CN110334387B - 一种基于bp神经网络算法的室内光照预估方法 - Google Patents

Abstract

本发明涉及一种基于BP神经网络算法的室内光照预估方法，属于智能算法技术领域。该方法包括以下步骤：S1：对通过传统公式计算和传感器得到的参数进行分析，得到BP神经网络输入参数与训练模型；S2：基于光通传递函数矩阵模型，利用LED光通量计算得到所需室内照度；S3：将n个光源的照度线性叠加，计算对应点的照度并依据逐次逼近规则，反向逼近获得灯的光通量，获取计算点位的照度；S4：利用BP神经网络模型预测的自然光在室内工作面多个点位的照度数据，计算出需要补偿的照度。本方法能够在不同季节下充分利用自然光照的情况下，通过补光满足寻求节能、节约和舒适这三个需求之间最大的平衡。

Description

一种基于BP神经网络算法的室内光照预估方法

技术领域

本发明属于节能环保技术领域，特别是绿色照明中的智能算法领域，涉及一种基于BP神经网络算法的室内光照预估方法。

背景技术

随着我国社会经济的快速发展，社会的用电量不断地攀升。根据统计，在我国照明占据家庭用电量的10％，占据商业建筑用电量的30％以上。建筑照明的电力资源消耗是我国能源消耗的主要组成部分之一。为了提升对电力资源的有效利用率，有必要研究更绿色的照明方案。

照明方案的绿色体现在其满足节能性、节约性和舒适性这三个需求。节能性是指其相对于传统方案，消耗更少的电力资源，降低建筑照明能耗；节约性是指照明方案消耗更少的人力物力资源；舒适性是指提升照明的舒适度，提升室内均匀度，减少眩光。然而，目前行业中的绿色照明解决方案大都不能在这三方面进行很好的平衡，往往只能是满足其中一项或两项指标的要求，因此目前在绿色照明领域急需一种能够充分平衡这三个需求的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于BP神经网络算法的室内光照预估方法，该方法基于BP神经网络算法，实现室内光照预估，能够在不同季节下充分利用自然光照的情况下，通过补光满足寻求节能、节约和舒适这三个需求之间最大的平衡；对提升电力资源的有效利用率，满足节能性、节约性和舒适性具有重要意义。

为达到上述目的，本发明提供如下技术方案：

一种基于BP神经网络算法的室内光照预估方法，该方法包括以下步骤：

S1：对通过传统公式计算和传感器得到的参数进行分析，得到BP神经网络输入参数与训练模型；

S2：基于光通传递函数矩阵模型，利用LED光通量计算得到所需室内照度；

S3：将n个光源的照度线性叠加，计算对应点的照度并依据逐次逼近规则，反向逼近获得灯的光通量，获取计算点位的照度；

S4：利用BP神经网络模型预测的自然光在室内工作面多个点位的照度数据，计算出需要补偿的照度。

进一步，在步骤S1中，所述BP神经网络采用三层结构的BP神经网络模型，包含输入层、隐含层和输出层，相邻的两层之间的神经元彼此相连，且有一个对应的连接权值；该BP神经网络输入参数包括：太阳方位角α_s、太阳高度角γ_s、窗口对预测点的张角Ω_i、预测点与窗口中心的点连线的高度角γ_i、预测点与窗口中心的点连线的方向角α_i和百叶窗角度β，其中百叶窗角度β由测量得到。

进一步，在步骤S1中，太阳的方位角α_s和高度角γ_s，其计算公式为：

γ_s＝sin^-1(sinΦ·sinδ+cosφ·cosδ·cost) (1)

其中：φ指的是该地纬度，北纬为正值，南纬为负值；δ指太阳赤纬角，是地球赤道平面与太阳和地球中心的连线之间的夹角，即太阳直射点的纬度值；t为太阳时角，时角在正午时为0，日出时为-90°，日落时为+90°，t＝(真太阳时-12)x15°；h表示太阳高度角，即太阳入射方向与地平面间的夹角。

进一步，在步骤S1中，所述的预测点与窗口中心的点连线的高度角γ_i、预测点与窗口中心的点连线的方向角α_i和窗户对预测点的张角Ω_i，其计算公式分别如下：

其中：以房间建立三维笛卡尔坐标系x轴-y轴-z轴，z为窗口中心点z轴方向上的投影长度，z_i为预测点在z轴方向上的投影长度，x为窗口中心点在x轴方向上的投影长度，x_i为预测点在x轴方向上的投影长度，y为窗口中心点在y轴方向上的投影长度，y_i为预测点在y轴方向上的投影长度，α为某一天空面元的天顶角度的方位角；A为窗口的面积；d_i为预测点到窗口中心点的距离；ε_i为光线和窗户法线的夹角；

其中，d_i的计算公式为：

ε_i的计算公式为：

进一步，在步骤S1中，确定输入参数后，进行隐含层节点数的确定，根据隐含层节点数确定BP神经网络的结构，按如下公式获得隐含层节点数n_h：

其中：n_i和n₀分别为输入层结点数和输出层结点数，c为1到10之间的常整数；

确定隐含层节点数，根据仿真软件收集训练样本与数据，获得BP神经网络的训练模型。

进一步，在步骤S2中，建立灯光光通量和照度之间的关系模型，通过获取照度计算点的照度向量和光通量向量，计算得到光通传递函数矩阵模型；

假设工作面照度计算点个数为n，室内灯具个数为m，则有关系式如下：

公式E＝G·Φ中，E为工作面照度计算点的照度向量，G为光通传递函数矩阵，G_ij称为灯具j对照度观测点i的光通传递函数，G由光源位置唯一确定，不会随着输出光源的变化而变化；Φ为室内灯具光通量向量，表示灯具j的单位光出射度在照度观测点i上形成的照度；G_ij是唯一确定的，通过下式算出：

G＝E·Φ^T·(Φ·Φ^T)^-1 (10)

进一步，在步骤S3和S4中，设置n个照度计算点，任何一个计算点的照度由n个光源线性叠加，通过将n个光源的照度叠加在一起，计算对应点的照度如下：

在上式中，E表示对应点的照度，E_i表示第i个光源；

推算灯光光通量：采用逐次逼近规则，由补光光照度需求推算得到灯光光通量，该逐次逼近规则如下：

其总共有三层循环，通过补光需求值a[i]，灯光光通量b[i]，补光光通量c[n][n]，首先通过c[n][n]求得a[i]照度的二分之对应的b[i]光通量；然后由b[i]产生的光照度，更新a[1]-a[n]，建立新的a[i]光照需求，此为内层循环；内存循环结束后，b[i]变为b[i+1]，重复上述步骤，此为外层循环；当外层循环结束后，即所有灯都增加了一次光通量，此时n累计加1。

本发明的有益效果在于：本发明提出的方法可以提升对电力资源的有效利用率，能够在不同季节下充分利用自然光照的情况下，通过补光满足寻求节能、节约和舒适这三个需求之间最大的平衡；对提升电力资源的有效利用率，满足节能性、节约性和舒适性具有重要意义。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述方法的流程示意图；

图2为BP神经网络结构图；

图3为神经网络照度预测点的位置示意图；

图4为逐次逼近循环流程示意图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细阐述。

图1为本发明所述方法的流程示意图，如图所示，本发明提供的基于BP神经网络算法的室内光照预估方法包括以下步骤：

S1：对通过传统公式计算和传感器得到的参数进行分析，得到BP神经网络输入参数与训练模型；

S2：基于光通传递函数矩阵模型，利用LED光通量计算得到所需室内照度；

S3：将n个光源的照度线性叠加，计算对应点的照度并依据逐次逼近规则，反向逼近获得灯的光通量，获取计算点位的照度；

S4：利用BP神经网络模型预测的自然光在室内工作面多个点位的照度数据，计算出需要补偿的照度。

具体来说：

在步骤S1中，BP神经网络属于多层前向神经网络，其模型如图2所示。图2中所展示的是一个三层结构的BP神经网络模型，包含输入层、隐含层和输出层，相邻的两层之间的神经元彼此相连，且有一个对应的连接权值。

首先进行BP神经网络输入参数的确定。通过计算和测量得可得到的神经网络6个输入参数分别为：太阳方位角α_s、太阳高度角γ_s、窗口对预测点的张角Ω_i、预测点与窗口中心的点连线的高度角γ_i、预测点与窗口中心的点连线的方向角α_i和百叶窗角度β。其中百叶窗角度可以测量得到，其余由以下公式求得。

太阳的方位角α_s和高度角γ_s，其计算公式为：

γ_s＝sin^-1(sinφ·sinδ+cosφ·cosδ·cos t) (1)

式(1)中，φ指的是该地纬度(北纬为正值，南纬为负值)；δ指太阳赤纬角，是地球赤道平面与太阳和地球中心的连线之间的夹角，即太阳直射点的纬度值。式(2)中，h表示太阳高度角，即太阳入射方向与地平面间的夹角。

与窗口中心的点连线的高度角γ、预测点与窗口中心的点连线的方向角α和窗户对预测点的张角Ω_i，其计算公式分别如下：

以房间建立三维笛卡尔坐标系x轴-y轴-z轴，式(3)中z为窗口中心点z轴方向上的投影长度；式(5)中，A为窗口的面积；d_i为预测点到窗口中心点的距离；ε_i为光线和窗户法线的夹角。

在式(5)中，d_i的计算公式为：

在式(5)中，ε_i的计算公式为：

确定输入参数后，进行隐含节点数的确定。本实施例中，BP神经网络结构的确定主要取决于隐含层数和隐含层神经元数的确定。隐层神经元数目过多容易出现过拟合，数目过少则无法达到逼近性能的要求。按如下经验公式获得隐含层节点数。

式(8)中，n_i和n₀分别为输入层结点数和输出层结点数，c为1到10之间的常整数。

确定隐含节点数后，根据仿真软件收集训练样本与数据，获得BP神经网络的训练模型。且为了验证BP神经网络计算室内天然光照度的有效性，本实施例设计用仿真软件获取训练样本。可构建如图3所示的室内预测点分布图，将工作面高度设置为b米，两预测点间距离为a米，图3为神经网络照度预测点的位置示意图。

进行仿真获取训练样本，本实施例利用MATLAB的神经网络工具箱对神经网络进行训练，主要有以下几点需要选择和设置。首先进行数据归一化，使得输入6个参数对应数据使归一化到[-11]之间；其次，隐层采用Sigmoid激励函数，对应区间在(0,1)时，函数是非线性光滑递增，输出层对值域扩展，选用purelin函数；最后在Matlab的神经网络工具箱中的Train function设置为TRAINLM，Adaption learning function设置为LERANGDM，隐藏层节点的Transfer Function设置为TANSIG,输出层节点为PURELIN。基于以上步骤，得到BP神经网络的训练模型，输出为预测点对应的照度，进而得到室内自然光照度的实际分布。

基于光通传递函数矩阵模型，利用LED光通量计算得到所需室内照度：

办公环境工作面的标准照度为ESlx，减去预测的自然光照度，则是人工照明需要补偿的照度。因此，本方法将建立灯光光通量和照度之间的关系模型。通过获取照度计算点的照度向量和光通量向量，计算得到光通传递函数矩阵模型。

假设工作面照度计算点个数为n，室内灯具个数为m，则有关系式如下：

公式E＝G·Φ中，E为工作面照度计算点的照度向量，G为光通传递函数矩阵，G_ij称为灯具j对照度观测点i的光通传递函数，G由光源位置唯一确定，不会随着输出光源的变化而变化。Φ为室内灯具光通量向量。它表示灯具j的单位光出射度在照度观测点i上形成的照度。

G_ij是唯一确定的，可以通过下式可以算出：

G＝E·Φ^T·(Φ·Φ^T)^-1 (10)

通常为了准备控光，保证矩阵的解存在，一般选择的灯具出射角较小。

将n个光源的照度线性叠加，计算对应点的照度并依据逐次逼近规则，反向逼近获得灯的光通量，获取计算点位的照度。利用BP神经网络模型预测的自然光在室内工作面多个点位的照度数据并且计算出需要补偿的照度。

通过利用光通传递函数矩阵法仿真实验分析可知，其适合运用在射灯等耦合系数较小的场合，适合由灯的光通量推导出任意点位的照度，不适合反向计算。光通传递函数矩阵法表明了，在光源位置确定的情况下，光通传递函数矩阵是唯一确定的，不会随着输出光源的变化而变化。即只要光源位置不变，某点的照度随着光源的光通量线性变化。因此，基于以上分析，此步骤将完成在光通传递函数唯一确定的情况下，由所需补光光照强度反向推算出灯光光通量。

补光光照强度确定：设置n个照度计算点，任何一个计算点的照度可以由n个光源线性叠加。因此可以通过将n个光源的照度叠加在一起，计算对应点的照度如下：

在上式中，E表示对应点的照度，Ei表示第i个光源。

推算灯光光通量：采用逐次逼近规则，由补光光照度需求推算得到灯光光通量。该逐次逼近规则如下：

其总共有三层循环，a[i]为补光需求值，b[i]为灯光光通量，c[n][n]为补光光通量。首先通过c[n][n]求得a[i]照度的二分之对应的b[i]光通量。然后由b[i]产生的光照度，更新a[1]-a[n]，建立新的a[i]光照需求，此为内层循环。内存循环结束后，b[i]变为b[i+1]，重复上述步骤，此为外层循环。当外层循环结束后，即所有灯都增加了一次光通量。此时n累计加1。根据精度要求，可设置循环次数。其流程如图4所示。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于BP神经网络算法的室内光照预估方法，其特征在于：该方法包括以下步骤：

S1：对通过传统公式计算和传感器得到的参数进行分析，得到BP神经网络输入参数与训练模型；

S2：基于光通传递函数矩阵模型，利用LED光通量计算得到所需室内照度；

S3：将n个光源的照度线性叠加，计算对应点的照度并依据逐次逼近规则，反向逼近获得灯的光通量，获取计算点位的照度；利用BP神经网络模型预测的自然光在室内工作面多个点位的照度数据，计算出需要补偿的照度；具体如下：

设置n个照度计算点，任何一个计算点的照度由n个光源线性叠加，通过将n个光源的照度叠加在一起，计算对应点的照度如下：

在上式中，E表示对应点的照度，E_i表示第i个光源；

推算灯光光通量：采用逐次逼近规则，由补光光照度需求推算得到灯光光通量，该逐次逼近规则如下：

其总共有三层循环，通过补光需求值a[i]，灯光光通量b[i]，补光光通量c[n][n]，首先通过c[n][n]求得a[i]照度的二分之对应的b[i]光通量；然后由b[i]产生的光照度，更新a[1]-a[n]，建立新的a[i]光照需求，此为内层循环；内存循环结束后，b[i]变为b[i+1]，重复上述步骤，此为外层循环；当外层循环结束后，即所有灯都增加了一次光通量，此时n累计加1。

2.根据权利要求1所述的基于BP神经网络算法的室内光照预估方法，其特征在于：在步骤S1中，所述BP神经网络采用三层结构的BP神经网络模型，包含输入层、隐含层和输出层，相邻的两层之间的神经元彼此相连，且有一个对应的连接权值；该BP神经网络输入参数包括：太阳方位角α_s、太阳高度角γ_s、窗口对预测点的张角Ω_i、预测点与窗口中心的点连线的高度角γ_i、预测点与窗口中心的点连线的方向角α_i和百叶窗角度β，其中百叶窗角度β由测量得到。

3.根据权利要求2所述的基于BP神经网络算法的室内光照预估方法，其特征在于：在步骤S1中，太阳的方位角α_s和高度角γ_s，其计算公式为：

γ_s＝sin^-1(sinφ·sinδ+cosφ·cosδ·cost) (1)

其中：φ指的是该地纬度，北纬为正值，南纬为负值；δ指太阳赤纬角，是地球赤道平面与太阳和地球中心的连线之间的夹角，即太阳直射点的纬度值；t为太阳时角，时角在正午时为0，日出时为-90°，日落时为+90°，t＝(真太阳时-12)x15°；h示太阳高度角，即太阳入射方向与地平面间的夹角。

4.根据权利要求3所述的基于BP神经网络算法的室内光照预估方法，其特征在于：在步骤S1中，所述的预测点与窗口中心的点连线的高度角γ_i、预测点与窗口中心的点连线的方向角α_i和窗户对预测点的张角Ω_i，其计算公式分别如下：

其中：以房间建立三维笛卡尔坐标系x轴-y轴-z轴，z为窗口中心点z轴方向上的投影长度，z_i为预测点在z轴方向上的投影长度，x为窗口中心点在x轴方向上的投影长度，x_i为预测点在x轴方向上的投影长度，y为窗口中心点在y轴方向上的投影长度，y_i为预测点在y轴方向上的投影长度，α为某一天空面元的天顶角度的方位角；A为窗口的面积；d_i为预测点到窗口中心点的距离；ε_i为光线和窗户法线的夹角；

其中，d_i的计算公式为：

ε_i的计算公式为：

5.根据权利要求4所述的基于BP神经网络算法的室内光照预估方法，其特征在于：在步骤S1中，确定输入参数后，进行隐含层节点数的确定，根据隐含层节点数确定BP神经网络的结构，按如下公式获得隐含层节点数n_h：

其中：n_i和n₀分别为输入层结点数和输出层结点数，c为1到10之间的常整数；

确定隐含层节点数，根据仿真软件收集训练样本与数据，获得BP神经网络的训练模型。

6.根据权利要求5所述的基于BP神经网络算法的室内光照预估方法，其特征在于：在步骤S2中，建立灯光光通量和照度之间的关系模型，通过获取照度计算点的照度向量和光通量向量，计算得到光通传递函数矩阵模型；

假设工作面照度计算点个数为n，室内灯具个数为m，则有关系式如下：

公式E＝G·Φ中，E为工作面照度计算点的照度向量，G为光通传递函数矩阵，G_ij称为灯具j对照度观测点i的光通传递函数，G由光源位置唯一确定，不会随着输出光源的变化而变化；Φ为室内灯具光通量向量，表示灯具j的单位光出射度在照度观测点i上形成的照度；G_ij是唯一确定的，通过下式算出：

G＝E·Φ^T·(Φ·Φ^T)^-1 (10)。

Images