CN112149865A - 一种教室灯照明功率预测方法 - Google Patents

Abstract

本发明公开了一种教室灯照明功率预测方法，包括S1根据教室人流量、室外自然光亮度、室内能见度作为照明功率的影响因数，建立教室灯具的功率输出模型：

S2设置损失函数模型：

保证输出功率的准确性。S3对步骤S2中的损失开始进行泰勒五项公式展开，并通过通过混合粒子群算法来优化正则项，以获得新的损失函数模型：

S4依据优化过的损失函数模型、对步骤S1中的功率输出模型进行教室照明需求功率估算。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。

Description

一种教室灯照明功率预测方法

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：C_i为输入量到隐含层径向基量的中心参数，b_i为一个预设的宽度值。

则模型的输出为:

其中，X为要预测的样本，T为森林的规模即迭代次数，f_m()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，y_i为各个样本，f_t()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x_i＝(x_i1,x_i2,...,x_iD)^T，速度信息v_i＝(v_i1,v_i2,...,v_iD)^T。

对每个粒子的当前最优极值，按照一定的概率P_m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。

分别为粒

和

进行交叉操作后的子代粒子。

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(f_t(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。

输出模型：

利用python程序语言调用pandas模块中的f i l l na函数设置损失函数模型：

在算法框架下接收样本数据，通过损失函数保证输出功率的准确性。

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。

设最大迭代次数为800次，惯性因子

w_max为惯性权重的最大值，w_min为惯性权重的最小值；iter_max为最大迭代次数；iter为当前迭代次数。

(2)适应度值计算

设适应度函数模型为：

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P_best和群体极值G_best。

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：

其中，d＝1,2,…,D；i＝1,2,…,n。ω为惯性权重；c₁＝c₂＝2。

根据适应度函数

计算各个粒子的适应度值大小，然后更新粒子的个体极值P_best和群体极值G_best。

(2)进行个体最优粒子(个体极值P_best和群体极值G_best)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)

1.一种教室灯照明功率预测方法，其特征在于：包括

S1根据教室人流量、室外自然光亮度、室内能见度作为照明功率的影响因数，建立教室灯具的功率输出模型：

其中X为要预测的样本，T为森林的规模即迭代次数，f_m()取为sigmoid函数；θ_i隐含层径向基量；

S2设置损失函数模型，保证输出功率的准确性；

S3对步骤S2中的损失开始进行泰勒五项公式展开，并通过通过混合粒子群算法来优化正则项，以获得新的损失函数模型；

S4依据优化过的损失函数模型、对步骤S1中的功率输出模型进行教室照明需求功率估算。

2.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S2中的损失函数为：

其中：L为似然函数，y_i为各个样本，f_t()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。

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x_i＝(x_i1,x_i2,...,x_iD)^T；速度信息v_i＝(v_i1,v_i2,...,v_iD)^T；

对每个粒子的当前最优极值，按照一定的概率P_m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；

分别为粒

和

进行交叉操作后的子代粒子；

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(f_t(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。

4.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：隐含层径向基量θ_i的获得方式如下：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：C_i为输入量到隐含层径向基量的中心参数，b_i为一个预设的宽度值。

Images