CN113408206B - 一种室内天然光照度建模方法 - Google Patents

一种室内天然光照度建模方法 Download PDF

Info

Publication number
CN113408206B
CN113408206B CN202110701165.1A CN202110701165A CN113408206B CN 113408206 B CN113408206 B CN 113408206B CN 202110701165 A CN202110701165 A CN 202110701165A CN 113408206 B CN113408206 B CN 113408206B
Authority
CN
China
Prior art keywords
illuminance
illumination
natural
indoor
real
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.)
Active
Application number
CN202110701165.1A
Other languages
English (en)
Other versions
CN113408206A (zh
Inventor
张玉杰
郭敬
徐源
王帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Yuming Information Technology Co.,Ltd.
Original Assignee
Shaanxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN202110701165.1A priority Critical patent/CN113408206B/zh
Publication of CN113408206A publication Critical patent/CN113408206A/zh
Application granted granted Critical
Publication of CN113408206B publication Critical patent/CN113408206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本申请公开了一种室内天然光照度建模方法，‑本申请通过采集室内天然光照度数据，训练径向基函数神经网络获得照度分布的基准模型；采用室内布置少数传感器监测关键点的实时照度来修正模型输出，从而得到实时室内天然光照度分布估计。本申请通过采集实际场景的天然光照度数据训练获取照度基准模型，并利用少数传感器监测的实时照度变化来修正基准模型的照度输出，实现快速的照度分布估算，为舒适照明控制提供依据。本申请利用径向基函数神经网络构建的天然光照度模型只需在应用场景中布置少数几个照度传感器检测天然光照度的变化，实现室内照度分布的快速估计，解决了大量传感器布置导致的工程化难题。

Description

一种室内天然光照度建模方法
技术领域
本发明属于照明控制领域，具体涉及一种室内天然光照度建模方法。
背景技术
在室内照明控制系统中，合理地利用天然光是实现节能型照明的有效方法。在有效地测量或估计室内天然光照度，并通过合适的控制策略对室内照明环境进行人工补光满足照明需求。因此，获得实时的室内天然光照度值是照明控制系统的前提。在只需要获取极少数位置照度的情况下，通过在室内布置照度传感器来测量天然光照度是可行的。但是，在需要较为精确地照度测量及灯光控制的场合下，控制系统需要获得大量测量点的天然光照度值，利用传感器测量显然存在布置成本高，维护难，实现工程化难度大等问题。另一方面，通过建模的方式对天然光在室内产生的照度分布进行计算也是一种“软测量”的方法。但是，室内天然光照度分布受室内布局以及室外环境等多种因素影响，目前的建模方法需要采集大量的输入参数，建模复杂,而且建模过程中将一些条件理想化使得计算的结果不准确。
发明内容
本发明的目的在于克服上述不足，提供一种室内天然光照度建模方法，用照度传感器预先采集照度及坐标形成数据集，通过数据集对径向基函数神经网络进行训练，得到照度基准模型。在室内关键位置布置少数几个照度传感器测量实时天然光照度，利用实时天然光照度数据对基准模型预测的照度值进行修正，最后可以得到一个实时天然光照度分布估计。
为了达到上述目的，本发明包括以下步骤：
S1，采集室内天然光照度信息，并记录测量点的位置坐标，以位置坐标为输入，照度信息为输出制作径向基函数神经网络的训练数据集；
S2，采用训练数据集训练径向基函数神经网络，获得室内天然光照度分布的基准模型；
S3，在室内布设若干传感器监测关键点的实时照度；
S4，将监测关键点的实时照度值对基准模型进行修正，得到室内实时天然光的照度分布情况模型。
径向基函数神经网络如下：
Figure BDA0003129819190000021
其中，Cu为神经元u的中心，X为输入，b1为影响径向基函数形状的给定常数偏置，ωu为隐层到输出层的权值，b2为隐层到输出的偏置
S2中，采用训练数据集训练径向基函数神经网络的具体方法如下“
S21，初始化网络；
S22，确定样本，使样本为中心的径向基函数作为隐节点时，误差最小；
S23，选用该样本为中心的径向基函数作为新的隐节点；
S24，采用最小二乘法计算隐层到输出层的权值；
S25，计算新的径向基函数神经网络的新误差，误差符合要求，则完成训练；若误差不符合要求，则执行S22。
影响室内天然光照度分布的内在因素包括：建筑所在的地理位置、建筑的朝向、窗户的位置、大小以及数量、室内墙壁和物体材料的反光特性以及由窗户向室内进深。
影响室内天然光照度分布的外在因素包括：天然光的辐射强度的变化、室内照度峰值区域的变化、北半球中各个季节光照强度的变化以及每日天气的对光照的影响。
室内天然光照度分布的模型如下：
Figure BDA0003129819190000022
其中，wr为目标位置与传感器之间的修正参数，计算方法如下：
Figure BDA0003129819190000031
其中，E′为基准模型的输出，E为修正后获得的实时天然光照度值，R为设置了R个照度传感器来测量实时照度值，xr,yr,zr为传感器r的位置。
与现有技术相比，本发明过采集室内天然光照度数据，训练径向基函数神经网络获得照度分布的基准模型；采用室内布置少数传感器监测关键点的实时照度来修正模型输出，从而得到实时室内天然光照度分布估计。本发明通过采集实际场景的天然光照度数据训练获取照度基准模型，并利用少数传感器监测的实时照度变化来修正基准模型的照度输出，实现快速的照度分布估算，为舒适照明控制提供依据。本发明利用径向基函数神经网络构建的天然光照度模型只需在应用场景中布置少数几个照度传感器检测天然光照度的变化，实现室内照度分布的快速估计，解决了大量传感器布置导致的工程化难题。
附图说明
图1为本发明中径向基函数神经网络结构图；
图2为本发明中天然光照度模型的整体框架图；
图3为实施例中室内三维视图；
图4为实施例中径向基函数神经网络结构。
具体实施方式
下面结合附图对本发明做进一步说明。
对于拥有良好天然采光的室内环境，天然采光的合理利用不仅能够减少照明能源的损耗，天然光照也有益于人的身心健康。本发明建立准确有效的天然光照度模型，给室内照明控制系统提供支持。
步骤一，数据采集；
在室内布置传感器，传感器的布置尽可能覆盖到关注的所有工作面，选取一天中某一确定时段(在有天然光条件下)采集室内天然光照度信息，以及记录测量点的位置信息，以位置信息为输入，照度信息为输出制作径向基函数神经网络的训练数据集。
步骤二，神经网络训练；
照度分布的基准模型是通过训练径向基函数神经网络获得的：
径向基函数神经网络是一个由输入层、隐层和输出层组成的三层神经网路。其中隐层又称径向基层，其每一个神经元的激活函数都是一个径向基函数，结构如图1所示。
Cu是神经元u的中心，与输入X具有相同的维数，b1是影响径向基函数形状的给定常数偏置。每个神经元计算输入向量到神经元中心的距离，然后乘以偏差b1；结果然后由
Figure BDA0003129819190000041
传递。因此，径向基函数神经网络一般可以表示为:
Figure BDA0003129819190000042
本发明所采取的径向基函数神经网络的学习方法为“中心从样本输入中选取”：先初始化一个没有任何隐节点的径向基神经网络，然后逐个向网络中添加隐节点，误差达到要求时，停止添加节点。为了使隐节点尽量的少，每次都会选择能使误差下降最多的节点作为新节点。具体算法如下：
1)初始化网络。
2)预估加入以哪个样本为中心的径向基函数作为隐节点，才能使误差减少最多。
3)选用以该样本为中心的径向基函数作为新的隐节点。
4)用最小二乘法计算隐层到输出层的权值。
5)计算新网络的新误差。
6)误差是否达到要求，否则返回2)。
步骤三，布置少量传感器监测实时照度；
在模型部署时，在室内布置少数传感器监测关键点的实时照度。关键点位置的选取原则是能够反映天然光随时间照度值变化明显的工作面。
步骤四，利用监测的实时照度值对基准模型出进行修正，可以获得室内实时天然光的照度分布，其修正公式按式(2)、(3)计算。
以室内办公环境为例。通常人们关注的是工作面上的照度，因此天然光照度建模主要是针对工作面上的照度分布，在工作面上布置足够多的照度传感器(具体数量由实际应用场景及布局决定)，选取一天中某一确定时段(在有天然光条件下)，获取该时段各个传感器位置坐标及对应的测量的照度值，获得训练数据集；
基准模型是以传感器数据集进行径向基函数神经网络训练。在训练径向基函数神经网络的过程中采用的学习方法为“中心从样本输入中选取”：先初始化一个没有任何隐节点的径向基神经网络，然后逐个向网络中添加隐节点，误差达到要求时，停止添加节点。为了使隐节点尽量的少，每次都会选择能使误差下降最多的节点作为新节点。具体算法如下：
1)初始化网络。
2)预估加入以哪个样本为中心的径向基函数作为隐节点，才能使误差减少最多。
3)选用以该样本为中心的径向基函数作为新的隐节点。
4)用最小二乘法计算隐层到输出层的权值。
5)计算新网络的新误差。
6)误差是否达到要求，否则返回2。
天然光在室内的照度分布是受多种因素共同影响的结果，通过基准模型估计外部环境变化后的照度必然产生较大的偏差，无法获得实时的室内天然光照度分布的准确估计的。具体来说有如下几个方面：
1)影响室内天然光照度分布的内在因素包括：建筑所在的地理位置，建筑的朝向，窗户的位置、大小以及数量，室内墙壁和物体材料的反光特性，由窗户向室内进深越大天然光强度越弱等等。
2)影响室内天然光照度分布的外在因素主要包括：随着一天当中太阳的东升西落，天然光的辐射强度由弱变强再变弱，室内照度峰值区域也由东向西偏移；对于北半球来说，夏季的光照强烈，冬季的光照较弱；多云和阴雨天，太阳直射光被云层遮挡，室内光照不足，而晴天的时候室内光照充足。
鉴于上文所述，室内光照分布受多种因素影响，变化范围大。因此，基准模型不能反映天然光照度分布的动态变化。
在本发明的一个优选实施例中，获得照度分布的基准模型并通过关键点布置传感器进行照度测量，并以此对模型输出进行修正，从而得到动态情况下室内实时天然光照度分布。关键点位置的选取原则是能够反映天然光照度随时间变化明显的工作面；
在本发明的一个优选实施例中，基于基准模型的校准基于以下认知得到的。对于给定的室内环境，上述影响室内天然光照度分布的内在因素也是确定的。假设不考虑外在因素，此时的室内天然光照度分布将唯一确定。也即是说，室内各位置的天然光照度之间具有某种确定的关联关系，而基准模型就是利用实测的训练数据将这种关联关系拟合出来。
然而，事实是各种外在因素作用将改变室内的天然光照度分布。因此，根据关键点实时的数据来校准基准模型输出，实现外在因素变化时照度快速估计有效方法。
室内天然光照度分布具有连续性，因此距离越小，两点之间的照度值关联性越大。选取少数关键点布置照度传感器，通过实时测量的照度Er与模型输出的照度E′r差距反映出同一位置两个时段天然光照度的变化。
利用关键位置的照度变化，根据照度分布的连续性的特点对室内的照度分布进行修正获得室内天然光产生照度的动态变化特点，进而对模型输出修正获得实时的室内天然光照度分布。具体修正公式如下：
Figure BDA0003129819190000071
式中，wr为修正参数，可计算为：
Figure BDA0003129819190000072
(2)式中的E'表示基准模型的输出，E表示修正后获得的实时天然光照度值，R表示设置了R个照度传感器来测量实时照度值，[xr,yr,zr]定义传感器r的位置。式(3)表示wr由目标位置与传感器之间的距离定义。
实施例：
1、实验环境
实验场所位于某实验室(北纬34.35°，东经108.92°)，实验室为一个4.5m×7.0×3.2m的空间。
室内布置有6套桌椅，建筑右下角为坐标原点，向上方向为x轴，向左方向为y轴，建立水平方向的直角坐标系(后文沿用该水平坐标系)。以桌面中心为准，6个工作桌的水平坐标如下表所示：
表1工作桌坐标
编号 1 2 3 4 5 6
坐标(m) (0.75,1.70) (3.75,1.70) (0.75,4.13) (3.75,4.13) (0.75,6.56) (3.75,6.56)
室内窗户朝南，窗台高度为0.8m，窗户的整体尺寸为5.8m×1.35m。
2、建立天然光照度分布基准模型
天然光照度分布基准模型的训练数据的采集时间是2020年11月26日11：00～11：20，天气状况为晴天。室内俯视平面图如图3所示，利用Guarda FX-101 LUX METER照度计在室内水平高度为0.75m的表面上采集30个点的照度，图中红色标记即为采集照度的点位蓝色标记为关键位置的照度传感器，水平高度统一为0.75m，分别记为s1,s2,s3。
采集的照度值及水平坐标如下表所示：
表2训练数据
坐标(cm) (84,175) (141,175) (197,175) (253,175) (309,175) (366,175)
照度(lx) 641 698 756 851 995 1420
坐标(cm) (84,292) (141,292) (197,292) (253,292) (309,292) (366,292)
照度(lx) 646 722 783 882 1015 1444
坐标(cm) (84,408) (141,408) (197,408) (253,408) (309,408) (366,408)
照度(lx) 623 687 762 862 1037 1523
坐标(cm) (84,525) (141,525) (197,525) (253,525) (309,525) (366,525)
照度(lx) 516 572 641 750 926 1401
坐标(cm) (84,642) (141,642) (197,642) (253,642) (309,642) (366,642)
照度(lx) 351 403 442 501 581 716
照度传感器的水平坐标如下表：
表3照度传感器坐标
照度传感器 s<sub>1</sub> s<sub>2</sub> s<sub>3</sub>
坐标(cm) (422,642) (422,408) (422,175)
将训练数据的坐标作为输入，照度作为输出对径向基神经网络进行训练，获得训练好的照度分布基准模型。训练完成的神经网络如图4所示，最终确定的隐层神经元数目为23个。
3、预测结果分析
获得基准模型后，选取了3、4、5号桌面的中心点作为测试点，坐标分别为#3(75cm,413cm)，#4(375cm,413cm)，#5(75cm,656cm)。利用照度计测量了2020年11月27日中不同时间的照度值，天气状况为多云。将同一时刻的关键点位置的照度传感器的数值实时输入到天然光照度模型中，进行实时天然光照度的计算，最终将计算的实时天然光照度与测量的实时天然光照度值对比分析如下表，表中照度值单位均为lx，包括s1,s2,s3获取的实时照度值。
表4照度预测结果统计表
Figure BDA0003129819190000091
表中E′为基准模型预测的照度估计值，
Figure BDA0003129819190000092
为照度分布模型对基准模型输出的估计值进行修正后的计算值，相对误差δ计算为：
Figure BDA0003129819190000093
因此，从上表的统计结果来看，模型预测的照度值的相对误差大部分都能控制在7％以内，最大不超过10％，模型能够进行较为准确的实时天然光照度估计。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种室内天然光照度建模方法，其特征在于，包括以下步骤：
S1，采集室内天然光照度信息，并记录测量点的位置坐标，以位置坐标为输入，照度信息为输出制作径向基函数神经网络的训练数据集；
S2，采用训练数据集训练径向基函数神经网络，获得室内天然光照度分布的基准模型；
S3，在室内布设若干传感器监测关键点的实时照度；
S4，将监测关键点的实时照度值对基准模型进行修正，得到室内实时天然光的照度分布情况模型；室内实时天然光的照度分布情况模型如下：
Figure FDA0003923261410000011
其中，wr为目标位置与传感器之间的修正参数，计算方法如下：
Figure FDA0003923261410000012
其中，E′为基准模型的输出，E为修正后获得的实时天然光照度值，R为设置了R个照度传感器来测量实时照度值，xr,yr,zr为传感器r的位置。
2.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，径向基函数神经网络如下：
Figure FDA0003923261410000013
其中，Cu为神经元u的中心，X为输入，b1为影响径向基函数形状的给定常数偏置，ωu为隐层到输出层的权值，b2为隐层到输出层的偏置。
3.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，S2中，采用训练数据集训练径向基函数神经网络的具体方法如下：
S21，初始化网络；
S22，确定样本，使样本为中心的径向基函数作为隐节点时，误差最小；
S23，选用该样本为中心的径向基函数作为新的隐节点；
S24，采用最小二乘法计算隐层到输出层的权值；
S25，计算新的径向基函数神经网络的新误差，误差符合要求，则完成训练；若误差不符合要求，则执行S22。
4.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，影响室内天然光照度分布的内在因素包括：建筑所在的地理位置、建筑的朝向、窗户的位置、大小以及数量、室内墙壁和物体材料的反光特性以及由窗户向室内进深。
5.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，影响室内天然光照度分布的外在因素包括：天然光的辐射强度的变化、室内照度峰值区域的变化、北半球中各个季节光照强度的变化以及每日天气的对光照的影响。
CN202110701165.1A 2021-06-23 2021-06-23 一种室内天然光照度建模方法 Active CN113408206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110701165.1A CN113408206B (zh) 2021-06-23 2021-06-23 一种室内天然光照度建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110701165.1A CN113408206B (zh) 2021-06-23 2021-06-23 一种室内天然光照度建模方法

Publications (2)

Publication Number Publication Date
CN113408206A CN113408206A (zh) 2021-09-17
CN113408206B true CN113408206B (zh) 2022-12-06

Family

ID=77682738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110701165.1A Active CN113408206B (zh) 2021-06-23 2021-06-23 一种室内天然光照度建模方法

Country Status (1)

Country Link
CN (1) CN113408206B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113994829B (zh) * 2021-11-19 2022-09-20 国网甘肃省电力公司电力科学研究院 一种考虑可时移与成本因素的led补光灯运行调控方法
CN114444669A (zh) * 2022-03-03 2022-05-06 北京市建筑设计研究院有限公司 一种智能照明调节方法、系统及计算机储存介质
CN116011347A (zh) * 2023-02-08 2023-04-25 广州城市理工学院 基于径向基函数神经网络的照明系统模型建模方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107121924A (zh) * 2017-03-03 2017-09-01 中国农业大学 一种基于rbf神经网络的室内视觉环境调控系统及方法
CN110334387A (zh) * 2019-05-09 2019-10-15 重庆大学 一种基于bp神经网络算法的室内光照预估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206251403U (zh) * 2016-12-19 2017-06-13 重庆汉岳科技发展有限公司 一种天然采光照明节能控制系统
JP6817109B2 (ja) * 2017-03-06 2021-01-20 東日本旅客鉄道株式会社 照明制御方法および照明制御システム
CN107464244A (zh) * 2017-03-09 2017-12-12 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于神经网络的图像光照估计方法
CN110910486B (zh) * 2019-11-28 2021-11-19 浙江大学 室内场景光照估计模型、方法、装置、存储介质以及渲染方法
CN111259481B (zh) * 2020-01-21 2024-02-13 哈尔滨工业大学 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN111818449B (zh) * 2020-06-15 2022-04-15 华南师范大学 一种基于改进的人工神经网络的可见光室内定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107121924A (zh) * 2017-03-03 2017-09-01 中国农业大学 一种基于rbf神经网络的室内视觉环境调控系统及方法
CN110334387A (zh) * 2019-05-09 2019-10-15 重庆大学 一种基于bp神经网络算法的室内光照预估方法

Also Published As

Publication number Publication date
CN113408206A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN113408206B (zh) 一种室内天然光照度建模方法
Napoly et al. Development and application of a statistically-based quality control for crowdsourced air temperature data
Bevilacqua et al. Green roofs in a Mediterranean climate: Energy performances based on in-situ experimental data
Reinhart et al. Validation of dynamic RADIANCE-based daylight simulations for a test office with external blinds
Sangogboye et al. Performance comparison of occupancy count estimation and prediction with common versus dedicated sensors for building model predictive control
Bhandari et al. Evaluation of weather datasets for building energy simulation
CN107341296B (zh) 一种基于bim技术的高层群楼采光优化处理方法
Bourgeois et al. Standard daylight coefficient model for dynamic daylighting simulations
Berry et al. Tree canopy shade impacts on solar irradiance received by building walls and their surface temperature
Yu et al. A preliminary exploration of the cooling effect of tree shade in urban landscapes
CN114019579B (zh) 高时空分辨率近地表空气温度重构方法、系统、设备
Kohler et al. Impacts of several urban-sprawl countermeasures on building (space heating) energy demands and urban heat island intensities. A case study
Yoon et al. Development of annual daylight simulation algorithms for prediction of indoor daylight illuminance
CN114757807A (zh) 多模式融合的大气污染物实际排放量在线核算方法
Li et al. Predicting daylight illuminance on inclined surfaces using sky luminance data
Ibarra et al. Solar availability: a comparison study of six irradiation distribution methods
Yu et al. Spatial interpolation-based analysis method targeting visualization of the indoor thermal environment
KR20180032905A (ko) 건물의 일조 특성 시뮬레이션 시스템 및 그 제어 방법
KR102519975B1 (ko) 에너지 비용 절감을 위한 친환경 건축 시뮬레이션 시스템 및 친환경 건축 설계 방법
Oxizidis et al. A computational method to assess the impact of urban climate on buildings using modeled climatic data
He et al. Measurement and simulation of the thermal environment in the built space under a membrane structure
Lai et al. Effectively modeling surface temperature and evaluating mean radiant temperature in tropical outdoor industrial environments
Li et al. Standard skies classification in Hong Kong
CN113111419A (zh) 办公建筑内空调负荷预测模型建立、预测方法及系统
CN104899464B (zh) 一种适应噪声条件下的抽样学习机遥感定量反演方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231220

Address after: No. 11103, Building 1, Wenjing Square, Fengcheng 11th Road, Xi'an Economic and Technological Development Zone, Shaanxi Province, 710018

Patentee after: Xi'an Yuming Information Technology Co.,Ltd.

Address before: 710021 Shaanxi province Xi'an Weiyang University Park

Patentee before: SHAANXI University OF SCIENCE & TECHNOLOGY