CN104517163A - 一种路灯布局优化方法 - Google Patents

Abstract

本发明公开了一种路灯布局优化的方法，涉及道路照明领域，该方法步骤如下：首先是场景的建模(道路建模、路灯建模)；其次照明要求建模；最后是参数优化算法设计。本方法通过对场景的建模，对设计目标及各种约束条件进行数学描述，将路灯优化布局问题转化为一个非线性约束优化问题；最后通过优化算法确定在满足目标要求的条件下路灯的优化布局。本发明提出的方法可以为大部分路段提供快速科学的布灯依据。

Description

一种路灯布局优化方法

技术领域

本发明涉及道路照明领域，尤其是路灯布局优化方法。

背景技术

随着城市建设步伐的加快，交通领域的道路建设倍受重视，其中，道路照明显得越来越重要。随着“十城万盏”项目在全国的实施，路灯将布满每一条街道。由于对路灯大量的需求，进而出现了许多在路灯样式，节能性，以及照明性方面的研究。但是目前在路灯布局方面的研究却很少，现在大部分路灯安置都依靠工程人员的经验，粗略或者简单的测量进行。这样的方式会消耗大量的成本。

发明内容

本发明的目的是：提供一种路灯的优化布局方法，该方法能很好的克服现有布局中主要依靠人工经验，缺乏全局考虑等缺点，并在满足道路照明要求的前提下，为路灯安置提供一种科学可靠的依据。

本发明是这样实现的：

A照明场景建模；

B照明要求建模；

C参数优化算法设计；

进一步，所述步骤A还包括了：

A1道路建模；

A2路灯建模；

进一步，所述A1道路建模，是指根据规定的道路宽度，相应路宽下允许布灯的方式。所述道路宽度由车道数确定，布灯方式包括：单侧布置、交错布置、双边对称布置。

进一步，所述A2路灯建模，是指根据道路建模所述条件下，一定区域内路灯的数量，每个路灯所需的最低光通量，每个路灯的单价，路灯的间距，路灯的灯高，路灯的仰角，路灯灯型。所述每个路灯所需的最低光通量和所述单价之间存在一定的对应关系；所述路灯灯型主要考虑道路上眩光要求。

进一步，所述步骤B照明要求建模包括：

B1设计目标的描述；

B2约束条件的描述。

进一步，所述A2路灯建模，是指根据道路建模所述条件下，一定区域内路灯的数量，每个路灯所需的最低光通量，每个路灯的单价，路灯的间距，路灯的灯高。所述路灯灯型主要考虑道路上眩光要求。

进一步，所述步骤B照明要求建模包括：

B1设计目标的描述；

B2约束条件的描述。

进一步，所述B1设计目标的描述，是指整个设计预期所达到的目标，本发明选择一定区域内的路灯数量最小化为目标。

进一步，所述B2约束条件的描述，是指设计过程中为了满足要求而限定的条件，如：要求满足一定的路宽和灯高的比，一定的灯高和间距的比，满足区域内平均照度要求，满足照度均匀度要求。

进一步，所述步骤C参数优化算法设计，是指对上述步骤A和步骤B所述的变量参数进行优化选定并按照一定的优化算法计算的过程。

本发明的优点在于：

本发明可以为机动车道路上的路灯布置提供一个优化布局的方案，使得我们只需要给定道路的简单情况，就能获取路灯在一定区域内路灯数量最小化目标下的布局，同时这样的布局还可以满足各种新型LED灯具在道路上的使用，使路灯在布置上能有一个科学的依据。

附图说明

图1常规路灯布置方式

图2单侧布置路灯建模示意图

图3粒子群优化算法流程图

图4本发明的路灯优化布局流程图

具体实施方式

为了更好的展示本发明的目的、技术方案及优点，下面结合附图表及具体实施方案对本发明的一种路灯布局优化方法进行进一步的详细说明。应当理解，此处所描述的具体实施方案仅仅用于解释本发明，并不用于限定本发明。

本发明中所述的约束条件是用来对目标布局进行描述的，其中包括平均照度，以及照度均匀度需要满足的条件。

下面详细描述本发明的路灯布局优化方法：

第一步，道路建模选择图1中a、b、c的3种布灯方式，所述方式a为单侧布灯方式，所述方式b为双侧交错布灯方式，所述方式c为双侧对称布灯方式。其中1为侧视图中的路灯，2为道路俯视图中的路灯。

在道路级别方面分为快速路、主干路、次干路、支路。这里选择道路以主干路为例。

第二步，路灯建模如图2所示，以单侧布置为例，图中H为灯高，S为路灯的间距，W为道路宽度，X表示照度最弱区域。其中单个路灯照射面上的光照强度符合高斯分布(即中线区域最强边缘区域渐弱)。

灯具选择方面对应不同道路级别进行选取，这里选取截光型灯具为例。

第三步，在道路建模和路灯建模照明确定之后，本次发明要求道路照明满足平均照度和照度均匀度两个指标。

要实现的目标是在一定区域布灯数量最小化：

min(N)                    (1)

其中N为一定区域的路灯个数。

$N=\frac{P*n}{s}---\left(2\right)$

其中P为所选路段的长度取200m，n为1(单侧布置)。

约束条件：

$E_{\mathrm{av}}=\frac{F*U*k*n}{W*S}\≥m---\left(3\right)$

其中E_av是平均照度，F是光通量，U是利用系数，k为维护系数取0.7，n为1(单侧布置)，W为道路宽度，S为路灯间距，m为相应道路所要求的平均照度值取30Lx。

$U=0.4*\frac{W}{H}+0.3---\left(4\right)$

其中U是利用系数。

$U_B=\frac{E_{\min }}{E_{\mathrm{av}}}=\frac{I_{\mathrm{\θ}}*H}{r^3*m}\≥0.4---\left(5\right)$

其中U_B为照度均匀度，E_min是区域最小照度，E_av是平均照度，I_θ为该区域的光强(确定值)，r为灯到照度最弱区域的距离，m为相应道路所要求的平均照度值取30Lx。

边界条件：

H≥W            (6)

S≤3H         (7)

其中H为灯高，W为道路宽度，S为间距。

第四步，建立优化算法，将等式(2)带入到等式(1)中整理得：

$f=\min \left(\frac{200}{s}\right)---\left(8\right)$

模型等效为求S的最大值问题。由于问题属于非线性约束问题，所以采用粒子群算法来求的最优解，虽然目标函数只有一个变量但约束中S和H存在对应关系，所以实际是确定S和H两个变量。

在粒子群算法中每一个解都是一个粒子，每一个粒子都有一个优化函数所决定的适应度以评价该粒子当前位置的优劣。首先要对粒子位置进行初始化，并让粒子在搜索空间中以一定的速度飞行，最后粒子通过迭代找到最优解。

具体对应如下：

首先把灯高H和间距S确定为位置向量X1和X2，当前位置为：X_i＝(X₁，X₂)经过k次迭代后的位置为: $X_I^K=(X_1^K,X_2^K)$

适应度函数取为等式(8)，通过判断成本的高低来衡量是否是最优位置。

每一个粒子都有一个速度，即H和S每一次迭代的变化方向和变化大小，当前速度为：V_i＝(V₁，V₂)，速度大小由相关约束条件决定等式(3～7)来规定H和S的变化方向和变化区间。其迭代k次之后的速度为：

迭代公式：

$V_i^{k+1}=\mathrm{\ω}{V}_i^k+c_1{r}_1(P_i^k-X_i^k)+c_2{r}_2(P_g^k-X_i^k)---\left(10\right)$

$X_I^{K+1}=X_i^K+V_i^{K+1}---\left(11\right)$

其中P_i是第i个粒子所找到的当前最佳位置(即个体最优解)，P_g是在整个粒子群里目前所找到的最优解。r1和r2是[0,1]之间的随机数，c1和c2被称作学习因子，通常取c1＝c2＝2，ω为加权系数，一般取值在0.1～0.9之间。粒子群优化算法在运行过程中，粒子速度每一维的取值不能超过最大允许值，粒子位置每一维的坐标也限制在允许范围内。通过不断更新，最终输出P_g,得到算法的最优解(即满足约束条件下的S和H)。终止条件设置为到达最大迭代次数T，其值设置为10次。

所述粒子群算法流程图如图3所示。

Claims (8)

1.一种路灯布局优化方法，其特征在于：包括：

A.照明场景建模；

B.照明要求建模；

C.参数优化算法设计。

2.根据权利要求1所述一种路灯布局优化方法，其特征在于:所述的照明场景建模，包括：

A1道路建模；

A2路灯建模。

3.根据权利要求2所述一种路灯布局优化方法，其特征在于：所述道路建模是指根据规定的道路宽度，相应宽度下允许布灯的方式。

4.根据权利要求2所述一种路灯布局优化方法，其特征在于：所述路灯建模A2是指根据道路建模所述条件下，一定区域内路灯的数量，每个路灯所需的最低光通量，每个路灯的单价，路灯的间距，路灯的灯高。

5.根据权利要求1所述一种路灯布局优化方法，其特征在于：所述照明要求建模包括：

B1设计目标的描述；

B2约束条件的描述。

6.根据权利要求5所述一种路灯布局优化方法，其特征在于：所述设计目标的描述是指整个设计预期所达到的一定区域的路灯数量最小化的目标。

7.根据权利要求5所述一种路灯布局优化方法，其特征在于：所述约束条件的描述是指满足要求而限定的条件。

8.根据权利要求1所述一种路灯布局优化方法，其特征在于:所述参数优化算法设计是指对所述目标描述和约束条件中的参数进行一种算法优化，最终得出路灯的位置优化解。