CN109800862A

CN109800862A - 基于神经网络的灯具利用系数及照明参数计算方法

Info

Publication number: CN109800862A
Application number: CN201910020928.9A
Authority: CN
Inventors: 陆卫忠; 汤烨; 吴宏杰; 黄宏梅
Original assignee: Suzhou University of Science and Technology
Current assignee: Suzhou University of Science and Technology
Priority date: 2019-01-09
Filing date: 2019-01-09
Publication date: 2019-05-24
Anticipated expiration: 2039-01-09
Also published as: CN109800862B

Abstract

本发明涉及一种基于神经网络的灯具利用系数及照明参数计算方法。其主要包括：S100：由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练；S200：将训练完成的BP神经网络模型用于计算灯具的利用系数。上述方法通过训练完毕的BP神经网络模型可计算灯具的利用系数以及相应的照明参数。整个计算过程快捷方便，且计算结果较为准确。

Description

基于神经网络的灯具利用系数及照明参数计算方法

技术领域

本发明涉及灯具的利用系数及照明参数计算方法，特别是涉及基于神经网络的灯具利用系数及照明参数计算方法。

背景技术

照度计算是照明工程中必不可少的重要环节。照度计算的任务是：根据照度标准的要求及其他已知条件(如灯具型式及布置、室内环境条件等)，来确定灯具的数量和光源的功率；或是在灯具形式及布置等都已确定的情况下，计算已知照明系统在被照面上产生的照度，用以校验被照平面上的照度能否达到设计标准的要求；或是在照度和灯具形式及布置等都已确定的情况下，计算可调光灯具的输出光通量，用于可调光灯具的控制。

在室内一般照明系统中，多数场所都要求工作平面上具有较均匀的照度，此时往往是以工作面上的平均照度值为指标来评价照明的数量和质量，因而照度标准中规定的不同场所参考面上的照度推荐值大多是指平均照度。

平均照度的计算通常采用利用系数法(也称为光通法或流明法)。由于利用系数法既要考虑由灯具直接投射到工作平面上的光通量，又要考虑室内多个表面(墙壁、顶棚、地板等)之间光通量的多次反射影响，因此，在符合使用条件的场所下，该方法能得到比较准确的计算结果。

用利用系数法能够在房间特性和照度要求已知的情况下，计算出所需灯具的数量。利用系数法的基本公式如下：

其中，E_av为工作平面上的平均照度，单位为lx；A为工作平面的面积，单位为m²；Φ为每个灯具中光源的总光通量，单位为lm；U为利用系数；K为维护系数。

传统方法中，灯具的利用系数需要根据当前的有效墙面反射比、有效顶棚反射比、有效地板反射比和室空间系数查表获得。查表法中存在的问题如下：

(1)需先根据有效墙面反射比、有效顶棚反射比和室空间系数，在灯具对应的利用系数表中查得地板反射比为0.2时的利用系数，在根据有效墙面反射比、有效顶棚反射比、有效地板反射比和室空间系数，在利用系数修正系数表中查地板反射比不为0.2时的利用系数修正系数，最后将两者相乘，得到最终的利用系数。

(2)表格只提供部分离散的取值，实际使用中需要使用插值法才能得到精确的取值，利用系数表有3个输入参数，至多需要进行7次插值计算，利用系数修正系数表有4个输入参数，至多需要进行15次插值计算，总计至多22次差值计算，差值方法复杂。

发明内容

基于此，有必要针对传统的灯具的利用系数计算方法较为复杂的问题，提供一种基于神经网络的灯具利用系数计算方法。

一种基于神经网络的灯具利用系数计算方法，包括：

S100：由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练；

S200：将训练完成的BP神经网络模型用于计算灯具的利用系数。

上述方法通过训练完毕的BP神经网络模型可计算灯具的利用系数。整个计算过程快捷方便，且计算结果较为准确。

在其中一个实施例中，所述步骤S100中，由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练，具体为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S140：将数据输入模型，计算网络损失函数的均值和平均相对误差率；

S150：更新网络权值和偏置：使用Adam优化方法更新网络权值和偏置；

S160：计算测试数据的相对误差率，若测试数据的相对误差率小于设定阈值或更新次数达到上限，则停止训练，执行步骤S170，否则返回步骤S140；

S170：保存模型结构和当前的网络权值和偏置。

在其中一个实施例中，所述步骤S110中，定义网络模型结构及相关参数，具体为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％。

在其中一个实施例中，所述步骤S140中，将数据输入模型，计算网络损失函数的均值和平均相对误差率，具体为：

网络损失函数为加入了L2正则的均方误差，其计算公式为公式(1)：

其中y为利用系数的真实值，y’为模型的输出结果，W为模型的权值和偏置，λ为正则项系数。

在其中一个实施例中，所述步骤S200中，将训练完成的BP神经网络模型用于计算灯具的利用系数，具体为：

S210：根据灯具型号选取所述BP神经网络模型的参数；

S220：根据照明环境，计算有效墙面反射比、有效地板反射比、有效顶棚反射比和室空间比；

S230：所述可变网络N1用于计算地板反射比为0.2时的初始利用系数，将室空间比、有效墙面反射比和有效顶棚反射比输入可变网络N1,可变网络N1的输出值为地板反射比为0.2时的初始利用系数,

所述固定网络N2用于计算地板反射比不为0.2时的利用系数修正系数，将室空间比、有效墙面反射比、有效顶棚反射比和有效地板反射比输入所述固定网络N2，固定网络N2的输出值为利用系数修正系数；

S240：将初始利用系数与利用系数修正系数相乘得到利用系数。

一种基于神经网络的照明参数计算方法，包括：

S200：将训练完成的BP神经网络模型用于计算灯具的利用系数；

S300：通过所述利用系数计算获得照明参数，所述照明参数为：平均照度、总光通量或灯具数量。

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S170：保存模型结构和当前的网络权值和偏置。

在其中一个实施例中，所述步骤S110中，定义网络模型结构及相关参数，具体为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％；

所述S140中，将数据输入模型，计算网络损失函数的均值和平均相对误差率，具体为：

S210：根据灯具型号选取所述BP神经网络模型的参数；

一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行所述的方法对应的操作。

附图说明

图1为本发明的实施例的基于神经网络的灯具利用系数计算方的流程图。

图2为本发明的实施例的由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练的流程图。

图3为本发明的实施例的将训练完成的BP神经网络模型用于计算灯具的利用系数的流程图。

图4为本发明的实施例的基于神经网络的照明参数计算方法的流程图。

图5为本发明的实施例的可变网络N1和固定网络N2的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，本发明的实施例提供了一种基于神经网络的灯具利用系数计算方法，其包括：

本发明是考虑到灯具的利用系数表是按地板反射比为0.2编制的，若地板反射比的实际值不为0.2，则应查表获得适当的修正系数进行修正，而不同灯具有不同的利用系数表，但所有灯具共用同一个利用系数修正系数表，因此设计了由可变网络N1和固定网络N2并联组成的BP神经网络模型，该模型结构如图5所示。

上述可变网络N1用于计算地板反射比为0.2时的初始利用系数，对于不同型号的灯具，所需的训练数据不同，因此对于不同型号的灯具要分别对可变网络N1进行训练。训练数据来自灯具的利用系数表，一般由灯具生产商提供。可变网络N1的输入数据为室形指数、墙面反射比和顶棚反射比，输出数据为地板反射比为0.2时的初始利用系数。

上述固定网络N2用于计算地板反射比不为0.2时的利用系数修正系数，固定网络N2的训练数据来自灯具的利用系数修正系数表，适用于所有灯具。因此，固定网络N2不需重复训练，训练完成后的固定网络N2适用于所有灯具。固定网络N2的输入数据为室形指数、墙面反射比、顶棚反射比和地板反射比，输出数据为利用系数修正系数。

最后可将可变网络N1和固定网络N2的输出结果相乘，可得利用系数。在应用中，针对不同型号的灯具，只需训练不同的可变网络N1，不需要重复训练固定网络N2。训练完成后，将不同的可变网络N1和固定网络N2组合，便可以得到可用于计算不同型号灯具利用系数的网络模型。

具体的，如图2所示，所述步骤S100可为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S170：保存模型结构和当前的网络权值和偏置。

本实施例中，所述步骤S110具体包括：

可变网络N1具有两个隐藏层，固定网络N2具有两个隐藏层，更新次数上限为100000次，相对误差率阈值为4％，使用交叉验证和控制变量法选择模型超参数，各超参数的备选值如下：

可变网络N1和固定网络N2的隐藏层的节点个数：6～10；

相应的激活函数：sigmoid、tanh、ReLU；

学习率：0.5、0.1、0.05、0.01、0.001、0.0001；

正则系数：0.01、0.001、0.0001、0.00001、0.000001。

优选方案为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％。

本实施例中，步骤S120中，数据归一化：将各输入特征归一化到相同的区间[0,1]，可通过公式(2)实现：

其中，A表示样本中同一输入特征的所有数据，a表示属于A的单个数据归一化之前的值，a’表示其归一化以后的值。

本实施例中，所述步骤S140具体可为：

其中y为利用系数的真实值，y’为模型的输出结果，W为模型的权值和偏置，λ为正则项系数，用于控制权值大小，减少过拟合。

本实施例中，所述步骤S150具体可为：

更新网络权值和偏置：使用Adam优化方法更新网络权值和偏置，具体应用的更新公式如公式(3)至公式(7)所示：

t＝t+1 (3)，

m_t＝β₁m_t-1+(1-β₁)g_t (5)，

其中t为更新次数，θ_t-1为待更新参数；α为学习率；g_t为随机目标函数的梯度；m_t为偏一阶矩估计，m₀＝0；v_t为偏二阶矩估计，v₀＝0；β₁和β₂为矩估计的指数衰减率；ε为小正数；除学习率外参数均使用TensorFlow框架中设置的默认值，分别为β₁＝0.9，β₂＝0.999，ε＝10^-8。

本实施例中，步骤S160中，计算测试数据的相对误差率，可通过公式(8)实现：

其中，re为相对误差率，y为利用系数的真实值，y’为模型的输出结果。

本实施例中，步骤S170中，保存模型结构和当前的网络权值和偏置，这样可供后续计算使用。

具体的，如图3所示，所述步骤S200中，将训练完成的BP神经网络模型用于计算灯具的利用系数，可为：

S210：根据灯具型号选取所述BP神经网络模型的参数，例如，选取可变网络N1和固定网络N2的权值和偏置；

本发明的计算方法与传统的查表法相比，其显著优点是：1)省去查表过程，在保证计算准确的前提下简化计算，测试数据计算结果如下表1所示；2)当输入值不是表格格点时，不需要频繁使用插值法计算准确的利用系数值；3)固定网络N2只需训练一次，对于不同的灯具，只需训练不同的可变网络N1，训练完成后，将不同的可变网络N1和固定网络N2组合，可得到用于计算不同型号灯具利用系数的模型。

表1测试结果

如图4所示，本发明的实施例还提供了一种基于神经网络的照明参数计算方法，包括：

需要说明的是，上述照明参数可通过现有的计算公式计算得出。这里就不再赘述。

上述步骤S100和步骤S200与上述灯具的利用系数的计算方法中的相应步骤相同。

本发明的实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行所述的方法对应的操作。也就是可执行指令可使处理器执行上述的灯具的利用系数计算方法对应的操作，或者可执行指令可使处理器执行上述的照明参数的计算方法对应的操作。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于神经网络的灯具利用系数计算方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S100中，由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练，具体为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S170：保存模型结构和当前的网络权值和偏置。

3.根据权利要求2所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S110中，定义网络模型结构及相关参数，具体为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％。

4.根据权利要求2所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S140中，将数据输入模型，计算网络损失函数的均值和平均相对误差率，具体为：

5.根据权利要求1所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S200中，将训练完成的BP神经网络模型用于计算灯具的利用系数，具体为：

S210：根据灯具型号选取所述BP神经网络模型的参数；

6.一种基于神经网络的照明参数计算方法，其特征在于，包括：

7.根据权利要求6所述的基于神经网络的照明参数计算方法，其特征在于，所述步骤S100中，由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练，具体为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S170：保存模型结构和当前的网络权值和偏置。

8.根据权利要求7所述的基于神经网络的照明参数计算方法，其特征在于，所述步骤S110中，定义网络模型结构及相关参数，具体为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％；

9.根据权利要求6所述的基于神经网络的照明参数计算方法，其特征在于，所述步骤S200中，将训练完成的BP神经网络模型用于计算灯具的利用系数，具体为：

S210：根据灯具型号选取所述BP神经网络模型的参数；

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1至9中任意一项所述的方法对应的操作。