CN112070332A - 满足光舒适的教室照明节能评价模型及照明系统控制算法 - Google Patents
满足光舒适的教室照明节能评价模型及照明系统控制算法 Download PDFInfo
- Publication number
- CN112070332A CN112070332A CN201910501593.2A CN201910501593A CN112070332A CN 112070332 A CN112070332 A CN 112070332A CN 201910501593 A CN201910501593 A CN 201910501593A CN 112070332 A CN112070332 A CN 112070332A
- Authority
- CN
- China
- Prior art keywords
- illumination
- light environment
- evaluation model
- color temperature
- comfort level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 152
- 238000013210 evaluation model Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000002596 correlated effect Effects 0.000 claims abstract description 44
- 238000005192 partition Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 34
- 238000002474 experimental method Methods 0.000 abstract description 20
- 230000000007 visual effect Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004313 glare Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请满足光舒适的教室照明节能评价模型及照明系统控制算法，依托全尺寸可调照明实验舱，在该实验舱中通过布置照明模块、隔墙搭建以及场景布置，还原教室照明环境，并召集被试者进行照明环境主观评价实验，针对不同光照强度与相关色温进行黑板面阅读、桌面阅读、投影面阅读的视觉舒适度主观评价实验。实验过程中准确记录各工况下的主要光环境参数以及被试者的视觉舒适度评分情况。依据评价模型对光环境参数进行预测分类，通过matplotlib进行模型分类界面可视化，提取满足舒适度等级下实现节能的光环境参数值，拟合成多项式函数作为智能照明算法。
Description
技术领域
本发明属于建筑照明领域，特别是涉及一种满足光舒适的教室照明节能评价模型及照明系统控制算法。
背景技术
人工照明能耗约占公共建筑总能耗的20％-30％，照明节能措施成为当今建筑设计必须考虑的因素之一。但是降低照明能耗不能以牺牲视觉舒适度和视觉功效为代价，必须在保证照明环境中具有合适的照度、相关色温、照度均匀度的前提下进行节能，尤其对于光环境要求较高的教室建筑，其光环境的优劣直接影响学生的视觉健康和学习效果。因此室内照明中如何权衡照明能耗和照明质量，成为教室照明设计的关键。
目前与本申请最接近的现有专利如下：
(1)一种无线照明控制系统及智能照明装置(CN201410065432.0)，包括初始化控制器、智能照明网桥和智能照明装置；在智能照明网桥内设置一个TCP/IP Webserver微控制单元并连接至路由器，将智能照明网桥作为TCP/IP的网络服务器；同时将ZigBee协调器微控制单元置于智能照明网桥内，集成度高；更为关键的是增加一个初始化控制器，此设备可在ZigBee信号覆盖范围内以优先级高于智能照明网桥的方式控制该ZigBee无线模块所属的智能装置，配合智能网桥上ZigBee网络设备功能按键和TCP/IP网络设备功能按键，通过特殊的系统网络处理机制巧妙地解决了当智能照明网桥失效后智能照明设备无法选择性地加入新网络的缺陷。
该发明旨在提出一种无线照明控制系统及智能照明装置，并未提出对特定场景或行为模式下的光环境舒适度评价研究方法，也没有建立相关光环经舒适度评价模型。
(2)一种智能照明控制系统(CN201620605421.1)，包括智能照明控制器、智能照明扩展箱、多个照明回路和两个被控照明电源箱，被控照明电源箱包括主进线开关、零线铜排和地线铜排，其中一被控照明电源箱的主进线开关与智能照明控制器的L端口连接，零线铜排与智能照明控制器的N端口连接，地线铜排与智能照明控制器的E端口连接；另一被控照明电源箱的主进线开关与智能照明扩展箱的L端口连接，零线铜排与智能照明扩展箱的N端口连接，地线铜排与智能照明扩展箱的E端口连接，智能照明扩展箱与智能照明控制器连接，智能照明控制器还与多个照明回路连接。实施本实用新型，具有以下有益效果：能实现智能化控制、管理和控制较为方便。
该发明旨在提出一种智能照明控制系统，包括智能照明系统的结构以及接线，并未涉及光环境舒适度的相关研究方法。
(3)智能照明装置及基于该装置的报站、位置查询系统及方法(CN201410437726.1)本发明公开了一种智能照明装置，包括发光单元、驱动及供电单元、控制器单元、接收含有目的地信息指令的无线信号并进行传送的无线单元、采集地理位置信息的GPS定位单元及语音播放单元，控制器单元接收地理位置信息及目的地信息指令并进行解析处理，当位置信息与目的地信息匹配时则根据通知模式进行通知提醒。本发明的智能照明装置通过GPS定位单元采集所在的物理位置信息，匹配目的地后可根据通知模式选择在本地或指令发出端进行通知，实现实时定位和智能提醒。同时，本发明的基于该装置的报站、位置查询系统及方法，能提供个性化服务，实现智能报站与位置查询，满足不同目的地用户的报站提醒需求，增强用户的智能化体验，营造舒适的服务环境。
该专利没有涉及智能照明控制算法的研究。
(4)智能照明硬件设备的自恢复方法及其装置(CN201510271912.7)，本发明应用于网关，所述方法首先获取智能照明硬件设备的序列号；之后根据该序列号与预先存储的序列号比较，判断是否一致，若是，则重新获取序列号，否则，通过拨码开关获取对应的智能照明硬件设备的地址码，并将与该地址码相应的原始配置信息发送至智能照明硬件设备，拨码开关与智能照明硬件设备的数量相等，并且每一个拨码开关用于对对应的一个智能照明硬件设备的地址码进行设置。本发明的有益效果在于当智能照明硬件设备发生故障更换新的智能照明硬件设备后，无需专业人员到场进行重新定义配置信息。
该发明涉及智能照明硬件设备的自恢复方法及其装置,旨在当智能照明硬件设备发生故障更换新的智能照明硬件设备后，无需专业人员到场进行重新定义配置信息，与光环境舒适度评价方法研究无关。
(5)一种普通办公室用照明能效评分方法(CN201510761700.7)，本发明公开了一种普通办公室用照明能效评分方法，主要包括以下步骤：统计灯具能效评价指标，包括光源光效指标、镇流器效率指标；通过照度计测量照度和显色指数，计算照明舒适度指标，包括平均照度、照度均匀度、显色指数三个评估指标；计算照明运行管理水平，包括照明功率密度和节能量两个评估指标；计算总体能效评分，并根据评估分数区间计算办公室照明的总体能效评估等级。本发明可输出能效分数和能效等级两种评估结果，通过能效等级可直观的看出系统的能效水平，同时具体的能效分数能精细分析照明能耗情况和节能水平。
该专利公开了一种普通办公室用照明能效评分方法，本发明旨在可输出能效分数和能效等级两种评估结果，通过能效等级可直观的看出系统的能效水平，同时具体的能效分数能精细分析照明能耗情况和节能水平，与光环境舒适度评价方法的研究不相关。
(6)一种高速列车照明舒适性控制系统和方法(CN201810586939.9)本发明公开了一种高速列车照明舒适性控制系统和方法，系统包括由终端计算机组、DMX512控制器、自然光源、亮度计、灯具系统和眩光测试系统组成的眩光闭环控制子系统和由终端计算机组、DMX512控制器、灯具系统、自然光源、第一色温计和第二色温计组成的色温闭环控制子系统。本发明同时对影响高速列车照明舒适度的眩光和色温两大物理量采用闭环自动控制，不仅提高了照明舒适性控制精度和准确性，也改善了列车照明乘坐舒适性环境，同时采用LED智能照明控制系统极大地降低了列车照明系统的能源能耗，具有很大的实际应用价值和意义。
该专利公开了一种高速列车照明舒适性控制系统和方法，主要针对眩光和色温两大物理量采用闭环自动控制，专利重点在于如何通过有效的控制手段来控制这两个参数从而达到舒适和节能，没有涉及光环境舒适度评价方法的研究和评价模型的建立。
综上所述，目前尚未发现有关于“满足光舒适的教室照明节能评价模型及照明系统控制算法”方面的成果。在此背景下，本申请提出一种能够满足教室光环境舒适度的照明节能评价模型，以及基于教室光环境舒适度的照明节能控制系统算法。
发明内容
针对上述现有技术中存在不足，本申请提供了一种满足光舒适的教室照明节能评价模型及照明系统控制算法。
为了实现本发明的目的，本发明提供了一种能够满足教室光环境舒适度的照明节能评价模型，
(1)所述能够满足教室光环境舒适度的照明节能评价模型共包含三个视看位置的评价模型，分别为黑板面光环境评价模型，桌面光环境评价模型，投影面光环境评价模型；
其中，所述黑板面光环境评价模型以黑板垂直面照度和相关色温作为评价模型的输入变量，黑板面舒适度等级为评价模型的输出变量；
桌面光环境评价模型以桌面照度和相关色温作为评价模型的输入变量，桌面舒适度等级为评价模型的输出变量；
投影面光环境评价模型以白色投影照度与环境照度差和环境照明相关色温作为评价模型的输入变量，投影面舒适度等级为评价模型的输出变量；
(2)所述能够满足教室光环境舒适度的照明节能评价模型模型可视化，以二维平面分区图来给出不同参数所对应的舒适度等级，平面的横纵坐标为模型输入变量，平面内不同颜色区域代表不同舒适度等级，不同舒适度等级对应不同的模型输入变量参数范围；
(3)对任意给定的教室黑板面在0～500lx范围内的照度和在2700～6700K范围内的相关色温组合，黑板面光环境评价模型可给出其所对应的光环境舒适度；对任意给定的教室桌面在0～1100lx范围内的照度和在2700～6700K范围内的相关色温组合，桌面面光环境评价模型可给出其所对应的光环境舒适度；对任意给定的在200～800lx范围内的教室白色投影照度与环境照度差和环境照明在2700～6700K范围内的相关色温组合，投影面光环境评价模型可给出其所对应的光环境舒适度。
其中：
所述二维平面分区图有四个不同区域，棕色区域代表极不舒适，红色区域代表较不舒适，黄色区域代表较舒适，浅黄色区域代表最佳舒适，黑板面光环境评价模型的二维平面分区图的横坐标为相关色温，纵坐标为黑板垂直面照度；桌面光环境评价模型的二维平面分区图的横坐标为相关色温，纵坐标为桌面照度；投影面光环境评价模型的二维平面分区图的横坐标为环境相关色温，纵坐标为白色投影照度与环境照度差。
其中，所述模型的获取方法如下：
(1)搭建建筑空间，根据光环境参数范围设定实验工况，采用中心布点法测量工作面实际光参数；
(2)召集被试者进行主观问卷评价，搜集实验数据；
(3)运用python编程语言进行有效数据的筛选和数据挖掘处理，去除异常值，并结合分类形式设定分类标签；
(4)利用python编程语言搭建C-SVC(支持向量机)模型，用实验数据训练集对模型进行训练，用测试集对分类模型进行可靠性验证，形成光环境评价模型。
相应地，还提供了一种基于教室光环境舒适度的照明节能控制系统算法，
(1)所述基于教室光环境舒适度的照明节能控制系统算法分为三个视看位置的控制算法：黑板面照明控制算法，桌面照明控制算法，投影面照明控制算法；
所述黑板面照明控制算法是黑板面照度y和相关色温x的关系函数：
Y＝-152.2X8+662.9X7-1149X6+998.2X5-447.2X4
+96.9X3-9.965X2+0.2447X+0.972
x∈[2700,6700]
所述桌面照明控制算法是桌面照度y和相关色温x的关系函数：
Y＝-132.3X7+620.9X6-1217X5+1292X4-802.9X3+293.9X2-59.82X+5.851
x∈[3550,6700]
所述投影面照明控制算法是白色投影照度与环境照度差y和环境照明相关色温x的关系函数：
Y＝-0.08808X3+0.384X2-0.3175X+0.8679
x∈[2700,6700]
(2)黑板面照明控制算法可计算出2700～6700K范围内任意相关色温值所对应的满足黑板面最佳舒适区的最小照度值；桌面照明控制算法可计算出3550～6700K范围内任意相关色温值所对应的满足桌面最佳舒适区的最小照度值；投影面照明控制算法可计算出27000～6700K范围内任意相关色温值所对应的满足投影面最佳舒适区的最小白色投影照度与环境照度差值。
其中：
基于教室光环境舒适度的照明节能控制系统算法是在满足教室光环境舒适度的照明节能评价模型基础上进行的函数拟合，拟合方法为：获取最佳舒适区在纵轴方向的下边界参数值，每个横坐标值对应满足最佳舒适区的最小纵坐标值，且每个横坐标值对应唯一的纵坐标值，采用多项式函数进行拟合。
其中：
所述基于教室光环境舒适度的照明节能控制系统算法规定了照明控制系统对照明参数的联动调控：黑板面照明控制算法以函数形式规定了黑板面照度和相关色温的联动调控方式，调控范围满足相关色温x∈[2700,6700]；桌面照明控制算法规定了桌面照度和相关色温的联动调控方式，调控范围满足相关色温x∈[3550,6700]；投影面照明控制算法规定了白色投影照度与环境照度差和环境照明相关色温的联动调控方式，调控范围满足相关色温x∈[2700,6700]。
其中，所述模型的获取方法如下：
(1)搭建建筑空间，根据光环境参数范围设定实验工况，采用中心布点法测量工作面实际光参数；
(2)召集被试者进行主观问卷评价，搜集实验数据；
(3)运用python编程语言进行有效数据的筛选和数据挖掘处理，去除异常值，并结合分类形式设定分类标签；
(4)利用python编程语言搭建C-SVC(支持向量机)模型，用实验数据训练集对模型进行训练，用测试集对分类模型进行可靠性验证，形成光环境评价模型；
(5)将模型进行可视化，提取满足舒适度等级下可实现节能的参数值，形成人工照明智能算法的获取方法。
本申请基于以上背景提出一种能够满足教室光环境舒适度的照明节能评价模型，可用于指导教室照明的设计与评估；并开发一种照明控制系统算法，可写入照明系统控制器，通过该系统实现基于光环境舒适的教室照明节能。
本申请依托全尺寸可调照明实验舱，在该实验舱中通过布置照明模块、隔墙搭建以及场景布置，还原教室照明环境，并召集被试者进行照明环境主观评价实验，针对不同光照强度与相关色温进行黑板面阅读、桌面阅读、投影面阅读的视觉舒适度主观评价实验。实验过程中准确记录各工况下的主要光环境参数以及被试者的视觉舒适度评分情况。使用python 3.6及其numpy、pandas、matplotlib、sklearn等相关程序包，对教室光环境舒适度实验数据进行数据挖掘处理。鉴于C-SVC(支持向量机)模型对于较小样本数据的建模和预测具有较好的准确性的优势，用实验数据训练集对C-SVC(支持向量机)模型进行训练，并用测试集对模型的可靠性进行检验，获得能够满足教室光环境舒适度的照明节能评价模型。依据评价模型对光环境参数进行预测分类，通过matplotlib进行模型分类界面可视化，提取满足舒适度等级下实现节能的光环境参数值，拟合成多项式函数作为智能照明算法。
本申请通过实验平台搭建、主观评价实验、数据挖掘处理、C-SVC(支持向量机)模型建立、多项式函数拟合方法，获取一种满足光舒适的教室照明节能评价模型及照明系统控制算法，解决当前在教室照明中存在的问题。
附图说明
图1所示为本申请的教室实验空间设置示意图；
图2所示为本申请的教室实验空间照明参数调节示意图；
图3所示为本申请的教室光环境质量主观评价实验示意图；
图4所示为本申请的黑板面照明舒适度C-SVC(支持向量机)模型及ROC曲线示意图；
图5所示为本申请的桌面照明舒适度C-SVC(支持向量机)模型及ROC曲线示意图；
图6所示为本申请的投影面照明舒适度C-SVC(支持向量机)模型及ROC曲线示意图；
图7所示为本申请的智能算法拟合效果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个部件或者模块或特征与其他部件或者模块或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了部件或者模块在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的部件或者模块被倒置，则描述为“在其他部件或者模块或构造上方”或“在其他部件或者模块或构造之上”的部件或者模块之后将被定位为“在其他部件或者模块或构造下方”或“在其他部件或者模块或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该部件或者模块也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1-7所示，本申请提供的满足光舒适的教室照明节能评价模型及照明系统控制算法，通过如下方法获取，方法流程包括：
(1)搭建建筑空间，根据光环境参数范围设定实验工况，采用中心布点法测量工作面实际光参数；
(2)召集被试者进行主观问卷评价，搜集实验数据；
(3)运用python编程语言进行有效数据的筛选和数据挖掘处理，去除异常值，并结合分类形式设定分类标签；
(4)利用python编程语言搭建C-SVC(支持向量机)模型，用实验数据训练集对模型进行训练，用测试集对分类模型进行可靠性验证，形成光环境评价模型；
(5)将模型进行可视化，提取满足舒适度等级下可实现节能的参数值，形成人工照明智能算法的获取方法。
此方法解决了目前对于光环境舒适度评价模型和智能照明算法获取方法缺失的问题。
在优选的实施例中，在对实验数据进行处理建立人的主观感受评价预测模型的方法方面，本申请的方法如下：
(1)借助python编程语言采用四分位数法去除实验数据异常值，再将每种工况相同条件下有被试者的有效评价值进行算术平均，得到每组照明工况下的舒适度评价值；
(2)根据标签数据分布将得到的平均舒适度进行数据离散化处理，将平均舒适度数据离散化形成若干个区间，每个区间对应不同舒适度等级，作为输入模型的标签变量y；
(3)使用python3.6和sikit-learn等工具包建立C-SVC(支持向量机)光环境质量评价模型，核函数选择径向基函数(RBF)，其形式为：K(xi,xj)＝exp(-γ||xi-xj||2)，其中γ为参数变量；
(4)用C-SVC(支持向量机)模型对测试集样本进行预测，采用Receiver OperatingCharacteristic(ROC)曲线来评价模型预测的可靠性。此方法解决了对主观问卷评价数据的处理和建模问题，提出了建立人的主观感受评价预测模型的方法。
本申请通过空间搭建、实验、数据挖掘、模型建立以及函数拟合，提出一种适用于人工照明舒适性和节能性光环境评价模型和智能照明算法获取方法。在理论上，该方法可为我国建筑照明相关标准的修订提供支持，为建筑智能照明提供方法参考，并可为相关研究提供基础；在实际应用上，该方法可对现有建筑的照明控制进行改造升级，为建筑提供智能照明控制算法，使建筑室内照明在满足舒适度等级的基础上实现节能，具有重要的科学意义与应用价值。
将上述光环境评价实验方法、实验数据处理方法以及光环境评价模型和智能照明算法获取方法应用于不同建筑和不同光环境，可以获得相应的光环境评价模型和智能照明算法。
光环境评价实验方法的具体步骤如下：
(一)在空间可变的大空间实验舱还原教室实验空间，布置照度和色温可调的LED灯具，在没有天然采光的条件下，测量参数可调范围。
1.1搭建实验空间
(1)确定模拟教室的尺寸：长宽高分别为12m、6m、3.6m；
(2)在天津大学可变空间试验舱搭建教室空间，按照空间的尺寸通过可调节屋顶和墙壁进行空间围合；
(3)对围合好的空间进行装修和场景布置，模拟教室布局均匀摆放18套桌椅和一块黑板，桌面尺寸为1.2m×0.6m，黑板尺寸为2m×1m，对楼地面及墙面面层进行粉刷、铺装等处理，测量反射系数如下：黑板的反射系数为0.17，每个桌面中心摆放的期刊反射系数(白纸)为0.84；
1.2实验灯具布置
(1)在屋顶布置照度和色温可调节的LED光源；
(2)测量照明环境的实验变量变化范围：相关色温覆盖范围为2670K～6700K，0.75m水平面照度覆盖范围为20lx～1100lx；
(3)测量非实验变量范围，保证下述参数满足教室照明要求：显色指数80≤Ra≤85、0.7≤0.75m水平面的照度均匀度≤0.8、0.85≤黑板面垂直照度均匀度≤0.9。
(二)根据参数可调范围设定实验工况，为防止工况顺序对被试者主观评价产生影响，在主观评价实验前打乱工况顺序，并重新进行工况编号。采用中心布点法，使用分光辐射亮度计(KONICA MINOLTA CL-500A)分别采集每种工况桌面、黑板面和投影面的照度值和相关色温值。
主观评价实验
(1)依据灯具调节范围设置74种工况，在测量前打乱工况顺序，并重新进行工况编号。
(2)采用中心布点法，使用分光辐射亮度计(KONICA MINOLTA CL-500A)分别采集每种工况桌面、黑板面和投影面的照度值和相关色温值。测量情况如表1所示。
表1工况测量概况
(3)大学教室的受用者大多为20～26之间男女比例相当的青年，因此选取135名年龄在20～26岁之间男女比例大致相当的实验被试者，分为8组，每组16～18人，共开展8组评价实验。每组被试者分别以彩色图书、板书及循环播放的深色及浅色底色的幻灯片作为视看对象，在74种不同照度和色温的组合工况下进行舒适度评价打分，评价问卷如表2所示。
表2教室照明环境视觉舒适度实验主观评价问卷
实验数据挖掘与建模
(1)借助python编程语言采用四分位数法批量去除异常值，再将每种工况下18个不同座位上所有被试者的有效评价值进行算术平均，得到每组照明工况下的被试者整体舒适度评价值；
(2)根据标签数据分布将得到的平均舒适度进行数据离散化处理。将桌面和黑板面各工况的平均舒适度数据离散化形成以下4个区间：0＜舒适度均值≤2.5、2.5＜舒适度均值≤5、5＜舒适度均值≤7.5、7.5＜舒适度均值≤10；将投影面各工况的平均舒适度数据离散化形成以下4个区间：4＜舒适度均值≤5、5＜舒适度均值≤6、6＜舒适度均值≤7、7＜舒适度均值≤8。4个区间分别代表“极不舒适”、“较不舒适”、“可以接受”、“最佳舒适”，并分别标记为“0”、“1”、“2”、“3”，作为输入模型的标签变量y；
(3)模型训练的输入变量为：(1)每种实验工况的光环境相关色温，记为x1；(2)视看对象的平均照度(针对黑板面和桌面)或无环境光干扰的纯白幻灯片屏幕平均照度分别与每个实验工况下投影面环境光照度的差值(针对投影面)，记为x2；
(4)使用python3.6和sikit-learn等工具包，针对桌面阅读、黑板面阅读以及投影面阅读分别建立C-SVC(支持向量机)光环境质量评价模型，核函数选择径向基函数(RBF)，其形式为：K(xi,xj)＝exp(-γ||xi-xj||2)，其中γ为参数变量。具体建模过程如下：
1.划分训练集和测试集。按照4:1或7:3的比例将原始数据随机划分成训练集和测试集，用于训练并测试C-SVC(支持向量机)模型性能。
2.模型输入输出及参数调节。将桌面和黑板面的训练集样本实验数据中平均照度和相关色温作为特征输入变量，舒适度评价等级作为目标输出变量；将投影面训练集实验数据中的照度对比和相关色温作为特征变量，其他与桌面、黑板面的建模过程相同。通过网格搜索和K折交叉验证进行参数调节，得到最优的C和gamma值(C为误差惩罚因子，gamma为RBF核函数中的γ参数)，并通过观察训练集预测准确度来防止模型过拟合。
3.评价模型获取。利用上一步得到的最优C和gamma参数组合，对整个训练集进行训练，得到基于C-SVC(支持向量机)的光环境质量评价模型。
4.模型预测及性能分析。用训练好的C-SVC(支持向量机)模型对测试集样本进行预测。采用Receiver Operating Characteristic(ROC)曲线来评价模型预测的真实性能，Area Under the Curve(AUC)在sklearn中以micro-average的方式进行计算。
模型可视化及智能照明算法获取方法如下：
(1)将图像尺寸每1cm划分成500个方形网格数据点，用黑板面、桌面及投影面照明质量预测模型对每个数据点所属舒适类别进行预测分类，将对应不同舒适度等级的点输出为不同的颜色，暗红色区域、红色区域、黄色区域以及白色区域分别代表“极不舒适”、“不舒适”、“可接受”和“极舒适”的视觉舒适等级，不同颜色的圆点是原始数据点。利用matplotlib工具包将分类结果和ROC曲线输出为图像，如图所示，不同视觉舒适等级在平面上呈现出不同的照明参数范围，横轴代表相关色温，纵轴代表视看平面的照度。
(2)在图像中舒适区域参数数据的基础上，为实现算法节能作用，照度越低能耗越低，因此将舒适区域的下边界值提取出来，在相同的舒适度等下取最小照度数据点，将其拟合成多项式，作为舒适性和节能性智能控制算法。
舒适区域即可作为智能照明的模型算法，以数据列表的方式将舒适区域中的网格数据与舒适度等级建立对应关系。以黑板面照度舒适度模型为例，如下图所示，为实现算法节能作用，照度越低能耗越低，因此将舒适区域的下边界值提取出来(红色边界)，在相同的舒适度等下取最小照度数据点，将其拟合成多项式：
Y＝-152.2x8+662.9x7-1149x6+998.2x5-447.2x4+96.9x3
-9.965x2+0.2447x+0.972
蓝色曲线为拟合函数图像，拟合结果具有较好的准确性，因此可将拟合函数作为舒适性和节能性智能控制算法。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种能够满足教室光环境舒适度的照明节能评价模型，其特征是：
(1)所述能够满足教室光环境舒适度的照明节能评价模型共包含三个视看位置的评价模型，分别为黑板面光环境评价模型，桌面光环境评价模型，投影面光环境评价模型；
其中，所述黑板面光环境评价模型以黑板垂直面照度和相关色温作为评价模型的输入变量，黑板面舒适度等级为评价模型的输出变量；
桌面光环境评价模型以桌面照度和相关色温作为评价模型的输入变量，桌面舒适度等级为评价模型的输出变量；
投影面光环境评价模型以白色投影照度与环境照度差和环境照明相关色温作为评价模型的输入变量，投影面舒适度等级为评价模型的输出变量；
(2)所述能够满足教室光环境舒适度的照明节能评价模型模型可视化，以二维平面分区图来给出不同参数所对应的舒适度等级，平面的横纵坐标为模型输入变量，平面内不同颜色区域代表不同舒适度等级，不同舒适度等级对应不同的模型输入变量参数范围；
(3)对任意给定的教室黑板面在0～500lx范围内的照度和在2700～6700K范围内的相关色温组合，黑板面光环境评价模型可给出其所对应的光环境舒适度；对任意给定的教室桌面在0～1100lx范围内的照度和在2700～6700K范围内的相关色温组合，桌面面光环境评价模型可给出其所对应的光环境舒适度；对任意给定的在200～800lx范围内的教室白色投影照度与环境照度差和环境照明在2700～6700K范围内的相关色温组合，投影面光环境评价模型可给出其所对应的光环境舒适度。
2.根据权利要求1所述的一种能够满足教室光环境舒适度的照明节能评价模型，其特征是：
所述二维平面分区图有四个不同区域，棕色区域代表极不舒适，红色区域代表较不舒适，黄色区域代表较舒适，浅黄色区域代表最佳舒适，黑板面光环境评价模型的二维平面分区图的横坐标为相关色温，纵坐标为黑板垂直面照度；桌面光环境评价模型的二维平面分区图的横坐标为相关色温，纵坐标为桌面照度；投影面光环境评价模型的二维平面分区图的横坐标为环境相关色温，纵坐标为白色投影照度与环境照度差。
3.根据权利要求1所述的一种能够满足教室光环境舒适度的照明节能评价模型，其特征是：所述模型的获取方法如下：
(1)搭建建筑空间，根据光环境参数范围设定实验工况，采用中心布点法测量工作面实际光参数；
(2)召集被试者进行主观问卷评价，搜集实验数据；
(3)运用python编程语言进行有效数据的筛选和数据挖掘处理，去除异常值，并结合分类形式设定分类标签；
(4)利用python编程语言搭建C-SVC(支持向量机)模型，用实验数据训练集对模型进行训练，用测试集对分类模型进行可靠性验证，形成光环境评价模型。
4.一种基于教室光环境舒适度的照明节能控制系统算法，其特征是：
(1)所述基于教室光环境舒适度的照明节能控制系统算法分为三个视看位置的控制算法：黑板面照明控制算法，桌面照明控制算法，投影面照明控制算法；
所述黑板面照明控制算法是黑板面照度y和相关色温x的关系函数：
Y＝-152.2X8+662.9X7-1149X6+998.2X5-447.2X4
+96.9X3-9.965X2+0.2447X+0.972
x∈[2700,6700]
所述桌面照明控制算法是桌面照度y和相关色温x的关系函数：
Y＝-132.3X7+620.9X6-1217X5+1292X4-802.9X3+293.9X2-59.82X+5.851
x∈[3550,6700]
所述投影面照明控制算法是白色投影照度与环境照度差y和环境照明相关色温x的关系函数：
Y＝-0.08808X3+0.384X2-0.3175X+0.8679
x∈[2700,6700]
(2)黑板面照明控制算法可计算出2700～6700K范围内任意相关色温值所对应的满足黑板面最佳舒适区的最小照度值；桌面照明控制算法可计算出3550～6700K范围内任意相关色温值所对应的满足桌面最佳舒适区的最小照度值；投影面照明控制算法可计算出27000～6700K范围内任意相关色温值所对应的满足投影面最佳舒适区的最小白色投影照度与环境照度差值。
5.根据权利要求4所述的一种基于教室光环境舒适度的照明节能控制系统算法，其特征是：
基于教室光环境舒适度的照明节能控制系统算法是在满足教室光环境舒适度的照明节能评价模型基础上进行的函数拟合，拟合方法为：获取最佳舒适区在纵轴方向的下边界参数值，每个横坐标值对应满足最佳舒适区的最小纵坐标值，且每个横坐标值对应唯一的纵坐标值，采用多项式函数进行拟合。
6.根据权利要求4所述的一种基于教室光环境舒适度的照明节能控制系统算法，其特征是：
所述基于教室光环境舒适度的照明节能控制系统算法规定了照明控制系统对照明参数的联动调控：黑板面照明控制算法以函数形式规定了黑板面照度和相关色温的联动调控方式，调控范围满足相关色温x∈[2700,6700]；桌面照明控制算法规定了桌面照度和相关色温的联动调控方式，调控范围满足相关色温x∈[3550,6700]；投影面照明控制算法规定了白色投影照度与环境照度差和环境照明相关色温的联动调控方式，调控范围满足相关色温x∈[2700,6700]。
7.根据权利要求4所述的一种基于教室光环境舒适度的照明节能控制系统算法，其特征是：所述模型的获取方法如下：
(1)搭建建筑空间，根据光环境参数范围设定实验工况，采用中心布点法测量工作面实际光参数；
(2)召集被试者进行主观问卷评价，搜集实验数据；
(3)运用python编程语言进行有效数据的筛选和数据挖掘处理，去除异常值，并结合分类形式设定分类标签；
(4)利用python编程语言搭建C-SVC(支持向量机)模型，用实验数据训练集对模型进行训练，用测试集对分类模型进行可靠性验证，形成光环境评价模型；
(5)将模型进行可视化，提取满足舒适度等级下可实现节能的参数值，形成人工照明智能算法的获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910501593.2A CN112070332B (zh) | 2019-06-11 | 2019-06-11 | 满足光舒适的教室照明节能评价系统及照明系统控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910501593.2A CN112070332B (zh) | 2019-06-11 | 2019-06-11 | 满足光舒适的教室照明节能评价系统及照明系统控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070332A true CN112070332A (zh) | 2020-12-11 |
| CN112070332B CN112070332B (zh) | 2024-03-19 |
Family
ID=73658517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910501593.2A Active CN112070332B (zh) | 2019-06-11 | 2019-06-11 | 满足光舒适的教室照明节能评价系统及照明系统控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070332B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113056074A (zh) * | 2021-04-01 | 2021-06-29 | 天津大学 | 一种光源系统的控制方法、控制装置及桌面照明装置 |
| CN117058132A (zh) * | 2023-10-11 | 2023-11-14 | 天津大学 | 基于神经网络的文物照明视觉舒适度量化评估方法及系统 |
| CN117460126A (zh) * | 2023-10-27 | 2024-01-26 | 石家庄铁道大学 | 基于乘客舒适度的地铁站台光环境设计方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012064541A (ja) * | 2010-09-17 | 2012-03-29 | Toshiba Lighting & Technology Corp | 照明環境評価装置及び照明環境評価方法 |
| CN105136432A (zh) * | 2015-08-27 | 2015-12-09 | 武汉大学 | 基于主客观实验数据的led照明质量评价方法及系统 |
| CN106815470A (zh) * | 2016-12-27 | 2017-06-09 | 浙江工业大学 | 一种办公场景照明环境对视觉健康影响的评估方法 |
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| KR101891329B1 (ko) * | 2017-02-27 | 2018-08-24 | (주)에코메이텍 | 사용자 의도를 반영한 생체리듬 및 환경변화에 따른 친환경 스마트 조명제어장치 |
| CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
-
2019
- 2019-06-11 CN CN201910501593.2A patent/CN112070332B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012064541A (ja) * | 2010-09-17 | 2012-03-29 | Toshiba Lighting & Technology Corp | 照明環境評価装置及び照明環境評価方法 |
| CN105136432A (zh) * | 2015-08-27 | 2015-12-09 | 武汉大学 | 基于主客观实验数据的led照明质量评价方法及系统 |
| CN106815470A (zh) * | 2016-12-27 | 2017-06-09 | 浙江工业大学 | 一种办公场景照明环境对视觉健康影响的评估方法 |
| KR101891329B1 (ko) * | 2017-02-27 | 2018-08-24 | (주)에코메이텍 | 사용자 의도를 반영한 생체리듬 및 환경변화에 따른 친환경 스마트 조명제어장치 |
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘刚;刘梦柳;雒琛;党睿;: "基于评价实验的办公室光环境舒适度研究", 照明工程学报, no. 06 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113056074A (zh) * | 2021-04-01 | 2021-06-29 | 天津大学 | 一种光源系统的控制方法、控制装置及桌面照明装置 |
| CN113056074B (zh) * | 2021-04-01 | 2021-10-19 | 天津大学 | 一种光源系统的控制方法、控制装置及桌面照明装置 |
| CN117058132A (zh) * | 2023-10-11 | 2023-11-14 | 天津大学 | 基于神经网络的文物照明视觉舒适度量化评估方法及系统 |
| CN117058132B (zh) * | 2023-10-11 | 2024-01-23 | 天津大学 | 基于神经网络的文物照明视觉舒适度量化评估方法及系统 |
| CN117460126A (zh) * | 2023-10-27 | 2024-01-26 | 石家庄铁道大学 | 基于乘客舒适度的地铁站台光环境设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070332B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101485234B (zh) | 根据目标光分布控制照明系统的方法 | |
| CN110113836A (zh) | 场景式教室智能照明系统、控制装置及优化和控制方法 | |
| CN112070332A (zh) | 满足光舒适的教室照明节能评价模型及照明系统控制算法 | |
| CN106815470B (zh) | 一种办公场景照明环境对视觉健康影响的评估方法 | |
| CN105136432B (zh) | 基于主客观实验数据的led照明质量评价方法及系统 | |
| Rockcastle et al. | Measuring the dynamics of contrast & daylight variability in architecture: A proof-of-concept methodology | |
| CN112969254B (zh) | 一种基于场景自动识别的商务宾馆客房照明控制装置 | |
| CN113673389B (zh) | 光源光谱功率分布相关的绘画照明视觉评价方法 | |
| CN106053024B (zh) | 一种面向单色系物体的led光源喜好度预测方法 | |
| Jia et al. | Simulation for pre-visualizing and tuning lighting controller behavior | |
| KR101446595B1 (ko) | 알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법 | |
| CN107543607A (zh) | 一种检测照明环境健康指标的方法、系统和设备 | |
| CN109996379B (zh) | 一种灯光控制方法及装置 | |
| CN109932055A (zh) | 基于非线性回归方法的光环境评价方法及系统 | |
| CN110062494A (zh) | 一种教室led灯具健康照明光衰示警装置 | |
| CN116847508A (zh) | 基于场景融合的仿真立体地图的智慧照明控制方法及系统 | |
| CN216905367U (zh) | 一种室内调光系统 | |
| CN108401318A (zh) | 基于物体表面三维形貌分析的智能照明控制系统及方法 | |
| CN107942964A (zh) | 一种体育场馆运动健康环境智能调控系统及方法 | |
| CN109934460A (zh) | 基于可拓学方法的船舶舱室光环境评价方法及系统 | |
| Gao et al. | Research on Visual Comfort Based on Fuzzy Neural Network | |
| Wang et al. | Research into the Improvement of Museum Visitor’s Emotional Response Levels to Artificial Lighting Designs Based on Interdisciplinary Creativity | |
| CN116306319B (zh) | 基于遗传算法的文物照明眩光量化评估方法及系统 | |
| CN117744498B (zh) | 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法 | |
| CN102937511B (zh) | 基于led景观灯现场视频图像的光效检验方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |