CN115175404B - 一种基于led灯的一站式自动调光方法 - Google Patents
一种基于led灯的一站式自动调光方法 Download PDFInfo
- Publication number
- CN115175404B CN115175404B CN202211089313.XA CN202211089313A CN115175404B CN 115175404 B CN115175404 B CN 115175404B CN 202211089313 A CN202211089313 A CN 202211089313A CN 115175404 B CN115175404 B CN 115175404B
- Authority
- CN
- China
- Prior art keywords
- value
- illumination
- illumination brightness
- membership degree
- curtain shielding
- 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
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/30—Driver circuits
- H05B45/32—Pulse-control circuits
- H05B45/325—Pulse-width modulation [PWM]
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/10—Controlling the intensity of the light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
一种基于LED灯的一站式自动调光方法,属于照明控制技术领域,应用广义回归神经网络,协助计算灯光和阳光互补的最佳配置策略,系统自动判断当前环境下是否需要调整灯光,并针对个别区域计算出最佳的PWM调光值,达到调光的即时性、节能性和光照稳定性的平衡,实现灯光的无主控制。
Description
技术领域
本发明属于照明控制技术领域,具体涉及一种基于LED灯的一站式自动调光方法。
背景技术
对于照明设备的控制,希望其能自动调节光照强度,提升照明的智能化程度,从而提高用户体验的舒适度。
公告号为CN114364084B的中国发明专利,公开了一种基于云端的LED照明节能系统以及节能方法,其以PWM调光百分比(替代传统的PWM占空比的等比增减),控制LED灯的照明亮度,实现LED灯的亮度的等比增减,调整过程中亮度平滑。其仍具有以下不足:
1.该对比文件并没有考虑调整环境光,需要用户手动调节窗户窗帘的开合程度从而调节环境光。照明空间的平均亮度,为环境光的亮度和照明光的亮度之和。而将环境光纳入到调光系统,将增加光线利用率,减少电力消耗,并提升系统的自动化程度。
2.该对比文件需要设定一个k值,作为PWM增减量的初始值,当k值越大,单次增减量越大,运行次数越少,但一旦超过目标值,范围会增加返回时除二次数,使得执行次数变多。也就是说,对比文件单次调光可能需要执行多次PWM值的增减,使得PWM值逼近亮度期望区间所对应的PWM值。这种多次拟合的方式增加了调光次数,增加了运算成本,影响了光源的稳定性,增加了LED灯调光损耗的功率,且影响LED的使用寿命。
因此,希望能设计出一种基于LED灯的一站式自动调光方法,能将环境光纳入到调光方法,且单次调光只需要执行一次PWM值的增减,就能将PWM值逼近亮度期望区间所对应的PWM值。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种基于LED灯的一站式自动调光方法。
为了达到上述目的,本发明采取了以下的技术方案。
一种基于LED灯的一站式自动调光方法,包括以下步骤:
步骤S1,收集调光资料:将光照感测装置安装于屋顶或吊顶下方固定间距处;将光照感测装置感测的照明空间划分相等大小的正方形矩阵;光照感测装置将每个时段的每个光照区域的光照亮度值传送给电源分配器并经由电源分配器上传至云整合端;
每个房间均安装有至少1个温度传感器,温度传感器测得房间的温度值,并将每个时段的每个房间的温度值传送给电源分配器并经由电源分配器上传至云整合端;
电源分配器读取每个时段的照明设备的PWM值,并将温度值、光照亮度值和PWM值上传至云整合端;
云整合端,收集温度值、光照亮度值和PWM值,形成样本资料;
步骤S2,通过模糊控制器控制窗帘的展幅:云整合端,设置有模糊逻辑控制器,建立模糊规则库,对温度值和光照亮度值设定归属函数,然后进行模糊评估,并输出模糊逻辑控制曲面图后,生成窗帘遮蔽百分比的控制信号;窗帘控制器,通过电源分配器接收发云整合端送的窗帘遮蔽百分比的控制信号,控制窗帘的展开幅度;
步骤S3,通过广义回归神经网络训练模型:云整合端设置有广义回归神经网络,并将样本资料输入到广义回归神经网络,习得最佳调光模型的条件期望值函数;
步骤S4,根据光照亮度期望值μx,输出各个区域的最佳亮度区间[Bmin,Bmax]且Bmax-μx=μx-Bmin;其中,Bmin是最佳亮度区间的下限值,Bmax是最佳亮度区间的上限值;然后,云整合端,实时收集各个光照区域的光照亮度值Bmn和PWM值Pmn;其中m为光照区域的行数,n为光照区域的列数;
如果光照亮度值位于所在光照区域的最佳亮度区间,即Bmin<Bmn<Bmax,则停止调光;否则,将各个光照区域的光照亮度值Bmn和PWM值Pmn,代入到条件期望值函数得到当前PWM变动值△Pmn(t),再进行判断:当Bmn<Bmin时,调整后的PWM值为Pmn+△Pmn(t);否则调整后的PWM值为Pmn-△Pmn(t);
云整合端,将调整后的PWM值,输送给电源分配器;电源分配器根据调整后的PWM值对照明设备进行调光。
进一步,步骤S2,包括:
步骤S201,确定模糊逻辑控制器的输入量和输出量,以及隶属度函数:
输入量为温度值和光照亮度值,输入对应的隶属度为零、正小和正大;输出量为窗帘遮蔽百分比,输出对应的隶属度包括窗帘遮蔽0%的N、窗帘遮蔽25%的F、窗帘遮蔽50%的S、窗帘遮蔽75%的M和窗帘遮蔽100%的L;选用trimf三角形隶属度函数;
步骤S202,设计模糊逻辑控制器的规则库;
步骤S203,解模糊化,输出温度值隶属度函数、光照亮度值隶属度函数和模糊逻辑控制曲面图。
进一步,步骤S202中,规则库中的模糊控制规则如下:
规则一:如果温度值正常,且光照亮度值正常,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则二:如果温度值偏高,且光照亮度值正常,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则三:如果温度值过高,且光照亮度值正常,则窗帘遮蔽百分比为25%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽25%的F;
规则四:如果温度值正常,且光照亮度值偏高,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则五:如果温度值偏高,且光照亮度值偏高,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则六:如果温度值过高,且光照亮度值偏高,则窗帘遮蔽百分比为50%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽50%的S;
规则七:如果温度值正常,且光照亮度值过高,则窗帘遮蔽百分比为75%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽75%的M;
规则八:如果温度值偏高,且光照亮度值过高,则窗帘遮蔽百分比为100%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L;
规则九:如果温度值过高,且光照亮度值过高,则窗帘遮蔽百分比为100%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L。
进一步,步骤S3中,将各光照区域的光照亮度值Bmn、PWM值Pmn和前次PWM变动值△Pmn(t-1)作为输入值X=[B11, B12,...,Bmn,P11,P12,...,Pmn,△P11(t-1),△P12(t-1),...,△Pmn(t-1)]T,输入到广义回归神经网络;其中T表示转置;m表示光照区域行数,n表示光照区域列数;
计算得到输出值Y=[△P11(t),△P12(t),...,△Pmn(t)]T;其中△Pmn(t)表示本次PWM变动值;
令光照亮度期望值μx为广义回归神经网络使用的高斯函数的中心点,根据输入值X和输出值Y拟合条件期望值函数:
其中,Bmn表示m行、n列光照区域的光照亮度值;Pmn表示m行、n列光照区域所在的照明设备的PWM值;△Pmn(t-1)表示m行、n列光照区域所在的照明设备的前次PWM变动值;△Pmn(t)表示m行、n列光照区域所在的照明设备的当前PWM变动值;n’为样本观测数;Yi表示第i个样本的输出值;μx为光照亮度期望值;p是输入矢量Bmn的矢量维度;T表示转置;σ表示平滑因子。
进一步,步骤S3中,平滑因子σ的设定方法如下:首先,将样本资料切分为数量占比80%的训练集和数量占比20%测试集,然后,将训练集分别以σ为0.1、1、5和10的预设值进行调光预测,然后将预测结果与测试集进行均方根误差的计算;选取最小均方根误差所对应的预设值作为平滑因子。
本方案具有以下优点:
1,本方案,同时对环境光和照明光进行了调整,达到一站式自动调光的效果,而不再需要人工调整窗帘的开合程度或者人工调整LED灯的亮度。当环境光充足时,以调整窗帘为主,当环境光不足时,以开启照明为主。考虑到室内环境,靠窗处的环境光充足,而远离窗户的地方环境光不足,因此,调光时,同时用到了调整窗帘的步骤和调整照明的步骤。另外,由于调整窗帘时,还考察了温度,温度的高低直接影响了窗帘的开合程度,而窗帘的开合程度又影响照明光的亮度,因此,有必要先确定窗帘的开合程度,后确定照明光的亮度。
2,本方案,应用模糊控制理论,调整窗帘遮蔽百分比,将温度和光照亮度同时设定为影响窗帘遮蔽的因子,而不是单纯考虑了光照亮度,提升用户的使用满意度。由于温度和光照亮度对于窗帘遮蔽的影响,并不能直接用语言或者公式详细的描述,而我们又希望能通过温度和光照亮度精准的调整窗帘遮蔽,因此,本方案尝试用模糊控制理论来处理窗帘遮蔽的控制问题。
3,本方案,应用广义回归神经网络,协助计算灯光和阳光互补的最佳配置策略,系统自动判断当前环境下是否需要调整灯光,并针对个别区域计算出最佳的PWM调光值,达到调光的即时性、节能性和光照稳定性的平衡,实现灯光的自动控制。
4,无论是窗帘遮蔽的控制,还是LED灯的PWM值调整,在本方案中,都是一次性直接调整,无需多次拟合,提升了调光的效率,减少LED灯的调光次数,提供稳定的光照,减少能源消耗以及增加LED灯的寿命。
附图说明
图1是本发明的模糊控制器的架构图;
图2是温度值隶属度函数图;
图3是光照亮度值隶属度函数示意图;
图4是模糊逻辑控制曲面图;
图5是平滑因子σ的均方根误差图;
图6为步骤S4的流程图,
图7是单个区域的功率比较图;
图8是一整天的PWM值变化图。
具体实施方式
下面结合附图,对本发明作进一步详细说明。
广义回归神经网络,是一种径向基网络的变形形式,建立在非参数回归的基础上,以样本数据为后验条件,执行非参数的核密度估计,根据最大概率原则计算网络输出。广义回归神经网络,以径向基网络为基础,其能有效地解决概率神经网络(PNN)只能处理分类上的问题与加强径向基函数神经网络(RBFNN)当数据不够齐全无法运作的问题,同时,保留了概率神经网络和加强径向基函数神经网络这两种神经网络的优点。广义回归神经网络,可以使用类似于概率神经网络利用概率密度函数去计算出最佳的输出值,并且,具有和加强径向基函数神经网络一样在学习网络时速度快、可以找出最佳逼近解和可以处理线性和非线性的问题的优点。因此,广义回归神经网络,具有良好的非线性逼近性能,尤其适合解决曲线拟合的问题。
广义回归神经网络,无需像传统回归分析一样必须假设明确的函数式,而是可以通过概率密度函数的方式找出最佳的输出期望值作为输出值的预测。在回归预测中,独立矢量X=[x1, x2,,,,xn’]T为代表系统的输入值,非独立矢量Y=[y1, y2,,,,yn’]T为代表系统的输出值,x为输入变量,y为输出变量,n’为变量样本数。假设,f(x,y)是两个随机变量x和随机变量y的联合概率密度函数,已知x为X中的中心观测值,则Y是在输入X=x的条件下的输出值,即:
而当f(x,y)是未知函数,则需要从变量X与变量Y的样本估计值来预测f(x,y)。应用非参数的核密度估计,可由样本数集来估算未知函数f(x,y),即:
其中,n’是样本观测数、p是输入矢量x的矢量维度、σ是高斯函数的标准差,也称为平滑因子;T表示转置,把行向量变为列向量。
经过简化,条件期望值函数为:
通过条件期望值函数,得到Y的最佳输出值。
公告号为CN114364084B的中国发明专利,公开了一种基于云端的LED照明节能系统以及节能方法;本方案,是在其基础上做的改进,沿用其物理架构,因此,对于系统架构部分,就不再详细描述。
一种基于LED灯的一站式自动调光系统,包括照明设备、光照感测装置、窗帘控制器、电源分配器和云整合端。
所述照明设备,采用混光LED灯,使用红光LED、蓝光LED和绿光LED作为光源,内设红光灯管、蓝光灯管和绿光灯管。照明设备,采用PWM的电力调节方式,并采用具备功率因子校正(Power Factor Correction,PFC)的LED电源供应器,能精准调光且适用RGB控制。
所述光照感测装置:收集环境光的红光、绿光和蓝光的平均亮度Bt,并将这些信息通过电源分配器上传至云整合端。
窗帘控制器,接收电源分配器发送的窗帘控制信号,控制窗帘的展开幅度。作为优选,窗帘控制器,采用电机控制窗帘的开启或关闭,此为现有设备,不做具体限定,也不再赘述。
电源分配器,接收来自光照感测装置的环境光的颜色和亮度信息并上传至云整合端,同时,读取照明设备的电力信息,并将电力信息上传至云整合端;然后下载的云整合端窗帘控制信号,并将窗帘控制信号传送给窗帘控制器,从而控制窗帘的开启或关闭;然后,根据云整合端的下载信息产生PWM值,分别控制家用照明设备的红光灯管、蓝光灯管和绿光灯管的光强度,从而实现环境光的动态补偿。
所述云整合端,设置有模糊逻辑控制器,确定窗帘遮蔽百分比,同时,运行有MQTTbroker;根据光照感测装置上传的环境光中红光、绿光和蓝光的平均亮度Bt,计算照明光和环境光互补的最佳配置策略,推导和执行照明亮度的PWM值,经MQTT broker发布到电源分配器,来调整家照明设备的实际亮度,实现对家用照明设备的自动调光。
一种基于LED灯的一站式自动调光方法,包括以下步骤:
步骤S1,收集调光资料。
将光照感测装置安装于屋顶或吊顶下方固定间距处;此时,光照感测装置感测的照明空间是二维空间;将光照感测装置感测的照明空间划分相等大小的正方形矩阵,从而形成m行、n列的方格状的光照区域,令Bmn是来自m行、n列光照区域并由光照感测装置感测的光照亮度值;光照感测装置将每个时段的每个光照区域的光照亮度值传送给电源分配器并经由电源分配器上传至云整合端;
光照亮度值=环境光亮度值+照明光亮度值。
温度传感器,每个房间均安装有至少1个温度传感器,温度传感器测得房间的温度值,并将每个时段的每个房间的温度值传送给电源分配器并经由电源分配器上传至云整合端;
电源分配器读取每个时段的照明设备的PWM值,并将温度值、光照亮度值和PWM值上传至云整合端;接收云整合端的窗帘遮蔽百分比的控制信号以及PWM值的控制信号;
云整合端,收集温度值、光照亮度值和PWM值,形成样本资料,计算并生成窗帘遮蔽百分比的控制信号以及PWM值的控制信号,并发送给电源分配器;
窗帘控制器,接收电源分配器发送的窗帘遮蔽百分比的控制信号,控制窗帘的展开幅度。
步骤S2,通过模糊控制器控制窗帘的展幅。
云整合端,设置有模糊逻辑控制器,建立模糊规则库,收集温度值、光照亮度值,借助MATLAB模糊逻辑工具箱对温度值和光照亮度值设定归属函数,然后进行模糊评估,并输出模糊逻辑控制曲面图。
模糊逻辑控制器,采用模糊控制理论,是一种非线性智能控制。模糊控制是利用人的知识对控制对象进行控制的一种方法,通常用“if条件,then结果”的形式来表现,其架构如图1所示。
步骤S201,确定模糊逻辑控制器的输入量和输出量,以及隶属度函数。
输入量为温度值(单位℃)和光照亮度值(单位lux),输入对应的隶属度为零(ZO,Zero)、正小(PS,Positive Small)和正大(PB,Positive Big);输出量为窗帘遮蔽百分比,输出对应的隶属度包括窗帘遮蔽0%的N、窗帘遮蔽25%的F、窗帘遮蔽50%的S、窗帘遮蔽75%的M和窗帘遮蔽100%的L。本步骤中,温度值为最靠近窗帘且阳光无法直射的温度传感器的读数。
在MATLAB模糊逻辑工具箱中,隶属度函数有:trimf、trapmf、gaussmf、gauss2mf、zmf Z 及 smf S。本方案,选用trimf三角形隶属度函数。
步骤S202,设计模糊逻辑控制器的规则库。
规则库中的模糊控制规则如下:
规则一:如果温度值正常,且光照亮度值正常,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N。
规则二:如果温度值偏高,且光照亮度值正常,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N。
规则三:如果温度值过高,且光照亮度值正常,则窗帘遮蔽百分比为25%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽25%的F。
规则四:如果温度值正常,且光照亮度值偏高,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N。
规则五:如果温度值偏高,且光照亮度值偏高,则窗帘遮蔽百分比为0%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N。
规则六:如果温度值过高,且光照亮度值偏高,则窗帘遮蔽百分比为50%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽50%的S。
规则七:如果温度值正常,且光照亮度值过高,则窗帘遮蔽百分比为75%,即,如果温度值的隶属度为零,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽75%的M。
规则八:如果温度值偏高,且光照亮度值过高,则窗帘遮蔽百分比为100%,即,如果温度值的隶属度为正小,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L。
规则九:如果温度值过高,且光照亮度值过高,则窗帘遮蔽百分比为100%,即,如果温度值的隶属度为正大,且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L。
表1是模糊逻辑控制器的规则库的内容表。
步骤S203,采用面积中心法解模糊化,输出温度值隶属度函数、光照亮度值隶属度函数和模糊逻辑控制曲面图;并输入当前的温度值和光照亮度值,根据模糊逻辑控制曲面图,确定窗帘遮蔽百分比,生成窗帘遮蔽百分比的控制信号。
经常用到的解模糊化的方法,有面积中心法、面积平分法、最大隶属度法。本方案对解模糊化的方法,不作限定;作为优选,选用面积中心法解模糊化。
图2是温度值隶属度函数示意图,其表示,随着温度值的提升(X轴),对应的隶属度(Y轴),从零,转变为正小,最后转变为正大。模糊控制规则的设置,通常应用经验法归纳。当温度值<13℃,温度值对应的隶属度为零;当温度值≥13℃且温度值≤27℃,温度值对应的隶属度为正小;当温度值>27℃,温度值对应的隶属度为正大。
图3是光照亮度值隶属度函数示意图,其表示,随着光照亮度值的提升(X轴),对应的隶属度(Y轴),从零,转变为正小,最后转变为正大。模糊控制规则的设置,通常应用经验法归纳。当光照亮度值<1000lux,光照亮度值对应的隶属度为零;当光照亮度值≥1000lux且光照亮度值≤2000lux,光照亮度值对应的隶属度为正小;当光照亮度值>2000lux,光照亮度值对应的隶属度为正大。
图4是模糊逻辑控制曲面图,X轴为光照亮度值,Y轴为温度值,Z轴为窗帘遮蔽百分比,其表示,随着光照亮度值的增加,以及温度值的提升,窗帘遮蔽百分比越大,窗帘遮蔽的程度就越高。由于模糊逻辑控制曲面图,是一个连续的三维图,在此图中,根据温度值和光照亮度值,就可以确定窗帘遮蔽百分比。窗帘遮蔽百分比在此图中,也是一个连续变化的数值。
步骤S3,通过广义回归神经网络训练模型。
云整合端设置有广义回归神经网络,并将样本资料输入到广义回归神经网络,进行训练,习得最佳调光模型的条件期望值函数。
具体的,将各光照区域的光照亮度值Bmn、PWM值Pmn和前次PWM变动值△Pmn(t-1)作为输入值X=[B11, B12,...,Bmn,P11,P12,...,Pmn,△P11(t-1),△P12(t-1),...,△Pmn(t-1)]T,输入到广义回归神经网络;其中T表示转置,把行向量变为列向量;其中,m表示光照区域行数,n表示光照区域列数;
计算得到输出值Y=[△P11(t),△P12(t),...,△Pmn(t)]T;其中△Pmn(t)表示本次PWM变动值;
根据输入值X和输出值Y拟合条件期望值函数:
其中,Bmn表示m行、n列光照区域的光照亮度值;Pmn表示m行、n列光照区域所在的照明设备的PWM值;△Pmn(t-1)表示m行、n列光照区域所在的照明设备的前次PWM变动值;△Pmn(t)表示m行、n列光照区域所在的照明设备的当前PWM变动值;n’为样本观测数;Yi表示第i个样本的输出值;μx为光照亮度期望值;p是输入矢量Bmn的矢量维度;T表示转置;σ表示平滑因子。
拟合条件期望值函数时,令光照亮度期望值μx为广义回归神经网络使用的高斯函数的中心点,并设定平滑因子σ,即高斯函数的标准差σ。
图5是平滑因子σ的均方根误差图;如图5所示,平滑因子σ,是广义回归神经网络中唯一要学习的参数,也是调光预测中的重要指标。平滑因子σ的设定方法如下:首先,将样本资料切分为数量占比80%的训练集和数量占比20%测试集,然后,将训练集分别以σ为0.1、1、5和10的预设值进行调光预测,然后将预测结果与测试集进行均方根误差的计算;选取最小均方根误差所对应的预设值作为平滑因子。从图5中可以看到,当σ为10时,不管是蓝光还是红光的均方根误差都为最小,因此,将σ=10作为本方案的平滑因子。
步骤S4,图6为步骤S4的流程图,如图6所示,
根据光照亮度期望值μx,输出各个区域的最佳亮度区间[Bmin,Bmax]且Bmax-μx=μx-Bmin,则误差区间为[Bmax-Bmin];其中,Bmin是最佳亮度区间的下限值,Bmax是最佳亮度区间的上限值。
然后,云整合端,实时收集各个光照区域的光照亮度值Bmn和PWM值Pmn;
如果光照亮度值位于所在光照区域的最佳亮度区间,即Bmin<Bmn<Bmax,则停止调光;否则,将各个光照区域的光照亮度值Bmn和PWM值Pmn,代入到条件期望值函数得到当前PWM变动值△Pmn(t),再进行判断:当Bmn<Bmin时,调整后的PWM值为Pmn+△Pmn(t);否则调整后的PWM值为Pmn-△Pmn(t);
云整合端,将调整后的PWM值,输送给电源分配器;电源分配器根据调整后的PWM值对照明设备进行调光。
本方案,根据使用者设定的所需的光照亮度期望值μx,设定由最高亮度和最低亮度构成的亮度区间,然后感测各个光照区域的亮度值和PWM值,利用电源分配器上传至云端进行调光判断,如果光照区域亮度值在使用者所设定的亮度区间,则维持当下的PWM值,不进行调光;如果大于或小于亮度区间的话,则会将各个光照区域的亮度值与当下的PWM值作为输入值,通过广义回归神经网络进行计算得到所需调整的PWM值△P;如果光照区域的亮度值大于亮度区间,PWM值就减去△P,反之则PWM值加上△P。
用实验验证本方案,选取一个长90cm,宽90cm、高60cm的区域,并将光照区域分厂大小相同的四个区域:Z11、Z12、Z21、Z22,在每个区域都放置照明设备和电源分配器,照明设备仅安装有蓝光LED和红光LED,蓝光的光照亮度期望值μx为750[lx],误差区间取上下10%;红光的光照亮度期望值μx为425[lx],误差区间取上下7.5%。
功率测算:取区域Z11、Z12进行效能比较,将区域Z11、Z12相邻且光照条件相同。Z11采用公告号为CN114364084B的中国发明专利的方案。Z12采用本技术方案。选取某晴天,进行功率测算。
图7是单个区域的功率比较图;如图7所示,大部分情况下,本方案的功率,是低于对比文件的功率。
光照互补验证:重新调整四个区域,使得每个区域的光照条件均不相同。以红光为例,对四个区域进行PWM值的测算,由于阳光在大部分实验区域的时间为早上6点到中午12点之前,所以这个时间段的光线比较充足,需要减少LED灯的PWM值。图8是一整天的PWM值变化图,环境红光在早上8点达到峰值,则此时,每个区域的红光PWM值最弱;从图中可见,在阳光光照充足时,能与阳光实现互补,从而达到节省能耗的目的。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于LED灯的一站式自动调光方法,其特征在于,包括以下步骤:
步骤S1,收集调光资料:将光照感测装置安装于屋顶或吊顶下方固定间距处;将光照感测装置感测的照明空间划分相等大小的正方形矩阵;光照感测装置将每个时段的每个光照区域的光照亮度值传送给电源分配器并经由电源分配器上传至云整合端;
每个房间均安装有至少1个温度传感器,温度传感器测得房间的温度值,并将每个时段的每个房间的温度值传送给电源分配器并经由电源分配器上传至云整合端;
电源分配器读取每个时段的照明设备的PWM值,并将温度值、光照亮度值和PWM值上传至云整合端;云整合端,收集温度值、光照亮度值和PWM值,形成样本资料;
步骤S2,通过模糊控制器控制窗帘的展幅:云整合端,设置有模糊逻辑控制器,建立模糊规则库,对温度值和光照亮度值设定归属函数,然后进行模糊评估,并输出模糊逻辑控制曲面图后,生成窗帘遮蔽百分比的控制信号;窗帘控制器,通过电源分配器接收发云整合端送的窗帘遮蔽百分比的控制信号,控制窗帘的展开幅度;
步骤S3,通过广义回归神经网络训练模型:云整合端设置有广义回归神经网络,并将样本资料输入到广义回归神经网络,习得最佳调光模型的条件期望值函数;
步骤S4,根据光照亮度期望值μx,输出各个区域的最佳亮度区间[Bmin,Bmax]且Bmax-μx=μx-Bmin;其中,Bmin是最佳亮度区间的下限值,Bmax是最佳亮度区间的上限值;然后,云整合端,实时收集各个光照区域的光照亮度值Bmn和PWM值Pmn;其中m为光照区域的行数,n为光照区域的列数;
如果光照亮度值位于所在光照区域的最佳亮度区间,则停止调光;否则,将各个光照区域的光照亮度值Bmn和PWM值Pmn,代入到条件期望值函数得到当前PWM变动值△Pmn(t),再进行判断:当Bmn<Bmin时,调整后的PWM值为Pmn+△Pmn(t);否则调整后的PWM值为Pmn-△Pmn(t);云整合端,将调整后的PWM值,输送给电源分配器;电源分配器根据调整后的PWM值对照明设备进行调光。
2.根据权利要求1所述的一种基于LED灯的一站式自动调光方法,其特征在于,步骤S2,包括:
步骤S201,确定模糊逻辑控制器的输入量和输出量,以及隶属度函数:
输入量为温度值和光照亮度值,输入对应的隶属度为零、正小和正大;输出量为窗帘遮蔽百分比,输出对应的隶属度包括窗帘遮蔽0%的N、窗帘遮蔽25%的F、窗帘遮蔽50%的S、窗帘遮蔽75%的M和窗帘遮蔽100%的L;选用trimf三角形隶属度函数;
步骤S202,设计模糊逻辑控制器的规则库;
步骤S203,解模糊化,输出温度值隶属度函数、光照亮度值隶属度函数和模糊逻辑控制曲面图。
3.根据权利要求2所述的一种基于LED灯的一站式自动调光方法,其特征在于,步骤S202中,规则库中的模糊控制规则如下:
规则一:如果温度值正常且光照亮度值正常,则窗帘遮蔽百分比为0%,即如果温度值的隶属度为零且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则二:如果温度值偏高且光照亮度值正常,则窗帘遮蔽百分比为0%,即如果温度值的隶属度为正小且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则三:如果温度值过高且光照亮度值正常,则窗帘遮蔽百分比为25%,即如果温度值的隶属度为正大且光照亮度值的隶属度为零,则窗帘遮蔽百分比的隶属度为窗帘遮蔽25%的F;
规则四:如果温度值正常且光照亮度值偏高,则窗帘遮蔽百分比为0%,即如果温度值的隶属度为零且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则五:如果温度值偏高且光照亮度值偏高,则窗帘遮蔽百分比为0%,即如果温度值的隶属度为正小且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽0%的N;
规则六:如果温度值过高且光照亮度值偏高,则窗帘遮蔽百分比为50%,即如果温度值的隶属度为正大且光照亮度值的隶属度为正小,则窗帘遮蔽百分比的隶属度为窗帘遮蔽50%的S;
规则七:如果温度值正常,且光照亮度值过高,则窗帘遮蔽百分比为75%,即如果温度值的隶属度为零且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽75%的M;
规则八:如果温度值偏高且光照亮度值过高,则窗帘遮蔽百分比为100%,即如果温度值的隶属度为正小且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L;
规则九:如果温度值过高且光照亮度值过高,则窗帘遮蔽百分比为100%,即如果温度值的隶属度为正大且光照亮度值的隶属度为正大,则窗帘遮蔽百分比的隶属度为窗帘遮蔽100%的L。
4.根据权利要求1或3所述的一种基于LED灯的一站式自动调光方法,其特征在于,步骤S3中,将各光照区域的光照亮度值Bmn、PWM值Pmn和前次PWM变动值△Pmn(t-1)作为输入值X=[B11, B12,...,Bmn,P11,P12,...,Pmn,△P11(t-1),△P12(t-1),...,△Pmn(t-1)]T,输入到广义回归神经网络;其中T表示转置;m表示光照区域行数,n表示光照区域列数;
计算得到输出值Y=[△P11(t),△P12(t),...,△Pmn(t)]T;其中△Pmn(t)表示本次PWM变动值;
令光照亮度期望值μx为广义回归神经网络使用的高斯函数的中心点,根据输入值X和输出值Y拟合条件期望值函数:
其中,Bmn表示m行、n列光照区域的光照亮度值;Pmn表示m行、n列光照区域所在的照明设备的PWM值;△Pmn(t-1)表示m行、n列光照区域所在的照明设备的前次PWM变动值;△Pmn(t)表示m行、n列光照区域所在的照明设备的当前PWM变动值;n’为样本观测数;Yi表示第i个样本的输出值;μx为光照亮度期望值;p是输入矢量Bmn的矢量维度;T表示转置;σ表示平滑因子。
5.根据权利要求4所述的一种基于LED灯的一站式自动调光方法,其特征在于,步骤S3中,平滑因子σ的设定方法如下:首先,将样本资料切分为数量占比80%的训练集和数量占比20%测试集,然后,将训练集分别以σ为0.1、1、5和10的预设值进行调光预测,然后将预测结果与测试集进行均方根误差的计算;选取最小均方根误差所对应的预设值作为平滑因子。
6.根据权利要求3所述的一种基于LED灯的一站式自动调光方法,其特征在于,当温度值<13℃,温度值对应的隶属度为零;当温度值≥13℃且温度值≤27℃,温度值对应的隶属度为正小;当温度值>27℃,温度值对应的隶属度为正大;
当光照亮度值<1000lux,光照亮度值对应的隶属度为零;当光照亮度值≥1000lux且光照亮度值≤2000lux,光照亮度值对应的隶属度为正小;当光照亮度值>2000lux,光照亮度值对应的隶属度为正大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089313.XA CN115175404B (zh) | 2022-09-07 | 2022-09-07 | 一种基于led灯的一站式自动调光方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089313.XA CN115175404B (zh) | 2022-09-07 | 2022-09-07 | 一种基于led灯的一站式自动调光方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115175404A CN115175404A (zh) | 2022-10-11 |
CN115175404B true CN115175404B (zh) | 2022-11-22 |
Family
ID=83480965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089313.XA Active CN115175404B (zh) | 2022-09-07 | 2022-09-07 | 一种基于led灯的一站式自动调光方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115175404B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149195B (zh) * | 2022-11-28 | 2024-05-14 | 荣耀终端有限公司 | 一种设备管理方法和系统 |
CN116782451B (zh) * | 2023-08-25 | 2023-11-14 | 深圳市东陆科技有限公司 | 具有自适应亮度和色彩的led氛围灯控制方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101737703A (zh) * | 2010-01-22 | 2010-06-16 | 上海恩济节能科技有限公司 | 一种自然采光控制系统 |
US8706310B2 (en) * | 2010-06-15 | 2014-04-22 | Redwood Systems, Inc. | Goal-based control of lighting |
TWI478626B (zh) * | 2012-04-05 | 2015-03-21 | Paragon Sc Lighting Tech Co | 節能照明裝置及其方法 |
US8872438B2 (en) * | 2012-06-14 | 2014-10-28 | Xunwei Zhou | LED light dimming with a target brightness |
CN104320881B (zh) * | 2014-10-28 | 2017-06-16 | 许敏 | 一种led无影灯照明系统中的智能调光控制器 |
CN108112139A (zh) * | 2018-02-01 | 2018-06-01 | 广东工业大学 | 一种可供家用的led智能调光调色系统及方法 |
CN112487722A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种led系统智能调光的动态模糊神经网络建模方法 |
-
2022
- 2022-09-07 CN CN202211089313.XA patent/CN115175404B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115175404A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115175404B (zh) | 一种基于led灯的一站式自动调光方法 | |
CN101359148B (zh) | 一种用于自动曝光调节的方法及控制系统 | |
CN105118433A (zh) | 显示屏显示优化方法 | |
US20150234369A1 (en) | Unified controller for integrated lighting, shading and thermostat control | |
CN105118434B (zh) | 显示屏分时段调节显示优化方法 | |
WO2013153480A2 (en) | A unifed controller for integrated lighting, shading and thermostat control | |
CN111556605B (zh) | 台灯工作面恒定亮度的控制方法、系统、存储介质及台灯 | |
CN104754826A (zh) | 基于情境的智能led照明调光调色控制系统及方法 | |
Varghese et al. | Daylight-artificial light integrated scheme based on digital camera and wireless networked sensing-actuation system | |
CN105282945B (zh) | 一种智能灯光的控制方法及控制系统 | |
CN110521676B (zh) | 一种用于提升黑水虻产卵率的智能补光系统 | |
CN1599533A (zh) | 机器视觉测量系统中的自适应调整光强的照明光源装置 | |
CN108012376B (zh) | 一种开放办公室分布式照明控制方法 | |
CN114900926B (zh) | 一种电能表检定用辅助照明光学系统及实现照明方法 | |
CN114364084B (zh) | 基于云端的led照明节能系统以及节能方法 | |
Perumal et al. | Design and Simulation of a Circadian Lighting Control System Using Fuzzy Logic Controller for LED Lighting Technology | |
CN115299262A (zh) | 一种高均匀度的智能植物补光方法 | |
CN115942569A (zh) | 一种基于室内微光采集的教室智慧照明系统 | |
CN105702229B (zh) | 一种移动终端背光亮度调节方法、系统及移动终端 | |
Mohagheghi et al. | Neural network-based LED lighting control with modeling uncertainty and daylight disturbance | |
Jabeur et al. | A Fuzzy Logic controller Controls a Smart lighting system for energy savings | |
CN1235200A (zh) | 钢瓶热处理过程的智能控制系统 | |
Netto et al. | Room light intensity control with temperature monitoring system using arduino | |
US10154565B1 (en) | Lighting system with ambient light compensation | |
Lee et al. | Alternating current input LED lighting control system using Fuzzy theory |
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 |