CN116011347A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116011347A CN116011347A CN202310102743.9A CN202310102743A CN116011347A CN 116011347 A CN116011347 A CN 116011347A CN 202310102743 A CN202310102743 A CN 202310102743A CN 116011347 A CN116011347 A CN 116011347A
- Authority
- CN
- China
- Prior art keywords
- fixed position
- positive integer
- lamp tube
- illumination intensity
- radial basis
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005286 illumination Methods 0.000 claims abstract description 162
- 238000004364 calculation method Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 18
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
本发明公开了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，该方法包括在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j点产生的光照强度；根据第i条灯管在固定位置j点产生的光照强度、第i条灯管在固定位置j点的自然光照强度以及预设的最佳室内光照强度，建立调光比方程；根据第i条灯管在每个固定位置j点的调光比方程，建立调光比方程组，并求解调光比方程组得到最佳调光比。本发明解决了传统设计单一光照强度的方式，室内照度不均匀、且照度不在最佳照度范围内，没有合理利用电源，容易造成电力浪费的问题。
Description
技术领域
本发明涉及照明控制技术领域，特别是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。
背景技术
随着全球范围内能源的短缺，节能环保的意识越发深入人心，人民生活水平越来越高的同时，也注意节约能源。在室内照明的应用上，传统的照明方式仅仅是提高单一的最佳光照强度。传统设计单一光照强度的方式，不考虑自然环境的初始照度，与灯管之间的照度叠加效应，导致室内不同位置的实际照度过高，室内照度不均匀、且照度不在最佳照度范围内，没有合理利用电源，容易造成电力浪费，给人带来不良的视觉体检。
发明内容
针对上述缺陷，本发明提出了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，其目的在于解决了传统设计单一光照强度的方式，不考虑自然环境的初始照度，与灯管之间的照度叠加效应，导致室内不同位置的实际照度过高，室内照度不均匀、且照度不在最佳照度范围内，没有合理利用电源，容易造成电力浪费的问题。
为达此目的，本发明采用以下技术方案：
基于径向基函数神经网络的照明系统模型建模方法，包括以下步骤：
步骤S1：在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)，(x,y,z)为第i条灯管的三维坐标；
步骤S2：根据第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)、第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
步骤S3：根据第i条灯管在每个固定位置j(j＝1，2，3...k，k为正整数)点的调光比方程，建立调光比方程组，并求解调光比方程组得到最佳调光比。
优选地，在步骤S1中，第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)具体的计算步骤如下：
步骤S11：输入第i条灯管的三维坐标(x，y，z)；
步骤S12：计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
步骤S13：将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3.....n)代表第l个权值向量，Bn代表神经元n的中心。
优选地，在步骤S2中，调光比方程的建立具体包括以下步骤：
步骤S21：输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)；
步骤S22：计算得到每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3...M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)，得到固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3...k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm；
步骤S23：联立固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
优选地，在步骤S3中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
本申请的另一方面提供了基于径向基函数神经网络的照明系统模型建模系统，所述系统包括：
第一计算模块，用于在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，(x，y，z)为第i条灯管的三维坐标；
第一建立模块，用于根据第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)、第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
第二建立模块，用于根据第i条灯管在每个固定位置j(j＝1，2，3…k，k为正整数)点的调光比方程，建立调光比方程组；
第二计算模块，用于求解调光比方程组得到最佳调光比。
优选地，所述第一计算模块包括：
第一输入子模块，用于输入第i条灯管的三维坐标(x，y，z)；
第一计算子模块，用于计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
第二计算子模块，用于将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3.....n)代表第l个权值向量，Bn代表神经元n的中心。
优选地，所述第一建立模块包括：
第二输入子模块，用于输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)；
第三计算子模块，用于计算得到每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3...M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)，得到固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+...+gim(x，y，z)βm；
第四计算子模块，用于联立固定位置j(j＝1，2，3...k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
优选地，在第二建立模块中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
本发明实施例提供的技术方案可以包括以下有益效果：
本方案中通过建立基于径向基函数神经网络的照明系统模型，寻找灯管组合的最佳调光比。本方案综合考虑了每个固定位置的自然照度、灯管对固定位置产生的光照强度及各个灯管相互之间的照度叠加效应，使灯管在室内环境的照度时刻保持在最佳照度范围内，不受周围环境的影响，又节约了电能。
附图说明
图1是基于径向基函数神经网络的照明系统模型建模方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
基于径向基函数神经网络的照明系统模型建模方法，包括以下步骤：
步骤S1：在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)，(x,y,z)为第i条灯管的三维坐标；
步骤S2：根据第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)、第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
步骤S3：根据第i条灯管在每个固定位置j(j＝1，2，3...k，k为正整数)点的调光比方程，建立调光比方程组，并求解调光比方程组得到最佳调光比。
本方案的基于径向基函数神经网络的照明系统模型建模方法，如图1所示，第一步是在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)。具体地，调光比为不同灯管的亮度的比，本实施例中设定的调光比为1。由于固定位置j(j＝1，2，3...k，k为正整数)点的光照强度与灯管的位置之间不是简单的线性关系，而是复杂的非线性关系，因此gji(x,y,z)为非线性函数，可以应用径向基函数神经网络拟合单一灯管的照度分布函数gji(x,y,z)，径向基函数神经网络由输入层、隐藏层和输出层组成。第二步是根据第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)、第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程，这样有利于后续求解最佳调光比。第三步是根据第i条灯管在每个固定位置j(j＝1，2，3...k，k为正整数)点的调光比方程，建立调光比方程组，并求解调光比方程组得到最佳调光比。本实施例中的最佳调光比是在预先测量计算好的最佳室内光照强度下，综合考虑自然光照强度和不同灯光照度的叠加效益后得到的。
本方案中通过建立基于径向基函数神经网络的照明系统模型，寻找灯管组合的最佳调光比。本方案综合考虑了每个固定位置的自然照度、灯管对固定位置产生的光照强度及各个灯管相互之间的照度叠加效应，使灯管在室内环境的照度时刻保持在最佳照度范围内，不受周围环境的影响，又节约了电能。
优选的，在步骤S1中，第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x,y,z)具体的计算步骤如下：
步骤S11：输入第i条灯管的三维坐标(x，y，z)；
步骤S12：计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
步骤S13：将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3……n)代表第l个权值向量，Bn代表神经元n的中心。
本实施例中，第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)是基于径向基函数神经网络拟合每条灯管计算得到的。具体地，径向基函数神经网络由输入层、隐藏层和输出层组成。输入层的输入是第i条灯管的三维坐标(x，y，z)，仅仅起到数据传递的作用，不对输入数据进行任何变换。隐藏层分为径向基层和线性层，径向基层中，Bn为神经元n的中心，与第i条灯管的三维坐标(x，y，z)具有相同的维度，C1是第一给定常数偏置值，能影响径向基函数的形状。每个神经元的作用是计算输入节点和神经元节点的距离，与第一给定常数偏置值C1相乘之后，由径向基函数RBF公式传递，公式如下：
其中，rb(v)为径向基函数的输出，v为径向基函数的输入。
线性层将径向基层的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，这个步骤总称为径向基函数神经网络RBFNN。用RBFNN拟合单个灯管的光照强度分布，其输入为j(j＝1，2，3...k，k为正整数)点坐标(x，y，z)，输出为该点光照强度gji(x，y，z)。
优选的，在步骤S2中，调光比方程的建立具体包括以下步骤：
步骤S21：输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)；
步骤S22：计算得到每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3…M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)，得到固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+...+gim(x，y，z)βm；
步骤S23：联立固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
本实施例中，由径向基函数神经网络RBFNN得出室内固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度与第i(i＝1，2，3…k，k为正整数)条灯管亮度的关系后，建立室内固定位置j(j＝1，2，3...k，k为正整数)点与室内所有灯管的亮度的整体照度网络模型。整体照度网络模型包括输入层、隐藏层和输入层，隐藏层包括RBFNNS层和线性层。其中，输入层为所有灯管的三维坐标(x，y，z)，与当前时刻下所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)，RBFNNS层包括若干径向基函数神经网络Neti＝(i＝1，2，3...m)，其中m＝1，2，3...M，M为径向基函数神经网络的总个数，假设调光比为[β1，β2，β3...βm]，RBFNNS输出的单个灯管的光照强度gji(x，y，z)与调光比[β1，β2，β3...βm]相乘，求和后再加上自然光照强度αj(j＝1，2，3…k，k为正整数)，得到任意点j的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数。联立光照强度函数hj＝(x，y，z，α)与事先测量计算好的最佳室内光照强度e即可得到调光比方程。
优选的，在步骤S3中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
本实施例中，根据任意点的整体照度网络模型即可求出事先确定需要观测的所有点的调光比方程，联立所有调光比方程，建立调光比方程组。通过求解所述调光比方程组，得到所有灯管组合的最佳调光比[β1，β2，β3…βm]，最佳调光比[β1，β2，β3...βm]是在预先测量计算好的最佳室内光照强度e下，综合考虑自然光照强度和不同灯光照度的叠加效益后得到的。
本申请的另一方面提供了基于径向基函数神经网络的照明系统模型建模系统，所述系统包括：
第一计算模块，用于在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，(x，y，z)为第i条灯管的三维坐标；
第一建立模块，用于根据第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)、第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
第二建立模块，用于根据第i条灯管在每个固定位置j(j＝1，2，3…k，k为正整数)点的调光比方程，建立调光比方程组；
第二计算模块，用于求解调光比方程组得到最佳调光比。
本方案的基于径向基函数神经网络的照明系统模型建模系统，通过设置第一计算模块、第一建立模块、第二建立模块和第二计算模块，最终得到最佳调光比，最佳调光比是在预先测量计算好的最佳室内光照强度下，综合考虑自然光照强度和不同灯光照度的叠加效益后得到的，使灯管在室内环境的照度时刻保持在最佳照度范围内，不受周围环境的影响，又节约了电能。
优选地，所述第一计算模块包括：
第一输入子模块，用于输入第i条灯管的三维坐标(x，y，z)；
第一计算子模块，用于计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
第二计算子模块，用于将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3...λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3.....n)代表第l个权值向量，Bn代表神经元n的中心。
本实施例中，在第一输入子模块中，输入第i条灯管的三维坐标(x，v，z)，仅仅起到数据传递的作用，不对输入数据进行任何变换。在第一计算子模块中，Bn为神经元n的中心，与第i条灯管的三维坐标(x，y，z)具有相同的维度，C1是第一给定常数偏置值，能影响径向基函数的形状。每个神经元的作用是计算输入节点和神经元节点的距离，与第一给定常数偏置值C1相乘之后，由径向基函数RBF公式传递，公式如下：
其中，rb(v)为径向基函数的输出，v为径向基函数的输入。
在第二计算子模块中，径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3...λn]T相乘，再与第二给定常数偏置值C2相加得到输出，即第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)。
优选的，所述第一建立模块包括：
第二输入子模块，用于输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)；
第三计算子模块，用于计算得到每一条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3…M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)，得到固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+...+gim(x，y，z)βm；
第四计算子模块，用于联立固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
本实施例中，由径向基函数神经网络RBFNN得出室内固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度与第i(i＝1，2，3…k，k为正整数)条灯管亮度的关系后，建立室内固定位置j(j＝1，2，3...k，k为正整数)点与室内所有灯管的亮度的整体照度网络模型。通过设置第二输入子模块、第三计算子模块和第四计算子模块，结合该整体照度网络模型，有利于调光比方程的建立。
优选的，在第二建立模块中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
本实施例中，根据任意点的整体照度网络模型即可求出事先确定需要观测的所有点的调光比方程，联立所有调光比方程，建立调光比方程组。通过求解所述调光比方程组，得到所有灯管组合的最佳调光比[β1，β2，β3…βm]，最佳调光比[β1，β2，β3...βm]是在预先测量计算好的最佳室内光照强度e下，综合考虑自然光照强度和不同灯光照度的叠加效益后得到的。
此外，在本发明的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.基于径向基函数神经网络的照明系统模型建模方法，其特征在于：包括以下步骤：
步骤S1：在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，(x，y，z)为第i条灯管的三维坐标；
步骤S2：根据第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)、第i条灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
步骤S3：根据第i条灯管在每个固定位置j(j＝1，2，3...k，k为正整数)点的调光比方程，建立调光比方程组，并求解调光比方程组得到最佳调光比。
2.根据权利要求1所述的基于径向基函数神经网络的照明系统模型建模方法，其特征在于：在步骤S1中，第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)具体的计算步骤如下：
步骤S11：输入第i条灯管的三维坐标(x，y，z)；
步骤S12：计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
步骤S13：将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3.....n)代表第l个权值向量，Bn代表神经元n的中心。
3.根据权利要求1所述的基于径向基函数神经网络的照明系统模型建模方法，其特征在于：在步骤S2中，调光比方程的建立具体包括以下步骤：
步骤S21：输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)；
步骤S22：计算得到每一条灯管在固定位置j(j＝1，2，3...k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3...M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)，得到固定位置j(j＝1，2，3...k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm；
步骤S23：联立固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
4.根据权利要求1所述的基于径向基函数神经网络的照明系统模型建模方法，其特征在于：在步骤S3中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
5.基于径向基函数神经网络的照明系统模型建模系统，其特征在于：应用如权利要求1-4任意一项所述基于径向基函数神经网络的照明系统模型建模方法，所述系统包括：
第一计算模块，用于在设定调光比为预设值的条件下，基于径向基函数神经网络拟合每条灯管，计算第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，(x，y，z)为第i条灯管的三维坐标；
第一建立模块，用于根据第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)、第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点的自然光照强度αj以及预设的最佳室内光照强度e，建立调光比方程；
第二建立模块，用于根据第i条灯管在每个固定位置j(j＝1，2，3...k，k为正整数)点的调光比方程，建立调光比方程组；
第二计算模块，用于求解调光比方程组得到最佳调光比。
6.根据权利要求5所述的基于径向基函数神经网络的照明系统模型建模系统，其特征在于：所述第一计算模块包括：
第一输入子模块，用于输入第i条灯管的三维坐标(x，y，z)；
第一计算子模块，用于计算第i条灯管的三维坐标(x，y，z)和神经元节点Bn的距离，与第一给定常数偏置值C1相乘之后，由径向基函数传递，得到径向基函数的输出；
第二计算子模块，用于将径向基函数的输出与预先设定好的权值向量λ＝[λ1，λ2，λ3…λn]T相乘，再与第二给定常数偏置值C2相加得到最终输出，即第i条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，gji(x，y，z)的具体计算公式如下：
其中，λl(l＝1，2，3.....n)代表第l个权值向量，Bn代表神经元n的中心。
7.根据权利要求5所述的基于径向基函数神经网络的照明系统模型建模系统，其特征在于：所述第一建立模块包括：
第二输入子模块，用于输入所有灯管的三维坐标(x，y，z)，以及所有灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj(j＝1，2，3…k，k为正整数)；
第三计算子模块，用于计算得到每一条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)，将每一条灯管在固定位置j(j＝1，2，3…k，k为正整数)点产生的光照强度gji(x，y，z)与对应的调光比βm(m＝1，2，3…M，M为径向基函数神经网络的总个数)相乘，求和后加上所有灯管在固定位置j(j＝1，2，3...k，k为正整数)点的自然光照强度αj(j＝1，2，3...k，k为正整数)，得到固定位置j(j＝1，2，3...k，k为正整数)点的光照强度函数hj(x，y，z，α)，其中j＝1，2，3…k，k为正整数，α为自然光照强度，具体公式如下：hj(x，y，z，α)＝αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+...+gim(x，y，z)βm；
第四计算子模块，用于联立固定位置j(j＝1，2，3…k，k为正整数)点的光照强度函数hj(x，y，z，α)与预设的最佳室内光照强度e即可得到调光比方程，具体如下：
αj+gi1(x，y，z)β1+gi2(x，y，z)β2+gi3(x，y，z)β3+…+gim(x，y，z)βm＝e
其中，gim(x，y，z)表示第i条灯管在固定位置m产生的光照强度，βm表示第m个径向基函数神经网络的调光比。
8.根据权利要求5所述的基于径向基函数神经网络的照明系统模型建模系统，其特征在于：在第二建立模块中，所述调光比方程组具体公式如下：
其中，αk表示所有灯管在固定位置k点的自然光照强度，βm表示第m个径向基函数神经网络的调光比，gkm(x，y，z)表示第m条灯管在固定位置k点产生的光照强度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310102743.9A CN116011347A (zh) | 2023-02-08 | 2023-02-08 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310102743.9A CN116011347A (zh) | 2023-02-08 | 2023-02-08 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011347A true CN116011347A (zh) | 2023-04-25 |
Family
ID=86026998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310102743.9A Pending CN116011347A (zh) | 2023-02-08 | 2023-02-08 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011347A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408206A (zh) * | 2021-06-23 | 2021-09-17 | 陕西科技大学 | 一种室内天然光照度建模方法 |
| CN114599127A (zh) * | 2022-03-21 | 2022-06-07 | 山东衡昊信息技术有限公司 | 一种城市照明系统智能控制方法 |
-
2023
- 2023-02-08 CN CN202310102743.9A patent/CN116011347A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408206A (zh) * | 2021-06-23 | 2021-09-17 | 陕西科技大学 | 一种室内天然光照度建模方法 |
| CN114599127A (zh) * | 2022-03-21 | 2022-06-07 | 山东衡昊信息技术有限公司 | 一种城市照明系统智能控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭敬等: "基于遗传模拟退火算法的室内照明节能控制方法研究", 《应用光学》, vol. 43, no. 5, pages 879 - 885 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107681654B (zh) | 考虑新能源消纳和环境效益的多目标电网规划方法和装置 | |
| CN110334387B (zh) | 一种基于bp神经网络算法的室内光照预估方法 | |
| CN106838723B (zh) | 一种基于光学仿真的照明系统设计方法及实验装置 | |
| CN104879711B (zh) | 一种基于三次样条的双自由曲面led匀光透镜设计方法 | |
| WO2013161392A1 (ja) | 調光システム、調光方法、プログラムおよびコンピュータ読み取り可能メモリ | |
| Chen et al. | Design of LED-based reflector-array module for specific illuminance distribution | |
| CN103020386B (zh) | 一种新型led光学设计反馈优化方法 | |
| CN116011347A (zh) | 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 | |
| CN117794030B (zh) | 一种演唱会情景灯群协调控制方法、装置、设备及介质 | |
| CN116560247B (zh) | 基于物联网实现智能家居的远程控制方法及装置 | |
| CN108879741A (zh) | 一种分布式电源就地消纳的储能容量配置方法及系统 | |
| CN112729534A (zh) | 一种用于博物馆展柜的环境眩光监测控制系统 | |
| CN108418211A (zh) | 一种基于Dijlstra算法和遗传算法的供电路径优化方法 | |
| CN109613699A (zh) | 一种基于目标到光源映射的自由曲面照明系统设计方法 | |
| CN206410072U (zh) | 一种发光系统 | |
| Guo et al. | Research on control method of comfortable lighting and energy saving lighting | |
| CN112634437A (zh) | 一种针对建筑外表皮改善室内环境性能的设计方法 | |
| Lin et al. | A Coupling Control Model of Color Temperature and Illumination in Naturally Lighted Room Based on Evolutionary Algorithm. | |
| Hsiao et al. | Realization of IoT Integration System of LED Based on Particle Swarm Optimization. | |
| Prado-Gonzáles et al. | Method Based on Genetic Algorithms for the Optimization of the Number of Luminaires in Apartment Buildings According to Peruvian Regulations and the Total Power Consumed | |
| Setiabudy et al. | The Effect of Surface Mounted Device (SMD) Configuration Array on Light Distribution on LED Lamp | |
| Tsuei et al. | Momentary adjustment means for simulating the sunlight color temperature, hues and brightness with RGB LEDs in indoor lighting | |
| CN117320218B (zh) | 智慧照明系统的舒适度一致性控制方法 | |
| Grigoryev et al. | Illuminance adjustment in a LED lighting system using a webcam | |
| Gao et al. | Daylight perceptive lighting and data fusion with artificial neutral network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230425 |
|
| RJ01 | Rejection of invention patent application after publication |