数218可被转换为多个管理目标212。反向转换组件240可以将转换建立在上述预测模型204的组合的基础上。

在一个示例中，反向转换组件240可以将反向转换执行为对上述对应的前向转换的简单反转。例如，反转可以包括反转映射表或者从执行前向转换的数学公式推导出来的数学反函数。在一个示例中，能量成本确定可以是在功率比表中的简单反转查找。作为维护目标下的子目标的灯具效力可被建模为将灯具的使用年限、功耗和温度转换为灯具效力的数学公式的反转。

在第二示例中，反向转换组件240可以执行反转动态仿真。例如，为了确定照明器具效力(可能涉及作为整体的照明器具)，可以涉及随时间对照明器具反射器和电子器件的物理磨损的仿真。

因为反向转换可以是多对多的转换，所以反向转换组件240可以应用蒙特卡罗或者穷尽性覆盖技术，以便识别置信估计214和实际性能216。例如，为了确定置信估计214，预测模型204的设计师可以使用统计和/或模糊逻辑技术来向贯穿整个预测模型204的前向和反向转换路径、处理和状态指派置信系数。预测模型的基于经验结果和精炼的部分可被指派比基于外推、估计或甚少了解的启发的那些部分更高的置信度。如上所述，前向转换组件238可以应用蒙特卡罗或穷尽性覆盖技术。当前向转换组件238迭代地应用输入时，可以基于所指派的置信系数来沿着前向转换路径运算和累积置信。结果可以是针对每一个设备控制参数218的置信系数。针对一组设备控制参数218的总置信可以与对应输入的管理目标212和置信系数成比例。在一个示例评估方法中，在前向转换中或者在反向转换中对置信值进行转换。具有在管理目标的范围中的最高数值的输出具有较高的置信估计214。在第二示例方法中，可向各个模型组件、公式和状态值范围指派置信系数。这两个可被组合来实现置信的总评估值。因此，利用重复迭代，针对每一个目标的每一个值的总置信可被累积并被使得显示在GUI 114中。

预测模型204的开发可以包括具有置信系数的形式的置信估计。这些估计可被系统供应商通过现场稽核以及通过对供应商模型库的不断改进来验证并精炼。现场稽核可以辅助独立于系统进行预测值和实际值的测量。这些值可例如通过随机稀疏采样来遍及整个物理场所118获得。稀疏采样是用于获取信号并利用关于信号是稀疏的在先知识来重构信号的技术。可利用传统的统计技术来集合并分析稽核结果。供应商可以对遍及供应商模型库中的所有模型的置信系数进行更新和精炼。最终，更新后的模型234和236可被结合到现有的和未来的系统中。

6.自适应模型

自适应模型208可以采用随时间的模式检测和识别，以产生针对诸如环境模式、占据模式和需求模式之类的模式228的模型。自适应模型208可以提供诸如以下的优点：辅助实现商业目标，同时最小化不希望的效果，例如在高流量区域中的亮度的循环；利用后验数据来扩增预测模型操作，例如增强的光线模型654和占据模型652；由于自适应模型208可以基于模式228来学习合适的中期调度，所以使得系统操作的人工调度最小化；通过自校正和调谐来更新预测模型204；通过向基于目标的控制系统200提供更新后的模型234和236来长期地更新供应商模型库。

每一个物理场所118可以是唯一的。例如，建筑布局、商业用途和占据者人口对于安装可能是唯一的。物理场所118、照明系统100及其使用的一些方面可由预测模型204以先验方式来指定并建模。而其它方面不是这样。取代之，随时间变化，自适应模型208可以学习场所环境、占据者126和占据者126对系统100的使用率的格律和模式，不管是通过正常的自动操作还是通过人工压倒均可。

来自场所模型644的与时间相组合的场所模型数据可以是自适应模型208的输入。自然光和人造光的实际模式、占据者126通过物理场所118的位置和移动可被检测、分析并建模。后续输入可以加强或者减损早先估计，如同在诸如神经网络之类的自学习系统中那样。对模式228的检测和建模可以最小化或者排除系统任务的人工调度，例如调度正常操作的周期和模式。

当模式228之一变得足够重要时，利用足够的置信度，自适应模型208可以将有关该模式228的信息提供给预测模型204，以改进其性能。以更大的时间尺度，自适应模型208可以将模式日志232传送给系统供应商模块210以供包括在供应商模型库中。通过捕捉这样的有关实际系统使用率和性能的集体智慧，供应商随后可以将经改进的更新后的模型234和236传播给现有系统，并将更新后的模型234和236结合到新系统中以得到改进的“开箱即用”性能。

图7图示了自适应模型208的一个示例。自适应模型208可以包括占据模式702、需求模式704和更新模型706。自适应模型208可以包括更多的、更少的或者不同的组成部分。

占据模式702可以包括占据者对象模式708、占据者通行模式710和占据者人口模式712。占据模式702可以包括更多的、更少的或者不同的组成部分。

需求模式704可以包括自然光模式714、人造光模式716和人工压倒模式718。需求模式704可以包括更多的、更少的或者不同的组成部分。

更新模型706可以包括短期更新模型720、中期更新模型722和长期更新模型724。更新模型706可以包括更多的、更少的或者不同的组成部分。

占据模式702可以对占据者126的模式进行建模。具体地，占据模式702可以对占据者126何时、何地以及以何种方式进入和退出物理场所118、通行经过物理场所118、以及聚集和逗留在物理场所118中进行建模。特定的门口、走廊以及工作空间和公用设施空间可能比其它地方更多地被使用并且可能在不同时间被使用。占据模式702可以例如使用无监督和加强AI学习技术(例如，神经网络)来随时间构建这样的模式的模型。

占据者对象模式708可以将物理场所118中以及通过物理场所118的各个占据者126的移动表征并概括为对象类。占据者对象模式708可以表征最大对象速度、速度变化的频率和这些变化的性质(例如，停止、转身、方向、或者任意其它速度相关信息)。速度相关信息可被预测占据模型652用来通过向预期行为指派更高的权重并降低预料之外的行为的权重来更佳地执行对象检测和追踪。

占据者通行模式710可以表征进入物理场所118中、通过物理场所118和走出物理场所118的流动模式。建筑模型648数据可以提供占据者通行模式710的起始点，因为固定的流动路线可能受建筑的约束，例如通过门口和走廊。占据者通行模式710可以随时间发掘通过诸如大厅和开放办公区域之类的开放区域的更多路线。通过将通行路线与日和周中的时间相组合，占据者通行模式710可以识别最频繁使用的路线以及这些路线何时被使用。这样的后验数据当与先验调度数据(例如，给定类型的商业的正常营业时间、假期、周末或者其它标准信息)相组合时可以形成用于确定无监督操作调度的基础。

占据者人口模式712可以表征在日和周中的各个时间出现在物理场所118中的占据者126的数目以及这些占据者126往往聚集和逗留的地方(局部使用模式)。通过增加避免假阳性和假阴性(false positives andnegatives)的机会，全局使用模式和局部使用模式可以扩增并改进预测占据模型652。例如，如果工作空间通常在特定时间被占据，则可以比之前更重地对占据模型652中的占据的可能性进行加权，从而改进检测、减少假阴性、并最小化亮度水平中的烦扰波动。

需求模式704可以对照明系统100的外部输入的一般模式进行建模。外部输入的示例包括自然输入和人造环境输入、以及控制照明系统100的占据者126的人工压倒。例如，需求模式704可以对如下事项进行建模：自然光和不受控制的人造光何时、何地和以何种方式进入并影响物理场所118，以及个体以何种方式对经由显式控制压倒的那些效果和其它效果作出响应。需求模式704可以扩增并改进需求模型606或者包括在预测模型204中的任意其它模型。

例如，在日和年中的某些时间，物理场所118中的特定区域可能比其它时间接收更多或者更少的外部光。系统200随时间了解到的或者被提供给该系统的有关外部光的变差的信息可以辅助商业模型602预测能量和维护成本。可替代地或者除此之外，系统操作的人工压倒的模式当与其它模式和输入(例如，占据者聚集水平和环境光水平)相关时可以扩增并提高基于目标的控制系统200预期从所预测操作的偏离的能力，从而最小化能量使用和不希望的照明效果。

自然光模式714可以表征自然光何时及从何地进入物理场所118，以及就受控的照明需要和用于消除局部发热和眩光的节制技术而言，该光以何种方式影响物理场所118。可以使用先验模型和输入(例如，日和年中的时间、位置和物理场所118的朝向)以及以自然光模型660的形式的建筑信息来预测照明系统100的多个方面。其它建筑信息(例如，由物理场所118周围的结构或变化引起的阴影效果，以及在配置了基于目标的控制系统200之后对遮阳篷和遮光物的安装和操作)可以依物理场所118而定并且在系统200在使用中之后习得。就长期而言，来自自然光模式714的信息可以扩增并提高商业模型602的用于估计能量使用和系统操作成本的预测能力。

类似于自然光模式714，人造光模式716可以表征物理场所118中的人造光的存在性和使用。人造光可能来自预先存在的照明系统，以及由个人引入到物理场所118中的任务照明，或者作为工作空间配置的一部分，但是不受照明系统100控制的部分，例如台灯和架下照明。人造光使用与占据和其它因素相组合的模式可以通过更好地理解普遍照明对比个体照明的平衡和使用及其控制，来改进商业模型602的预测，并且就长期而言改进未来系统的设计。

人工压倒模式可以表征各个占据者126何时、何地以及以何种方式压倒系统100和200的自动操作。人工控制可被提供来使得根据占据者126的需要来压倒自动操作。人工压倒与占据和其它因素相组合的模式可以通过更好地理解遍及整个物理场所118的输入设备106的数量、布置和操作，来改进生产率模型608的预测，并且就长期而言改进未来系统的设计。

如上所述，自适应模型208可以发掘模式228并且构建时间期限范围内的相应模型。自适应模型信息的客户的性质(例如，预测模型204之一或者系统供应商模块210)可以确定模型更新的频率和质量。

一般而言，来自自适应模型208的中期更新可被指引到在基于目标的控制系统200中操作的预测模型204。这些更新可用来改进并扩增预测模型204的操作，从而在系统中形成中期反馈环路。对模型的长期更新可被指引到供应商模型库，以供最终配发给现有系统以及结合到新系统。

其它因素(例如，从模式发掘的典型比率的较大或较频繁偏离)可以触发对系统供应商模块210的更频繁更新。这样的更新可以具有向供应商通知基于目标的控制系统200所具有的潜在问题的“警告”形式。

图8图示了基于目标的控制系统200的一个实施例的逻辑的示例流程图。该逻辑可以包括更多的、不同的或者更少的操作。这些操作可以与图8所示的顺序不同的顺序来执行。

针对照明系统100的操作的管理目标212可被接收(810)。例如，目标模块202可以从GUI 114接收针对每个管理目标212的值的范围。在第二示例中，预测模型204可以从目标模块202接收管理目标212。

预测模型204可被提供(820)。预测模型204可被配置为将管理目标212转换为针对照明器具中的各个相应照明器具102的功率水平220(820)。在一个示例中，一个照明器具102的功率水平220可以与另一个照明器具102不同。

可利用处理器来将管理目标212转换为针对照明器具中的各个相应照明器具102的功率水平220，其中，对管理目标212的转换可以包括对下述情形是否成立进行确定：预测模型204表明在处于功率水平220的照明器具中的各个相应照明器具102的建模操作的情况下，管理目标212得到满足(830)。例如，预测模型204可以确定每个管理目标204的值都处在管理目标204中包括的值的范围内，其中，该值是由作为以功率水平220为变量的函数的目标函数生成的。

硬件接口模块206可以使得以目标功率水平来对照明器具中的各个相应照明器具102供电(840)。例如，硬件接口模块206可以变更经由数据网络110配发给照明器具102的功率以匹配目标功率水平。在第二示例中，可经由数据网络110向供电设备发送一个或多个消息，其中，供电设备对配发给照明器具102的功率进行变更以匹配功率水平220。

该操作例如可以通过照明器具102产生使得管理目标212得到满足的光而结束。在其他示例中，操作可以通过使得置信估计214被显示而结束。

图9图示了基于目标的照明控制器108和支持实体的硬件示图的示例，所述支持实体例如是通信网络910、供电设备920、数据网络110和照明器具102，它们可以实现基于目标的控制系统200、照明系统100或者这两者。基于目标的照明控制器108包括处理器930、存储器940和网络接口950。如上所述，基于目标的照明控制器108可以包括更少的、更多的或者不同的组件。例如，基于目标的照明控制器108可以不包括GUI模块960。存储器940保存实现供处理器930执行的上述逻辑的程序和处理。作为示例，存储器940可以存储实现GUI模块960、目标模块202、预测模型204、自适应模型208和硬件接口模块206的程序逻辑。

系统100和200可以许多不同方式来实现。例如，虽然一些特征被示出为存储在计算机可读存储器中(例如，以被实现为存储器940中的计算机可执行指令或者数据结构的逻辑的形式)，但是系统的全部或者一部分以及系统100和200的逻辑和数据结构可被存储在、分布在、或者读取自其它机器可读介质或者计算机可读存储介质。计算机可读存储介质的示例包括硬盘、软盘、CD-ROM、随机访问存储器(RAM)或者任意其它计算机可读存储装置。

系统100和200可被实现为具有更多的、不同的或者更少的实体。作为一个示例，处理器930可被实现为微处理器、微控制器、DSP、专用集成电路(ASIC)、离散逻辑或者其它类型的电路或逻辑的组合。作为另一个示例，存储器940可以是非易失性的和/或易失性的存储器，例如随机访问存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存、现在已知或者以后发现的任意其它类型的存储器、或者其任意组合。存储器940可以包括光的、磁的(硬盘驱动器)、或者任意其它形式的数据存储设备。

系统100和200的处理能力可以分布在多个实体之间，例如分布在多个处理器和存储器之间，可选地包括多个分布式处理系统。参数、数据库和其它数据结构可被分开来存储和管理，可被结合到单个存储器或数据库中，可以许多不同方式来在逻辑上和物理上进行组织，并且可利用不同类型的数据结构(例如，链接表、散列表、或者隐式存储机制)来实现。诸如程序或电路之类的逻辑可被组合或者拆分到多个程序中，可分布在若干存储器和处理器之间，并且可被实现在库中，例如诸如动态链路库(DLL)之类的共享库。DLL例如可以存储这样的代码，该代码准备了居间映射或者实现了对映射的搜索。作为另一个示例，DLL自身可以提供基于目标的控制系统200的功能性的全部或者一些。此外，各种模块和屏幕显示功能性是且仅是这样的功能性的一个示例，并且包含类似功能性的任意其它配置是可能的。

处理器930可以与存储器940和网络接口950通信。在一个示例中，处理器930还可以与诸如显示器之类的额外元件通信。处理器930可以是一般处理器、中央处理单元、服务器、专用集成电路(ASIC)、数字信号处理器、现场可编程门阵列(FPGA)、数字电路、模拟电路或者其组合。

处理器930可以是如下的一个或多个设备，这一个或多个设备可操作来执行包含在存储器940中或者其它存储器中的计算机可执行指令或者计算机代码以执行基于目标的控制系统200、照明系统100或者二者的特征。计算机代码可以包括可利用处理器930执行的指令。计算机代码可包括嵌入式逻辑。计算机代码可用现在已知或者以后发现的任意计算机语言来编写，例如C++、C#、Java、Pascal、Visual Basic、Perl、超文本标记语言(HTML)、JavaScript、汇编语言、shell脚本、或者其任意组合。计算机代码可以包括源代码和/或编译代码。

网络接口950可以包括使能经由数据网络110和通信网络910的至少一者的通信的硬件或者硬件和软件的组合。网络接口可以提供对网络的物理接入。网络接口950可以包括安装在计算机或其它设备内部的网卡。或者，网络接口950可以包括作为电路板一部分的嵌入式组件、计算机母板、路由器、扩展卡、USB(通用串行总线)设备或者作为任意其它硬件的一部分。在一个示例中，网络接口950在专有网络上操作。

GUI模块960可以是生成或实现GUI 114的任意逻辑。例如，GUI模块960可以包括可由web客户例如从用户计算设备112访问的web服务器和web应用。可替代地或者除此之外，GUI模块960可以包括GUI 114的实现。

此外，虽然描述了新发明的具体组成部分，但是与本发明一致的方法、系统和制品可以包括更多的或者不同的组成部分。例如，处理器可被实现为微处理器、微控制器、专用集成电路(ASIC)、离散逻辑、或者其它类型的电路或逻辑的组合。类似地，存储器可以是DRAM、SRAM、闪存或者任意其它类型的存储器。标志、数据、数据库、表、实体和其它数据结构可被分开来存储和管理，可被结合到单个存储器或数据库中，可以是分布式的，或者可以许多不同方式在逻辑上和物理上进行组织。

用于实现上述处理、方法和/或技术的各个逻辑、软件或指令可被提供在计算机可读介质或存储器或其它有形介质上，例如缓冲器、缓存器、RAM、可移除介质、硬盘驱动器、其它计算机可读存储介质、或者任意其它有形介质或其任意组合。有形介质包括各种类型的易失性和非易失性存储介质。在图中示出或者在本文中描述的功能、动作或任务可响应于存储在计算机可读介质中或上的一个或多个逻辑或指令集而被执行。这些功能、动作或任务是独立于特定类型的指令集、存储介质、处理器或者处理策略的，并且可通过软件、硬件、集成电路、固件、微代码等来执行，单独操作或者组合操作均可。同样地，处理策略可以包括多处理、多任务、并行处理等。在一个实施例中，指令被存储在可移除介质设备上以供本地或者远程系统读取。在其它实施例中，逻辑或指令被存储在远程位置以通过计算机网络或者经由电路线路来传送。在其它实施例中，逻辑或指令被存储在给定计算机、中央处理单元(“CPU”)、图形处理单元(“GPU”)或系统中。

虽然已经描述了本发明的各个实施例，但是本领域普通技术人员将清楚，在本发明的范围内可以有许多其它实施例和实现方式。例如，虽然以上重点强调了照明，但是对于预测模型公式和使用的相同方法可被应用于其它建筑物管理功能，例如HVAC、安全和保安、非照明管理以及替代能源管理。因此，本发明仅受所附权利要求及其等同物的限制。

Claims

1.一种基于目标的照明控制器，该基于目标的照明控制器包括：

网络接口；

照明系统的照明系统模型；

目标模块，该目标模块被配置为接收针对所述照明系统的操作的多个管理目标，这些管理目标不具有针对所述照明系统中包括的多个照明器具的亮度水平设定；

需求模型，该需求模型被配置为将所述管理目标转换为针对所述照明器具中各个相应照明器具的功率水平，其中，所述需求模型基于所述照明系统的照明系统模型来确定所述照明器具中处于所述功率水平的各个相应照明器具的建模操作满足所述管理目标；以及

与所述网络接口通信的硬件接口模块，其中，所述硬件接口模块被配置为使所述照明器具中的各个相应照明器具以所述功率水平操作。

2.根据权利要求1所述的基于目标的照明控制器，其中，所述管理目标包括生产率目标和能耗目标。

3.根据权利要求1所述的基于目标的照明控制器，还包括反向转换模块，该反向转换模块被配置为确定满足所述管理目标中各个管理目标的可能性。

4.根据权利要求1所述的基于目标的照明控制器，还包括反向转换模块，该反向转换模块被配置为基于经由所述硬件接口模块而从所述照明系统中的至少一个传感器接收的传感器数据，来确定所述照明系统针对所述管理目标中各个管理目标的实际性能。

5.根据权利要求1所述的基于目标的照明控制器，其中，所述照明系统的照明系统模型响应于从所述照明系统中的至少一个传感器接收的传感器数据而被更新。

6.根据权利要求1所述的基于目标的照明控制器，其中，所述照明系统的照明系统模型根据被应用于相应目标函数的、针对所述照明器具中每个相应照明器具的功率水平，来确定针对每个所述管理目标的值，并且当从所述相应目标函数生成的值处于每个所述管理目标中包括的范围内时，所述管理目标得到满足。

7.根据权利要求6所述的基于目标的照明控制器，其中，每个所述管理目标中包括的范围基于所述相应目标函数的最大值。

8.一种编码有计算机可执行指令的计算机可读存储介质，所述计算机可执行指令可由处理器执行，所述计算机可读介质包括：

照明系统的至少一个模型，其中，所述照明系统包括多个照明器具；

可被执行来接收多个管理目标的指令，所述管理目标针对所述照明系统的操作；

可被执行来基于所述照明系统的所述至少一个模型来将这些管理目标转换为针对所述照明器具中各个相应照明器具的功率水平的指令，其中，可执行来转换所述管理目标的这些指令还可被执行来确定针对所述照明器具中各个相应照明器具的功率水平，使得针对所述照明系统的经建模操作的管理目标得到满足；以及

可被执行来确定下述可能性的指令：所述照明器具中处于所述功率水平的各个相应照明器具的操作满足所述管理目标的可能性。

9.根据权利要求8所述的计算机可读存储介质，其中，所述照明系统的所述至少一个模型可被执行来预测所述照明器具的、满足所述管理目标的多个未来功率水平。

10.根据权利要求9所述的计算机可读存储介质，还包括可被执行来确定下述可能性的指令：处于所述未来功率水平的照明器具的操作满足所述管理目标的可能性。

11.根据权利要求8所述的计算机可读存储介质，其中，满足所述管理目标中的第一管理目标的可能性的增长使得满足所述管理目标中的第二管理目标的可能性降低。

12.根据权利要求8所述的计算机可读存储介质，其中，所述照明系统的所述至少一个模型包括针对每个所述管理目标的商业模型并包括物理模型和需求模型，其中，所述物理模型包括由所述照明系统照明的物理场所的模型和所述照明系统中的多个设备的模型，所述需求模型可由所述处理器执行，以基于占据者处在所述物理场所中的时间和地点并基于针对所述管理目标中各个相应管理目标的所述至少一个商业模型的输出，来确定所述物理场所对光线所需求的时间和地点。

13.根据权利要求8所述的计算机可读存储介质，其中，所述照明系统的所述至少一个模型包括自适应模型，该自适应模型可由处理器执行以基于在预定时间段中从所述照明系统中的传感器接收的传感器数据来确定至少一个占据者模式，其中，可被执行来转换所述管理目标的指令还可被执行来基于所述至少一个占据者模式来变更对所述管理目标的转换。

14.根据权利要求8所述的计算机可读存储介质，还包括可被执行来响应于从所述照明系统中的传感器和输入设备接收的数据而对所述照明系统的所述至少一个模型进行更新的指令。

15.一种控制照明的由计算机实现的方法，该方法包括：

利用处理器来接收多个管理目标，这些管理目标针对照明系统的操作，并且不含包括针对所述照明系统中的多个照明器具的个体设备控制参数的管理目标；

提供至少一个预测模型，所述至少一个预测模型被配置为将所述管理目标转换为针对所述照明器具中各个相应照明器具的功率水平；

利用所述处理器来将所述管理目标转换为针对所述照明器具中各个相应照明器具的功率水平，其中，对所述管理目标的转换包括对下述情形进行确定：所述至少一个预测模型表明在处于所述功率水平的所述照明器具中各个相应照明器具的经建模操作的情况下所述管理目标得到满足；以及

利用所述处理器来使得以所述功率水平向所述照明器具中的各个相应照明器具供电。

16.根据权利要求15所述的由计算机实现的方法，其中，对所述管理目标的接收包括从图形用户界面接收所述管理目标。

17.根据权利要求15所述的由计算机实现的方法，还包括：利用所述处理器来确定满足所述管理目标的可能性，并使得对满足所述管理目标的可能性进行显示。

18.根据权利要求15所述的由计算机实现的方法，还包括：接收对所述管理目标中至少一者的改变，并针对所述照明器具中的各个相应照明器具将这些管理目标重新转换到更新后的功率水平。

19.根据权利要求15所述的由计算机实现的方法，还包括：

基于从所述照明系统接收的传感器数据来随时间确定至少一个占据模型；

将从所述至少一个占据模型确定的模式日志传输给系统供应商模型；以及

根据从所述系统供应商模型接收的经更新的预测模型，来更新所述至少一个预测模型。

20.根据权利要求15所述的计算机实现方法，其中，所述至少一个预测模型包括美学模型和维护模型。