CN113420501B - 一种改进的人工神经网络室内光源布局方法 - Google Patents
一种改进的人工神经网络室内光源布局方法 Download PDFInfo
- Publication number
- CN113420501B CN113420501B CN202110648055.3A CN202110648055A CN113420501B CN 113420501 B CN113420501 B CN 113420501B CN 202110648055 A CN202110648055 A CN 202110648055A CN 113420501 B CN113420501 B CN 113420501B
- Authority
- CN
- China
- Prior art keywords
- light source
- neural network
- artificial neural
- type
- room
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000004313 glare Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
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)
- Non-Portable Lighting Devices Or Systems Thereof (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种改进的人工神经网络室内光源布局方法，所述方法包括：获取需要进行光源布局设计的光源类型、房间类型、光源位置信息和权重；将获取的光源类型、房间类型、光源位置信息和权重输入预训练好的人工神经网络，得到不同光源布局的品质因数；对得到的不同光源布局的品质因数进行排序，得到最佳光源布局方案。可以普遍应用于适合均匀照明方案的照明场所，相对于传统的光源布局方法，在考虑成本的情况下，照明品质更高。
Description
技术领域
本发明涉及电气设备及电气工程技术领域，尤其涉及一种改进的人工神经网络室内光源布局方法。
背景技术
在如今的半导体照明技术发展及应用的趋势下，照明在可持续发展的诸多环节中拥有得天独厚的作用空间。照明设计首先要考虑的是照明数量，对于照明数量的最主要要求是“合适的照度”。照度是衡量物体明亮程度的间接指标。对于普通照明，适度的增加照度可以提高视力，提高学习、工作和劳动的效率，同时也会增加照明功率密度(LPD)。照明功率密度是衡量照明系统能源效率的指标，在符合照明标准的情况下，越低越好。其次，照明设计还要解决照明质量问题，因为它直接影响到工作的效率，甚至影响到身体健康和心理状况，还会影响到整个室内的气氛和各种效果。照明质量包括有利于视功能及舒适感的亮度分布，如均匀度、炫光控制、方向性等。然而，室内环境的各异和设计参数(LDP、平均照度、均匀度、眩光度)的互斥给室内光源的布局带来了困难。
为了解决光源分布的问题，目前的研究工作分为两类，凸优化和进化算法。凸优化就是将光源排布问题转化成凸优化的问题，利用反向设计的思想通过对接收面设置的目标函数进行求最优解，得到最终的光源布局方案。进化算法主要是使用遗传算法、蚁群算法和粒子群算法。然而这些研究都是针对某一特定场合就行设计研究，当更换场所时，就要面临重新设计参数的问题，且训练速度慢。
发明内容
本发明的目的是提供一种改进的人工神经网络室内光源布局方法，可以普遍应用于适合均匀照明方案的照明场所，相对于传统的光源布局方法，在考虑成本的情况下，照明品质更高。
本发明为实现上述发明目的采用如下技术方案：
本发明提供了一种改进的人工神经网络室内光源布局方法，包括：
获取需要进行光源布局设计的光源类型、房间类型、光源位置信息和权重；
将获取的光源类型、房间类型、光源位置信息和权重输入预训练好的人工神经网络，得到不同光源布局的品质因数；
对得到的不同光源布局的品质因数进行排序，得到最佳光源布局方案。
进一步地，所述人工神经网络的训练方法，包括：
建立以光源类型、房间类型、光源位置信息和权重为输入，品质因数为输出的人工神经网络；
获取光源类型、房间类型、光源位置信息和权重，并根据光源类型、房间类型、光源位置信息和权重计算成本、功率密度、均匀度、平均照度和眩光度；
根据成本、功率密度、均匀度、平均照度和眩光度以及各自的限制值，建立品质因数公式；
根据品质因数公式计算得到的结果筛选符合要求的光源类型、房间类型、光源位置信息和权重，使用仿真软件DIALux矫正其功率密度、均匀度、平均照度和眩光度的值，再次计算品质因数；
使用光源类型、房间类型、光源位置信息、权重和矫正的品质因数对建立的人工神经网络进行训练。
进一步地，所述人工神经网络的训练方法，还包括：
使用遗传算法优化人工神经网络的阈值和权值。
进一步地，所述光源类型信息包括单个光源价格、功率和发光强度。
进一步地，所述房间类型信息包括房间长、宽、高、墙面反射率、地面反射率和天花板反射率。
进一步地，所述光源位置信息包括两个灯源横向间隔长度、两个灯源纵向间隔长度、一行灯源数量和一列灯源数量。
进一步地，所述成本的计算公式为：
式中，F为购买灯具的花销，W为年电力费，C为成本，Emean为平均光照强度。
进一步地，所述品质因数的计算公式为：
式中，Emean为平均照度；U为均匀度；UGR为眩光度；LPD为照明功率密度；C为成本；Emean_limit为平均照度最低限制值；Ulimit为均匀度最低限制值；UGRlimit为眩光度最高限制值；LPDlimit为照明功率密度最高限制值；Climit为成本最高限制值；当照明设计不满足其中一个或多个设计参数时，Q为0；当满足设计参数时，设置权重α(0＜α＜1)的值，α代表室内照明质量的重要程度。
本发明的有益效果如下：
通过设计了品质因数公式，综合评估光源布局方案的成本和照明品质；
并且可以根据房间的用途设置不同权重，以此平衡成本与照明品质；
对于均匀和规则照明场所，本发明使用四个变量即可唯一的表示每个光源的位置；
使用了改进人工神经网络收敛速度更快，经过训练后的神经网络可以普遍适用于各种均匀照明场所，无需重新设计参数；
考虑了影响照明坏境的诸多因素，可以获得更高的照明品质和较低的成本。
附图说明
图1为根据本发明实施例提供的一种改进的人工神经网络室内光源布局方法的流程图；
图2为根据本发明实施例提供的一种改进的人工神经网络室内光源布局方法中遗传算法改进人工神经网络流程图；
图3为根据本发明实施例提供的一种改进的人工神经网络室内光源布局方法中0.75米水平面光强分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例中，阐述了应用本发明进行室内光源布局。办公室室内房间长8米、宽4米、高3米，天花板、墙板和地板的有效折射率分别为0.8、0.7、0.2。根据《建筑照明设计标准》(GB50034-2013)的要求进行设计，成本与照明品质兼顾，使用32W嵌入式格栅灯进行照明，价格为78元，发光强度为1400cd。图1为本发明一种改进的人工神经网络室内光源布局方法的总体流程图；
由图1可以看出一种改进的人工神经网络室内光源布局方法，包括以下步骤：
步骤1：收集光源类型、房间类型、光源位置信息以及权重；
具体到本实例中，步骤1细化为：
应收集成本与照明品质兼顾的室内房间信息。其中光源类型信息包括单个光源价格cost、功率P和发光强度Iθ；房间类型信息包括房间长a、宽b、高h、墙面反射率ρw、地面反射率ρfc和天花板反射率ρcc；光源布局信息包括光源横向间隔长度Lt、光源纵向间隔长度Ll、一行光源数量Na和一列光源数量Nb，这四个量在均匀分布的情况下可以唯一确定光源的位置；
步骤2：根据光源类型、房间类型和光源位置信息计算成本C、功率密度LDP、均匀度U、平均照度Emean和眩光度UGR；
具体到本实例中，步骤2细化为：
成本计算公式为：式中，F为购买灯具的花销，W为年电力费。这里成本省略了清扫灯具所消耗的清洁剂等材料及人工费用等。计算年电力费时，假设年点灯时间为4015h，电力费单价为0.65元/千瓦每小时；
步骤3：根据步骤2得到的成本、功率密度、均匀度、平均照度和眩光度，以及各自的限制值建立品质因数公式Q，综合评估光源布局方案的成本和照明品质。可以根据房间的用途设置不同权重α，以此平衡成本与照明品质；
具体到本实例中，步骤3细化为：
品质因数计算公式为：
式中Emean_limit、Ulimit、UGRlimit、LPDlimit由《建筑照明设计标准》(GB50034-2013)决定，对于特殊设计，也可用户自己设定，Climit由用户根据照明场所设置。
步骤4：为了减少工作量，筛选步骤3得到的品质因数，对符合要求的品质因数，根据其光源类型、房间类型和光源位置信息，再使用专业照明仿真软件DIALux矫正功率密度、均匀度、平均照度和眩光度的值，以获得准确的数据。然后再次计算品质因数；
具体到本实例中，步骤4细化为：
符合要求的品质因数即不为0的品质因数；
步骤5：建立一个以光源类型、房间类型、光源位置信息和权重α为输入，品质因数为输出的人工神经网络，使用步骤3和步骤4获取的数据进行训练，如图2所示，使用遗传算法优化人工神经网络的阈值和权值，最终目标是使预测值与真实值之间的均方误差最小；
具体到本实例中，步骤5细化为：
人工神经网络包括输入层、隐藏层和输出层。隐藏层的节点数应不低于15个，数据输入前应先进行归一化处理；
以上步骤1到步骤5完成了训练模式，下面就可以利用训练好的人工神经网络预测不同光源类型、房间类型、光源位置信息和权重的品质因数，并得到最佳的光源布局方案；
步骤6：将本实例的光源类型、房间类型、不同的光源位置信息以及权重α输入步骤5训练好的人工神经网络；
具体到本实例中，步骤6细化为：
不同的布局方式即通过改变光源横向间隔长度Lt、光源纵向间隔长度Ll、一行光源数量Na和一列光源数量Nb，这四个量的值来实现。因为办公室的成本与照明品质兼顾，权重α为0.5；
步骤7：对步骤6得到的不同光源布局的品质因数进行排序，即可得到最佳光源布局方案，如图3所示，为本实例最佳布局下，0.75米水平面上光强分布。
至此从步骤1到步骤7完成了一种改进的人工神经网络室内光源布局方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种改进的人工神经网络室内光源布局方法，其特征在于，所述方法包括：
获取需要进行光源布局设计的光源类型、房间类型、光源位置信息和权重；
将获取的光源类型、房间类型、光源位置信息和权重输入预训练好的人工神经网络，得到不同光源布局的品质因数；
对得到的不同光源布局的品质因数进行排序，得到最佳光源布局方案；
所述品质因数的计算公式为：
式中，Emean为平均照度；U为均匀度；UGR为眩光度；LPD为功率密度；C为成本；Emean_limit为平均照度最低限制值；Ulimit为均匀度最低限制值；UGRlimit为眩光度最高限制值；LPDlimit为照明功率密度最高限制值；Climit为成本最高限制值；当照明设计不满足其中一个或多个设计参数时，Q为0；当满足设计参数时，设置权重α(0＜α＜1)的值，α代表室内照明质量的重要程度。
2.根据权利要求1所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述人工神经网络的训练方法，包括：
建立以光源类型、房间类型、光源位置信息和权重为输入，品质因数为输出的人工神经网络；
获取光源类型、房间类型、光源位置信息和权重，并根据光源类型、房间类型、光源位置信息和权重计算成本、功率密度、均匀度、平均照度和眩光度；
根据成本、功率密度、均匀度、平均照度和眩光度以及各自的限制值，建立品质因数公式；
根据品质因数公式计算得到的结果筛选符合要求的光源类型、房间类型、光源位置信息和权重，使用仿真软件DIALux矫正其功率密度、均匀度、平均照度和眩光度的值，再次计算品质因数；
使用光源类型、房间类型、光源位置信息、权重和矫正的品质因数对建立的人工神经网络进行训练。
3.根据权利要求2所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述人工神经网络的训练方法，还包括：
使用遗传算法优化人工神经网络的阈值和权值。
4.根据权利要求2所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述光源类型信息包括单个光源价格、功率和发光强度。
5.根据权利要求2所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述房间类型信息包括房间长、宽、高、墙面反射率、地面反射率和天花板反射率。
6.根据权利要求2所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述光源位置信息包括两个灯源横向间隔长度、两个灯源纵向间隔长度、一行灯源数量和一列灯源数量。
7.根据权利要求2所述的一种改进的人工神经网络室内光源布局方法，其特征在于，所述成本的计算公式为：
式中，F为购买灯具的花销；W为年电力费；C为成本；Emean为平均照度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648055.3A CN113420501B (zh) | 2021-06-10 | 2021-06-10 | 一种改进的人工神经网络室内光源布局方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110648055.3A CN113420501B (zh) | 2021-06-10 | 2021-06-10 | 一种改进的人工神经网络室内光源布局方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420501A CN113420501A (zh) | 2021-09-21 |
| CN113420501B true CN113420501B (zh) | 2024-04-02 |
Family
ID=77788327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110648055.3A Active CN113420501B (zh) | 2021-06-10 | 2021-06-10 | 一种改进的人工神经网络室内光源布局方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420501B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329438B (zh) * | 2022-08-25 | 2023-04-25 | 贝壳找房(北京)科技有限公司 | 场景空间的布光方法、计算机设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109167630A (zh) * | 2018-08-28 | 2019-01-08 | 南京邮电大学 | 一种基于dnn神经网络室内灯源布局方法 |
| CN110826135A (zh) * | 2019-11-05 | 2020-02-21 | 广东博智林机器人有限公司 | 家居排布方法、装置、神经网络构建方法及存储介质 |
| CN111259481A (zh) * | 2020-01-21 | 2020-06-09 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9706623B2 (en) * | 2012-08-24 | 2017-07-11 | Abl Ip Holding Llc | Learning capable control of chaotic lighting |
| US11106973B2 (en) * | 2016-03-16 | 2021-08-31 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method and system for bit-depth reduction in artificial neural networks |
-
2021
- 2021-06-10 CN CN202110648055.3A patent/CN113420501B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109167630A (zh) * | 2018-08-28 | 2019-01-08 | 南京邮电大学 | 一种基于dnn神经网络室内灯源布局方法 |
| CN110826135A (zh) * | 2019-11-05 | 2020-02-21 | 广东博智林机器人有限公司 | 家居排布方法、装置、神经网络构建方法及存储介质 |
| CN111259481A (zh) * | 2020-01-21 | 2020-06-09 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420501A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106484512B (zh) | 计算单元的调度方法 | |
| CN113420501B (zh) | 一种改进的人工神经网络室内光源布局方法 | |
| CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
| CN107248740B (zh) | 一种家庭用电设备负荷预测方法 | |
| Şahin et al. | ANN-based estimation of time-dependent energy loss in lighting systems | |
| Dong et al. | Intelligent optimization: A novel framework to automatize multi-objective optimization of building daylighting and energy performances | |
| CN102496063A (zh) | 大功率led阵列照度均匀化的方法 | |
| CN109919485A (zh) | 一种基于nsga-ii的水资源配置的多目标优化方法 | |
| Wagiman et al. | A review on sensing-based strategies of interior lighting control system and their performance in commercial buildings | |
| CN111539055B (zh) | 一种多感知智能光伏屋顶及其设计方法、设计系统 | |
| CN108365891B (zh) | 一种室内可见光通信系统下行覆盖均匀性优化方法 | |
| CN109359134B (zh) | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 | |
| Ayaz et al. | A NOVEL COST-EFFICIENT DAYLIGHT-BASED LIGHTING SYSTEM FOR PUBLIC BUILDINGS: DESIGN AND IMPLEMENTATION. | |
| CN112996200B (zh) | 面向地下停车场灯光负荷的需求侧响应控制方法 | |
| Taşer et al. | Multi-objective evolutionary optimization of photovoltaic glass for thermal, daylight, and energy consideration | |
| CN116090045A (zh) | 一种确定照明方案的方法和装置 | |
| CN114297945A (zh) | 一种基于差分进化算法的光伏传感器优化布置方法 | |
| Gligor et al. | Considerations on an intelligent buildings management system for an optimized energy consumption | |
| CN110472339B (zh) | 一种基于蒙特卡洛的房间照明负荷计算方法 | |
| Grigoryev et al. | Illuminance adjustment in a LED lighting system using a webcam | |
| Singh et al. | Techno-Economic Analysis of Different Lighting Schemes: A Case Study | |
| Santiago et al. | Multiple objective optimization of LED lighting system design using genetic algorithm | |
| CN109657849A (zh) | 一种基于网络分析法的led灯阵列布线方法 | |
| CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
| CN115630753B (zh) | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
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 |