CN112149865A - 一种教室灯照明功率预测方法 - Google Patents
一种教室灯照明功率预测方法 Download PDFInfo
- Publication number
- CN112149865A CN112149865A CN202010817564.XA CN202010817564A CN112149865A CN 112149865 A CN112149865 A CN 112149865A CN 202010817564 A CN202010817564 A CN 202010817564A CN 112149865 A CN112149865 A CN 112149865A
- Authority
- CN
- China
- Prior art keywords
- classroom
- power
- loss function
- follows
- prediction method
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
Description
技术领域
本发明涉及教室照明灯控制领域,具体涉及一种教室灯照明功率预测方法。
背景技术
随着社会经济、技术的不断发展与进步,高等学校的校园规模也在不断变大,教学楼的照明的管理难度也逐渐增加。高校教室照明LED设计教室照明系统也成为了教学楼建设中最大的难题之一,并且也是校园中耗能最多的系统之一。在现有的教室明设计中,为了减少师生在上课时,教室环境亮度变化带来的影响,照明亮度的调光值往往以设计参数的最大值进行计算,这样的设计虽然考虑了照明需求,但同时也造成了巨大的电能浪费。这种浪费的现象,使得学校的负担加重,增加了开支成本,同时造成了资源的浪费。
发明内容
本发明的目的是提供一种教室灯照明功率预测方法,以根据实际条件预测教室照明所需功率进而调整照明方案,杜绝浪费。
为了达到上述目的,本发明提出的技术方案如下:
本发明将XGBoost原理应用在教室灯照明功率预测上,根据教室实时运行参数精确估算照明需求功率。
将粒子群算法和遗传算法中的交叉变异思想结合起来,用于优化输出损失函数的正则项,使得优化后的网络不仅可以提高收敛速度。而且能够克服易陷入局部极小的缺点,以达到更准确的预测调控。
一种教室灯照明功率预测方法,首先确定将教室人流量、室外自然光亮度、能见度作为照明功率的影响因数。
将教室人流量、室外自然光亮度、能见度3个作为输入量x1,x2,x3,隐含层包含6个节点[θ1,θ2,θ3,θ4,θ5,θ6],照明功率作为输出矢量[y],输出节点数为1。
令x1=u(k)-u(k-1),x2=u(k),x3=y(k)为网络输入量,则隐含层径向基量:
其中:Ci为输入量到隐含层径向基量的中心参数,bi为一个预设的宽度值。
其中,X为要预测的样本,T为森林的规模即迭代次数,fm()取为sigmoid函数。
显然,上述模型中是通过不断累积逼近目标,从而达到预测效果。经过T轮迭代逐步累积获得最终的预测。
为了保证输出功率的准确性,定义迭代过程中的损失函数为:
其中:L为似然函数,yi为各个样本,ft()取为Pareto最优解,Λ(t-1)为迭代过程中用到的更新步长。Ω()为正则项,C为常数。
因此可知上述函数由三个部分构成,从左往右分别为损失项,正则项和常数项。损失项的目的是评价样本预测与真实值得差距,从而不断逼近。
正则项和常数项的目的是为了防止过拟合采取的控制手段。同时,正则项在选择候选树的时候起到了筛选作用,常数项加快了迭代过程。
在XGBoost原理下将损失函数中方损失项进行泰勒展开到五阶多项式。除此之外,损失函数中正则项通过混合粒子群算法来优化。粒子群优化算法是一类群智能随机优化算法。粒子群算法具有收敛速度快、操作简单等优点,使得优化后的输出函数不仅可以提高收敛速度。而且能够克服易陷入局部极小的缺点,以达到更准确的功率预测。
具体优化过程如下:
令粒子i的位置信息为xi=(xi1,xi2,...,xiD)T,速度信息vi=(vi1,vi2,...,viD)T。
对每个粒子的当前最优极值,按照一定的概率Pm实行变异,β为random(0,1),
公式如下:
位置更新公式如下:
速度更新公式如下:
a2为粒子的社会学习因子,加速度常数,并且范围在0和4之间。
通过上述步骤后,原函数转换为如下:
其中:绝对值内部为损失项进行泰勒展开后到得到的五阶多项式,Ω(ft(X,V))是为混合粒子群优化后的正则项,X为更新后位置,V为更新后速度。
本发明的技术效果是:
本发明在教室使用过程中,根据教室人流量、室外自然光亮度以及室内能见度,进行实时估算室内光照功率进而实时调整照明方案;减少电能浪费。
在功率估算过程中应用新型损失函数,将损失函数中方损失项进行泰勒展开到五阶多项式,将粒子群算法和遗传算法中的交叉变异思想结合起来,用于优化输出损失函数的正则项,使得优化后的网络不仅可以提高收敛速度,而且能够克服易陷入局部极小的缺点,以达到更准确的估算照明的输出功率;进而做到更准确的调控照明方案,减少资源的浪费。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1本发明的实现流程图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的不当限定。
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术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本功率预测方法在Python环境下进行。
参照图1,本发明的实现步骤如下:
首先是功率模型的建立:
进入Python环境确定输入输出迭代样本集。
将教室人流量、室外自然光亮度、能见度3个作为输入矢量[x1,x2,x3],i为隐含层,包含6个节点[θ1,θ2,θ3,θ4,θ5,θ6],照明功率作为输出矢量[y],输出节点数为1。
然后,在XGBoost原理下将损失函数中方损失项进行泰勒展开到五阶多项式。
最后将粒子群算法和遗传算法中的交叉变异思想结合起来,用于优化输出损失函数的正则项。从而准确得到输入样本集的预测值。
损失函数的正则项优化的具体步骤如下:
(1)粒子群初始化,
粒子群的规模取决于损失函数的正则项,目标函数的自变量个数为3;粒子的个体学习因子c1=2,社会学习因子c2=2。
(2)适应度值计算
根据适应度函数模型计算各个粒子的适应度值大小,即选择函数模型值最小的那组解:确定每个粒子的个体极值Pbest和群体极值Gbest。
判断正则项的优化是否达到终止条件:即迭代次数是否小于800,如若满足,则迭代结束,将最优群体极值定为损失函数中正则项,进行网络训练与测试,输出功率模型值进行调整照明情况。
若没有达到终止条件,需要进入下一步迭代时,迭代更新过程如下:
(1)不断更新粒子群:
(2)进行个体最优粒子(个体极值Pbest和群体极值Gbest)的交叉操作,交叉更新公式如下:
其中:a1为粒子的个体学习因子,加速度常数,并且范围在0和4之间。
速度更新函数模型如下:
a2为粒子的社会学习因子,加速度常数,并且范围在0和4之间。
进行个体、群体最优粒子变异操作,变异函数模型为:
(3)最后,采用轮盘赌法进行最优个体的保留与剔除,最终得到原函数(正则项)转换输出。
(4)然后将最优群体极值定为损失函数中正则项,进行网络训练与测试,输出功率模型值进行调整照明情况。
本发明中应用新型的损失函数,用来保证功率输出模型的预测速度以及准确情况,保证在人流量、室外光照以及室内能见度三个参数下对教室实内照明功率的输出进行预估;以最小的功率输出以实时调整教室内照明情况,避免能源浪费。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
3.根据权利要求1所述的教室灯照明功率预测方法,其特征在于:步骤S3中正则项的优化过程如下:
令粒子i的位置信息为xi=(xi1,xi2,...,xiD)T;速度信息vi=(vi1,vi2,...,viD)T;
对每个粒子的当前最优极值,按照一定的概率Pm实行变异,β为random(0,1),
公式如下:
位置更新公式如下:
其中:a1为粒子的个体学习因子,加速度常数,并且范围在0和4之间;
速度更新公式如下:
a2为粒子的社会学习因子,加速度常数,并且范围在0和4之间;
通过上述步骤后,原函数转换为如下:
其中:绝对值内部为损失项进行泰勒展开后到得到的五阶多项式,Ω(ft(X,V))是为混合粒子群优化后的正则项,X为更新后位置,V为更新后速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817564.XA CN112149865B (zh) | 2020-08-14 | 2020-08-14 | 一种教室灯照明功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817564.XA CN112149865B (zh) | 2020-08-14 | 2020-08-14 | 一种教室灯照明功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149865A true CN112149865A (zh) | 2020-12-29 |
CN112149865B CN112149865B (zh) | 2022-11-18 |
Family
ID=73887598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817564.XA Active CN112149865B (zh) | 2020-08-14 | 2020-08-14 | 一种教室灯照明功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149865B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050120068A1 (en) * | 2003-11-27 | 2005-06-02 | Hisao Sato | Error function calculation device and error function calculation method |
CN109214572A (zh) * | 2018-09-06 | 2019-01-15 | 南京工业职业技术学院 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
CN110113836A (zh) * | 2018-12-29 | 2019-08-09 | 中国计量大学 | 场景式教室智能照明系统、控制装置及优化和控制方法 |
CN110866366A (zh) * | 2019-11-26 | 2020-03-06 | 南京工程学院 | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 |
CN111061959A (zh) * | 2019-12-29 | 2020-04-24 | 东南大学 | 一种基于开发者特征的群智化软件任务推荐方法 |
-
2020
- 2020-08-14 CN CN202010817564.XA patent/CN112149865B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050120068A1 (en) * | 2003-11-27 | 2005-06-02 | Hisao Sato | Error function calculation device and error function calculation method |
CN109214572A (zh) * | 2018-09-06 | 2019-01-15 | 南京工业职业技术学院 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
CN110113836A (zh) * | 2018-12-29 | 2019-08-09 | 中国计量大学 | 场景式教室智能照明系统、控制装置及优化和控制方法 |
CN110866366A (zh) * | 2019-11-26 | 2020-03-06 | 南京工程学院 | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 |
CN111061959A (zh) * | 2019-12-29 | 2020-04-24 | 东南大学 | 一种基于开发者特征的群智化软件任务推荐方法 |
Non-Patent Citations (3)
Title |
---|
HUI JIANG等: "Network Intrusion Detection Based on PSO-Xgboost Model", 《IEEE ACCESS》 * |
夏爽 等: "基于PSO-RBF神经网络在温室温度预测中的应用", 《计算机工程与设计》 * |
敬舒奇 等: "室内LED照明控制策略与技术研究进展", 《建筑科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149865B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
Liao | Hybrid improved differential evolution and wavelet neural network with load forecasting problem of air conditioning | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN111814401B (zh) | 基于遗传算法的bp神经网络的led寿命预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN113207214B (zh) | 室内照明控制方法及系统 | |
Huo et al. | Cooperative control for multi-intersection traffic signal based on deep reinforcement learning and imitation learning | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
Wang et al. | Transworldng: Traffic simulation via foundation model | |
Huang et al. | Adaptive correction forecasting approach for urban traffic flow based on fuzzy-mean clustering and advanced neural network | |
CN112149865B (zh) | 一种教室灯照明功率预测方法 | |
CN109214572A (zh) | 一种基于epso-bp对商业建筑灯饰能耗预测方法 | |
Wu et al. | Intelligent Design model of urban landscape space based on optimized BP neural network | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN111507499A (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
Ma et al. | Research and application of second-hand housing price prediction model based on LSTM | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
CN110059297A (zh) | 适用于自适应学习的知识点学习时长预测方法及其应用 | |
Jin et al. | A multi-objective multi-agent framework for traffic light control | |
Hou et al. | Chaotic time series prediction for tent mapping based on BP neural network optimized glowworm swarm optimization | |
Li et al. | Improved Genetic Algorithm for English Information Education and Teaching Quality Impact Analysis |
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 |