CN117744498A - 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法 - Google Patents

一种城市绿色照明空间数据建模分析及可视化渲染系统及方法 Download PDF

Info

Publication number
CN117744498A
CN117744498A CN202311865696.XA CN202311865696A CN117744498A CN 117744498 A CN117744498 A CN 117744498A CN 202311865696 A CN202311865696 A CN 202311865696A CN 117744498 A CN117744498 A CN 117744498A
Authority
CN
China
Prior art keywords
data
lighting
energy consumption
illumination
optimization
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.)
Granted
Application number
CN202311865696.XA
Other languages
English (en)
Other versions
CN117744498B (zh
Inventor
殷悦
夏天禹
赵兵
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202311865696.XA priority Critical patent/CN117744498B/zh
Publication of CN117744498A publication Critical patent/CN117744498A/zh
Application granted granted Critical
Publication of CN117744498B publication Critical patent/CN117744498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明提供一种城市绿色照明空间数据建模分析及可视化渲染系统及方法，属于数据处理技术领域，该系统包括数据采集模块、数据建模模块、数据分析模块以及可视化渲染模块，本发明中，通过数据采集模块收集城市绿色照明空间的相关数据，然后由数据建模模块建立相应的数据模型。接下来，数据分析模块对模型进行分析，提供优化建议。最后，可视化渲染模块将分析结果以图形化方式呈现。用户可以根据这些信息进行城市绿色照明空间的规划和管理，实现了城市绿色照明空间的精细化管理和优化设计，提高了照明空间的性能和效果。

Description

一种城市绿色照明空间数据建模分析及可视化渲染系统及 方法
技术领域
本发明属于绿色照明及数据处理技术领域，具体涉及一种城市绿色照明空间数据建模分析及可视化渲染系统及方法。
背景技术
绿色照明是20世纪90年代初提出的概念，完整的绿色照明内涵包含高效节能、环保、安全、舒适等四项指标，不可或缺。高效节能意味着以消耗较少的电能获得足够的照明，从而明显减少电厂大气污染物的排放，达到环保的目的。安全、舒适指的是光照清晰、柔和及不产生紫外线、眩光等有害光照，不产生光污染。
随着城市化进程的加速，绿色照明在城市规划中的重要性日益凸显。然而，现有的城市绿色照明空间设计往往缺乏对空间数据的有效利用和分析，无法进行精细化管理和优化设计。因此，开发一种能够高效处理和可视化城市绿色照明空间数据的系统成为了一种迫切的需求。
发明内容
本发明的目的在于提供一种城市绿色照明空间数据建模分析及可视化渲染系统及方法，旨在解决现有技术中的绿色照明在城市规划中的重要性日益凸显。然而，现有的城市绿色照明空间设计往往缺乏对空间数据的有效利用和分析，无法进行精细化管理和优化设计的问题。
为实现上述目的，本发明提供如下技术方案：
一种城市绿色照明空间数据建模分析及可视化渲染系统，该系统包括依次相连的数据采集模块、数据建模模块、数据分析模块以及可视化渲染模块，所述数据采集模块用于收集城市绿色照明空间的数据，所述数据建模模块用于对数据采集模块收集的数据，建立城市绿色照明空间的数据模型，所述数据分析模块用于对数据模型进行深入分析处理，所述可视化渲染模块用于将数据模型和分析结果以图形化方式呈现。
作为本发明一种优选的方案，所述数据采集模块采集的数据包括照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗等。
作为本发明一种优选的方案，所述数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元。
作为本发明一种优选的方案，所述传感器单元由多个不同的传感器组成，用于采集不同信息的数据；所述数据传输网络单元用于将收集到的传感器数据通过传输到数据建模模块，所述数据预处理单元用于对收集到的传感器数据进行传输前进行预处理。
作为本发明一种优选的方案，所述数据分析模块包括资产设施抢修单元、维护热点单元、绿色照明节能模拟单元、绿色照明能耗数据分析单元。
作为本发明一种优选的方案，所述资产设施抢修单元用于获取设施的抢修和维护数据，并进行深入的分析；所述维护热点单元用于对数据进行挖掘和分析，以优化维护计划和资源配置；所述绿色照明节能模拟单元用于获取节能改造和能耗数据，进行建模和分析，生成节能模拟和预案；所述绿色照明能耗数据分析单元用于收集和分析绿色照明系统的能耗数据。
作为本发明一种优选的方案，还包括底座，所述底座的顶部固定有下空心柱，所述下空心柱的顶部固定有上空心柱，所述上空心柱的一侧表面开设有滑槽，所述上空心柱的上下内壁之间转动连接有丝杆，所述丝杆的圆周表面螺纹连接有螺母，所述螺母的一侧端固定有滑块，且所述滑块滑动连接于所述滑槽内，所述滑块远离所述上空心柱的一端固定有支撑板，所述支撑板的底部设置有采集照明器。
作为本发明一种优选的方案，所述螺母的顶部开设有两个对称分布的限位孔，所述上空心柱的上下内壁之间固定有两个限位杆，所述螺母通过两个限位孔滑动连接于两个所述限位杆的表面上。
作为本发明一种优选的方案，所述下空心柱的内部固定设置有电机，所述电机的输出端活动贯穿至所述上空心柱内并与所述丝杆的底部固定。
作为本发明一种优选的方案，所述上空心柱的圆周表面底部开设有多个均匀分布的排水口，所述采集照明器的圆周表面设置有保护罩，所述上空心柱的顶部固定有立杆，所述立杆的表面固定有广告架。
本发明的一种城市绿色照明空间数据建模分析及可视化渲染方法，包括以下步骤：
步骤1：通过数据采集模块收集城市绿色照明空间的相关数据，包括照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗；数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元；
步骤2：在数据采集模块的基础上，引入强化学习与遗传算法结合的算法模型，该算法用于实时分析和处理传感器数据；
步骤3：数据分析模块通过上述算法对模型进行深入研究，评估照明设备的效率、分析照明空间的分布情况，智能算法可提供更精确的优化建议，以改善城市绿色照明空间的规划和管理效果；
步骤4：引入智能算法的数据分析结果由可视化渲染模块以图形化方式呈现，渲染引擎单元采用智能算法生成的虚拟场景，使用户更直观地了解城市的绿色照明空间。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过数据采集模块收集城市绿色照明空间的相关数据，然后由数据建模模块建立相应的数据模型。接下来，数据分析模块对模型进行分析，提供优化建议。最后，可视化渲染模块将分析结果以图形化方式呈现。用户可以根据这些信息进行城市绿色照明空间的规划和管理，实现了城市绿色照明空间的精细化管理和优化设计，提高了照明空间的性能和效果。
2、本发明中，通过多种不同传感器能够传递不同数据的信息，使得数据建模模块能够更好地进行模型的建立，从而能够更好地分析以及进行图形化的展示，提供了强大的数据支持，有助于决策者做出更明智的决策；提高了工作效率，降低了人工分析的难度和成本。
3、本发明中，通过对采集照明器进行调节的设置，可以能够轻松调节采集照明器的高度，使得采集照明器内可以安装不同的设备传感器，以及在采集照明器进行维修或者调试时，更加便捷，无需人工爬高，减小了操作难度，同时提高了作业的安全性。
4、强化学习与遗传算法结合的有益效果：
通过强化学习建模，系统能够根据实际情况自动调整建模参数，提高建模的准确性和适应性。动作空间定义和奖励函数的设计使得系统可以在城市绿色照明系统中执行调整照明设备亮度、改变照明布局等决策，以优化系统性能。引入遗传算法，将城市绿色照明系统的参数配置作为遗传算法的个体，通过交叉和变异操作，以及种群更新，实现对系统参数的优化。遗传算法通过迭代优化，使得系统个体逐渐收敛到更好地适应城市绿色照明系统需求的状态。
动作空间定义：允许系统灵活调整照明设备，可以出乎意料地发现最优的照明布局，适应城市绿色照明空间的多变性。
奖励函数设计：通过充分考虑能耗、照明效果、环境舒适度等因素，奖励函数的设计使系统在不同状态下做出更为合理的决策，提高系统整体性能。
个体表示：将系统参数作为遗传算法的个体，使得算法能够全局搜索参数空间，不容易陷入局部最优解，提高参数优化的全局性。
适应度函数定义：将强化学习模型的奖励与遗传算法的目标结合，使得遗传算法能够更有效地引导参数的优化，考虑到系统整体性能和强化学习模型的训练效果。
通过强化学习与遗传算法结合，系统能够在不同层面上进行优化，从而更好地适应城市绿色照明空间的变化和不确定性。这种组合不仅能够在局部搜索中找到更优解，还能够全局搜索参数空间，提高系统的整体性能。这带来的效果可能包括更高效的能耗利用、更优化的照明效果，以及更符合环境舒适度要求的绿色照明系统。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一种城市绿色照明空间数据建模分析及可视化渲染系统的系统框图；
图2为本发明中数据采集模块处的系统框图；
图3为本发明中的装置结构第一视角立体图；
图4为本发明中的装置结构爆炸立体图；
图5为本发明中的装置结构剖视立体图；
图6为本发明中的装置结构第二视角立体图。
图中：1、底座；2、下空心柱；3、上空心柱；4、排水口；5、滑槽；6、丝杆；7、螺母；8、滑块；9、支撑板；10、限位孔；11、限位杆；12、保护罩；13、采集照明器；14、立杆；15、广告架；16、电机；17、加强板。
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
请参阅图1-图6，本发明提供以下技术方案：
一种城市绿色照明空间数据建模分析及可视化渲染系统，该系统包括数据采集模块、数据建模模块、数据分析模块以及可视化渲染模块，数据采集模块用于收集城市绿色照明空间的数据，数据建模模块用于对数据采集模块收集的数据，建立城市绿色照明空间的数据模型，数据分析模块用于对数据模型进行深入分析处理，可视化渲染模块用于将数据模型和分析结果以图形化方式呈现。
在本发明的具体实施例中，本发明中，首先通过数据采集模块收集城市绿色照明空间的相关数据，然后由数据建模模块建立相应的数据模型。接下来，数据分析模块对模型进行分析，提供优化建议。最后，可视化渲染模块将分析结果以图形化方式呈现。用户可以根据这些信息进行城市绿色照明空间的规划和管理；数据采集：收集关于城市绿色照明空间的各种数据，例如照明设备的数量、位置、类型，以及照明效果等等。数据建模：使用专业的计算机模型，根据收集的数据建立数学模型，以此来模拟城市的绿色照明空间。数据分析：通过分析模型中的数据，可以对城市的绿色照明空间进行深入研究，例如评估照明设备的效率，分析照明空间的分布情况等等。可视化渲染：通过专业的图形和渲染技术，将数据模型转化为直观的视觉效果。这样可以让研究人员或决策者更直观地理解城市的绿色照明空间，以便做出更有效的决策。
具体的，数据采集模块采集的数据包括照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗等。
具体的，数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元。
具体的，传感器单元由多个不同的传感器组成，用于采集不同信息的数据；数据传输网络单元用于将收集到的传感器数据通过传输到数据建模模块，数据预处理单元用于对收集到的传感器数据进行传输前进行预处理。
本实施例中：数据采集模块主要由以下几个部分组成：
传感器单元：这是数据采集模块的主要组成部分，由各种类型的传感器组成，包括但不限于光传感器、颜色传感器、温度传感器和湿度传感器等。这些传感器被布置在城市绿色照明空间的各个位置，以实时收集空间的相关数据；
数据传输网络单元：收集到的传感器数据需要通过数据传输网络传输到数据处理中心。这个网络可以是有线的，也可以是无线的，具体取决于实际应用场景的需求；
数据预处理单元：在传感器数据被传输到数据处理中心之前，首先需要进行数据预处理。这包括数据的清洗、格式转换等操作，以确保数据的质量和可用性。
数据采集模块的工作流程
数据采集模块的工作流程如下：
a、传感器网络收集城市绿色照明空间的相关数据。
b、数据预处理模块对收集到的数据进行清洗和格式转换。
c、数据传输网络将预处理后的数据传输到数据建模模块。
具体的，数据分析模块包括资产设施抢修单元、维护热点单元、绿色照明节能模拟单元、绿色照明能耗数据分析单元。
具体的，资产设施抢修单元用于获取设施的抢修和维护数据，并进行深入的分析；维护热点单元用于对数据进行挖掘和分析，以优化维护计划和资源配置；绿色照明节能模拟单元用于获取节能改造和能耗数据，进行建模和分析，生成节能模拟和预案；绿色照明能耗数据分析单元用于收集和分析绿色照明系统的能耗数据。
资产设施抢修单元：这个子系统负责从绿色照明系统中获取设施的抢修和维护数据，并进行深入的分析；
维护热点单元：此子系统负责对维护热点进行数据挖掘和分析，以优化维护计划和资源配置；
绿色照明节能模拟单元：该子系统则从绿色照明系统中获取节能改造和能耗数据，进行建模和分析，生成节能模拟和预案；
绿色照明能耗数据分析单元：这个子系统则负责收集和分析绿色照明系统的能耗数据，以提供给决策者参考。
这些子单元从绿色照明系统中获取所需数据，进行各自的挖掘分析，然后将分析结果提供给地图渲染展示层进行图形化展示。这样的设计可以让管理者更直观地了解到当前城市绿色照明建设的现状，从而进行有效的决策和规划。
具体的，可视化渲染模块包括如下单元或数据库：
渲染引擎单元：这是可视化渲染单元的核心部分，负责将虚拟场景和数据转换成图像；渲染引擎可以采用多种不同的技术和算法，例如光栅化、光线追踪、路径追踪等；
材质模型库：包含用于描述物体表面属性的模型库；这些模型可以包括颜色、纹理、反射、透明度等属性；
光照模型库：包含用于模拟不同类型的光源和光照效果的模型库；这些模型可以包括点光源、方向光源、环境光等；
特效库：包含各种特效，例如烟雾、火焰、水波等，可以增强渲染效果和视觉体验；
可视化界面单元：用于展示渲染结果的界面，通常是一个图形用户界面(GUI)；该界面可以包含各种控件和交互方式，例如缩放、旋转、平移等；
数据输入接口单元：用于接收和处理外部数据，例如城市绿色照明空间数据；这些数据可以通过文件导入、网络传输等方式获取；
渲染输出单元：将渲染结果输出到屏幕或文件中，例如PNG、JPEG等格式；
性能优化单元：用于提高渲染效率和性能的单元，例如采用多线程、分布式等技术来加速渲染过程；
交互控制单元：用于控制渲染过程和虚拟场景的单元，例如用户可以通过鼠标、键盘等方式与虚拟场景进行交互；
地理信息系统(GIS)集成单元：该单元可以与地理信息系统(GIS)进行集成，以获取和处理城市绿色照明空间数据；通过GIS，可以获取城市中各种绿色照明的空间分布、位置信息、形状等数据，并将其转化为可视化渲染单元可以使用的数据格式；
数据分析单元：该单元可以对城市绿色照明空间数据进行建模和分析，例如分析绿色照明的分布、密度、使用情况等；这些数据可以用于评估城市的绿色照明水平，为政策制定和城市规划提供参考；
数据可视化单元：该单元可以将分析后的数据以图表、图像等形式进行可视化展示，例如展示绿色照明的分布图、柱状图、饼图等；通过数据可视化，可以更加直观地了解城市的绿色照明情况，并帮助决策者做出更好的决策；
场景编辑单元：该单元包含一个场景编辑器，用户可以通过它创建和编辑虚拟场景；场景编辑器可以包含各种工具和功能，例如模型导入、材质设置、光源调整等；用户可以根据自己的需求和创意，构建出各种不同的城市绿色照明场景，并进行可视化渲染和展示；
实时渲染单元：该单元可以实现实时渲染，即将虚拟场景和数据实时地转换为图像；通过实时渲染，用户可以实时地观察和调整虚拟场景的效果，并进行交互和控制；
渲染结果存储与检索单元：该单元可以将渲染结果存储到文件中或数据库中，并可以根据需要进行检索和调用；这些渲染结果可以包括图像、视频等格式，并可以用于后续的分析、展示和分享；
通过以上组成单元的协作和互动，可视化渲染单元可以实现城市绿色照明空间数据的建模、分析、可视化、渲染、存储和检索等功能，为城市规划和管理提供有力的支持和参考；同时，该单元还可以根据实际需求和技术水平进行扩展和优化，以满足不同领域和应用的需求。
具体的，本发明一种城市绿色照明空间数据建模分析及可视化渲染系统还提供一种应用于本发明的装置，还包括底座1，底座1的顶部固定有下空心柱2，下空心柱2的顶部固定有上空心柱3，上空心柱3的一侧表面开设有滑槽5，上空心柱3的上下内壁之间转动连接有丝杆6，丝杆6的圆周表面螺纹连接有螺母7，螺母7的一侧端固定有滑块8，且滑块8滑动连接于滑槽5内，滑块8远离上空心柱3的一端固定有支撑板9，支撑板9的底部设置有采集照明器13。
本实施例中：下空心柱2和上空心柱3均为空心，固定于底座1的顶部，丝杆6在上空心柱3内进行旋转，带动螺母7移动，由于限位件的作用，使得螺母7作直线运动，螺母7带动滑块8在滑槽5内滑动，滑块8与滑槽5相匹配，采集照明器13通过支撑板9固定于滑块8的端部，采集照明器13可以用于照明，同时采集照明器13可以设置有传感器或者摄像头，用于数据采集，不同的采集照明器13上可以设置有不同的传感器，通过丝杆6的正反旋转，可以进行螺母7位置的调节，从而实现对采集照明器13高度的调节，使得采集照明器13内可以安装不同的设备传感器，以及在采集照明器13进行维修或者调试时，更加便捷，无需人工爬高，减小了操作难度，同时提高了作业的安全性。
具体的，螺母7的顶部开设有两个对称分布的限位孔10，上空心柱3的上下内壁之间固定有两个限位杆11，螺母7通过两个限位孔10滑动连接于两个限位杆11的表面上。
本实施例中：在丝杆6转动带动螺母7移动时，由于螺母7通过两个限位孔10滑动连接于两个限位杆11的表面上，使得螺母7的位置被限定，只能作直线运动，从而使得螺母7只能带动滑块8进行上下移动，从而能够稳定的调节采集照明器13的位置。
具体的，下空心柱2的内部固定设置有电机16，电机16的输出端活动贯穿至上空心柱3内并与丝杆6的底部固定。
本实施例中：电机16用于驱动丝杆6转动，电机16为现有技术，可以根据实际需求选择相对应的型号，对此不作过多赘述。
具体的，上空心柱3的圆周表面底部开设有多个均匀分布的排水口4，采集照明器13的圆周表面设置有保护罩12，上空心柱3的顶部固定有立杆14，立杆14的表面固定有广告架15。
本实施例中：排水口4用于排水，避免上空心柱3内积累雨水，保护罩12用于进一步保护采集照明器13，立杆14用于支撑广告架15，广告架15用于放置广告，提高本装置的实用性，
优选的，底座1的顶部还固定有多个加强板17，多个加强板17均与下空心柱2和上空心柱3固定，使得下空心柱2和上空心柱3更加稳定。
本发明的工作原理及使用流程：本发明中，通过数据采集模块收集城市绿色照明空间的相关数据，然后由数据建模模块建立相应的数据模型。接下来，数据分析模块对模型进行分析，提供优化建议。最后，可视化渲染模块将分析结果以图形化方式呈现。用户可以根据这些信息进行城市绿色照明空间的规划和管理，实现了城市绿色照明空间的精细化管理和优化设计，提高了照明空间的性能和效果；
同时通过对采集照明器13进行调节的设置，可以能够轻松调节采集照明器13的高度，使得采集照明器13内可以安装不同的设备传感器，以及在采集照明器13进行维修或者调试时，更加便捷，无需人工爬高，减小了操作难度，同时提高了作业的安全性。
该采集照明器13上还要配备电源和驱动器，以给采集照明器13和系统上的电气设备(电机等)供电。
本发明的一种城市绿色照明空间数据建模分析方法包括以下内容：
步骤1：通过数据采集模块收集城市绿色照明空间的相关数据，包括但不限于照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗等。数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元。
1.1确定传感器类型：
传感器类型的选择取决于城市绿色照明系统的特点，包括但不限于：
光传感器：用于测量光照强度和光照分布。
颜色传感器：用于检测照明区域的颜色温度。
温度传感器：用于监测环境温度。
运动传感器：用于检测人或车辆的运动状态。
还包括智能电表；
视觉传感器：用于获取照明区域的图像信息(照明设备的数量、位置、布置方式的采集分析)；
2.2传感器部署和数据采集：
光传感器：测量照明强度，检测光源的分布情况。
颜色传感器：获取照明区域的颜色信息，例如颜色温度。
温度传感器：记录环境温度，有助于了解照明设备的工作状态。
运动传感器：监测人流或车流，帮助优化照明系统的调整。
智能电表：检测照明设备的电流、电压和功率；
视觉传感器：监测照明区域的场景图像拍摄；
3.3数据传输和预处理：
数据传输网络单元：
选择传输方式：根据实际应用场景，选择有线或无线的传输方式。
传输数据：将传感器单元收集到的数据传输到数据建模模块。
数据预处理单元：
数据清洗：对传感器数据进行清洗，处理异常值和缺失值。
格式转换：将不同传感器的数据统一格式，以便后续的建模和分析。
步骤2：在数据采集模块的基础上，引入强化学习与遗传算法结合的算法模型，该算法用于实时分析和处理传感器数据，具体包括：
状态空间定义：将各传感器数据作为状态空间的组成部分。
奖励函数设计：使用传感器数据中的信息，如光照强度、温度等，设计奖励函数。
遗传算法的个体表示：将城市绿色照明系统的参数配置，包括各传感器的权重作为遗传算法的个体。
2.1.确定可执行的动作：
根据城市绿色照明系统的特点，确定可以在系统中执行的动作，包括：
调整照明设备亮度：控制照明设备的亮度水平；
改变照明设备的颜色温度：调整照明设备的颜色温度；
改变照明布局：调整照明设备的位置和分布；
开启/关闭照明设备：控制照明设备的开关状态；
2.2.动作空间的定义：
亮度调整动作空间：定义不同的亮度级别；
颜色温度调整动作空间：定义不同的颜色温度级别；
布局调整动作空间：定义不同的照明设备布局方案；
开关状态动作空间：定义开启和关闭两个动作；
2.3.动作执行：
在系统中执行选择的动作，例如：
通过控制系统发送指令：使用控制系统向照明设备发送相应的控制指令。
实时监测执行效果：监测执行动作后的照明效果。
2.4.奖励函数设计：设计奖励函数，根据执行的动作和实际效果，给予相应的奖励或惩罚，奖励函数的目标是使系统在执行动作后达到良好的状态，同时考虑到能耗的减少、照明效果的提升和环境舒适度的增加，奖励函数设计如下：
R(s，a)＝α·照明效果增益-β·能耗增加+γ·舒适度提升
其中：R(s，a)是在状态s下执行动作a所获得的奖励，α、β、γ是权衡不同因素的系数，需要根据具体情况进行调整；a：表示在当前状态下选择的动作，包括调整照明设备的亮度或改变照明布局；
照明效果增益通过照明设备的亮度指标来评估，越高表示效果越好；考虑到节能的要求，能耗增加越小越好，可以通过传感器获取环境参数，包括亮度、颜色温度、光照强度来表示舒适度的提升；
照明效果增益：
照明效果增益＝新照明效果-旧照明效果；通过照明设备的亮度指标来表示；
能耗增加：
能耗增加＝新能耗-旧能耗，新能耗和旧能耗可以通过电表监测得到；
舒适度提升：
舒适度提升＝新舒适度-旧舒适度
在设计一个舒适度评价算法时，可以考虑多个因素，包括亮度均匀性、颜色温度、光照强度；以下是一个简单的例子，其中假设舒适度评分范围为0到100。
舒适度评价算法示例：
亮度均匀性(Brightness Uniformity)：考虑照明环境中各个位置的亮度分布，一个均匀照明的环境可能更舒适，使用以下步骤计算亮度均匀性：
对于每个位置，计算其亮度；
计算所有位置的亮度的标准差，标准差越小表示亮度越均匀；
标准差的归一化值(例如，除以最大亮度)可以映射到0到100的范围，作为亮度均匀性的得分；
颜色温度(Color Temperature)：考虑光源的颜色温度，某些颜色温度可能被认为更舒适，使用以下步骤计算颜色温度得分：
对于每个位置，计算其颜色温度；
将颜色温度映射到一个0到100的范围内，使得更接近期望的颜色温度得分更高；
光照强度(Illuminance)：考虑光照的强度，较弱或过强的光照可能被认为是不舒适的，使用以下步骤计算光照强度得分：
对于每个位置，计算其光照强度。
将光照强度映射到一个0到100的范围内，使得适中的光照强度得分更高；
综合得分：将以上三个得分综合，可以使用权重来调整它们在总得分中的贡献，例如，亮度均匀性可能对舒适度的贡献更大，因此可以分配更高的权重。
最终的舒适度评分可以通过将这些因素的综合得分相加而得到。
上面亮度均匀性、颜色温度、光照强度给出一个权重的案例，然后给出综合得分的数值应用举例；
舒适度评价算法示例：
在这个示例中，假设有三个因素：亮度均匀性、颜色温度、光照强度。为了综合这些因素，为每个因素分配了相应的权重，然后计算综合得分。
权重分配：
亮度均匀性权重：0.4
颜色温度权重：0.3
光照强度权重：0.3
计算各因素得分：
假设亮度均匀性得分为85(在0到100的范围内)。
假设颜色温度得分为75。
假设光照强度得分为80。
综合得分计算：
综合得分＝(亮度均匀性得分*亮度均匀性权重)+(颜色温度得分*颜色温度权重)+(光照强度得分*光照强度权重)
综合得分＝(85*0.4)+(75*0.3)+(80*0.3)＝34+22.5+24＝80.5
结果解释：
最终的综合得分为80.5。得分越高表示照明环境的舒适度越好。在这个例子中，亮度均匀性的贡献最大，颜色温度次之，光照强度相对较小。这反映了在这个评价算法中亮度均匀性对于舒适度的影响更为重要。
通过传感器获取的环境参数来评估舒适度的提升；
R(s，a)＝α·(新照明效果-旧照明效果)-β·(新能耗-旧能耗)+γ·(新舒适度-旧舒适度)
其中，R(s，a)表示在状态s下执行动作a所获得的奖励，而α、β、γ是权衡不同因素的系数，在这个公式中，每一项都是带符号的，正号表示对系统有正面影响，负号表示对系统有负面影响；
假设当前系统状态为：
旧照明效果：LED灯亮度为50％，白炽灯亮度为60％；
旧能耗：LED灯能耗为30W，白炽灯能耗为50W；
旧舒适度：60；
执行调整LED灯亮度的动作后，新状态为：
新照明效果：LED灯亮度调整为70％，白炽灯亮度仍为60％
新能耗：LED灯能耗调整为25W，白炽灯能耗仍为50W
新舒适度：85；
使用奖励函数进行计算：
照明效果增益＝新照明效果-旧照明效果＝70％-50％＝20％；
能耗增加＝新能耗-旧能耗＝25W-30W＝-5W(注意：为了奖励函数设计，此处取负值表示能耗减少)；
舒适度提升＝新舒适度-旧舒适度＝85-60＝25
代入到奖励函数中，通过设定a、β、γ得到奖励函数的数值。
Experience Replay更新规则：
D←D∪{(s，a，r，s′，done)}
从经验池中随机抽取批量样本进行训练；
目标网络更新规则：
Qtarget(s，a)←r+γmaxa’Qtarget(s′，a′)
目标网络的参数Qtarget相对较慢地更新；
Q值更新规则：
Q(s，a)←(1-α)·Q(s，a)+α·(r+γmaxa′Qtarget(s′，a′))
通过梯度下降更新Q网络的参数；
优先级采样规则：
P(i)∝|δi|+∈
其中，s：当前状态，表示城市绿色照明系统的状态；r：当前奖励，表示在执行动作a后获得的即时奖励；s’：下一个状态，表示在执行动作a后城市绿色照明系统的新状态；done：表示是否达到终止状态，包括一个周期的结束；D：经验回放缓冲区，用于存储历史经验；Qtarget(s，a)：目标Q值，表示用于更新Q网络的目标值；maxa′Qtarget(s′，a′)：在下一个状态s’下选择最优动作的Q值；γ：折扣因子，表示未来奖励的衰减系数；a：学习率，表示更新Q值时的步长；Q(s，a)：Q值函数，表示在状态s下执行动作a的预期累积奖励；δi：TD误差，表示当前Q值与目标Q值之间的差异；P(i)：优先级，表示经验被选择的概率与其TD误差的相关性；∈是一个小常数，以确保每个经验都有一定的概率被选择；
2.5.为了将遗传算法与城市绿色照明系统的参数配置相结合，需要定义一个适应度函数，该函数综合考虑强化学习模型的训练阶段奖励和遗传算法的优化目标。给出其符号含义和推导过程：
遗传算法中的基因表示：将城市绿色照明系统的参数配置、动作空间信息作为遗传算法中的基因；设城市绿色照明系统的参数配置为一个个体I，包括照明设备的亮度、布局；设强化学习模型在训练阶段的奖励为RRL(I)，而遗传算法的优化目标为最佳城市绿色照明优化C(I)；
适应度函数F(I)可以定义为两者的加权和：
F(I)＝e·RRL(I)+(1-e)·C(I)
其中，e为权重系数，用于平衡强化学习奖励和遗传算法的优化目标；
适应度函数的推导过程：
首先，定义强化学习模型的奖励函数：
其中，γ为折扣因子；T为训练阶段的时间步数，rt为每一步的即时奖励；
其次，定义遗传算法的优化目标为最佳城市绿色照明优化C(I)，包括：最佳照明效果、最小化能耗和最佳舒适度；
然后，结合两者得到适应度函数：
F(I)＝e·RRL(I)+(1-e)·C(I)
对于城市绿色照明系统的参数配置I1和I2，可以采用单点交叉或多点交叉操作，生成新的个体Icrossover：
其中，i表示参数配置的第i个元素，rand()为产生一个在[0，1)范围内的随机数；
对于城市绿色照明系统的参数配置I，可以进行单点变异或多点变异操作，生成新的个体Imtation；
Imutation[i]＝I[i]+rand_normal(μ，σ)
其中，rand_normal(μ，σ)为产生一个均值为μ，标准差为σ的正态分布随机数；
在每一代中，根据适应度函数F(I)对种群中的个体进行选择，然后进行交叉和变异操作，生成新的个体，这个过程重复进行，直到满足停止条件；
迭代优化的过程是通过重复进行种群更新来逐渐使个体收敛到更好地适应城市绿色照明系统需求的状态；在每一代中，首先计算每个个体的适应度F(I)，然后按照适应度大小选择个体，接着，进行交叉和变异操作，生成新的个体，这样，种群中的个体逐渐演化，使得整个种群适应度不断提高；
停止条件可以是达到一定的迭代次数或者适应度达到某个阈值；
这样，通过引入遗传算法的交叉和变异操作，以及种群更新，可以优化城市绿色照明系统的参数配置，使之更符合实际需求；
步骤3：数据分析模块通过智能算法对模型进行深入研究，评估照明设备的效率、分析照明空间的分布情况，智能算法可提供更精确的优化建议，以改善城市绿色照明空间的规划和管理效果。
3.1.能耗优化的优化前后对比：
优化前：在优化之前，通过数据采集模块和数据分析模块收集并分析了照明系统的能耗数据。假设能耗为每月1000千瓦时。优化后：经过优化建议的实施，通过可视化渲染模块呈现优化后的照明系统能耗数据。假设优化后的能耗为每月800千瓦时。对比结果：通过图表或其他可视化手段，将优化前后的能耗进行对比展示。这有助于直观地看到优化措施对能耗的降低效果。
3.2.3D图形展示照明设备的分布、类型与数量：
优化前：在数据分析模块中，获取了照明设备的分布、类型与数量的数据。这包括各个区域的灯具类型和数量。优化后：通过优化建议，调整照明设备的分布和类型，以达到能效能耗优化的目标。可视化渲染模块将通过3D图形展示新的照明设备分布，类型与数量的关系。
优化前数据(示例)：
区域A：LED灯50个，荧光灯30个
区域B：LED灯40个，荧光灯20个
区域C：LED灯60个，荧光灯40个
总设备数：50+30+40+20+60+40＝24050+30+40+20+60+40＝240个
优化后数据(示例，调整为能耗优化)：
区域A：LED灯60个，荧光灯25个
区域B：LED灯35个，荧光灯15个
区域C：LED灯55个，荧光灯35个
总设备数：60+25+35+15+55+35＝22560+25+35+15+55+35＝225个
使用3D散点图，其中横轴表示区域，纵轴表示灯具类型，而高度表示数量。每个点的坐标表示某个区域和灯具类型的数量。通过对比优化前后的图形直观看出设备分布的变化。总设备数量从240减少到225，说明优化后减少了照明设备的数量，从而可能实现了能耗的降低。
调整灯具类型：根据优化后的数据，LED灯的数量相对增加，而荧光灯的数量相对减少，为了提高能效和降低能耗。通过对比优化前后的3D图形决策者能够直观地了解优化后的照明设备分布情况，判断是否达到了预期的效果。
3.3.光照强度的空间变化优化前后对比：
优化前：数据分析模块提供了照明空间中光照强度的分布情况，包括亮度的不均匀性和高光照区域。优化后：通过优化建议，调整灯具的布局或光照强度控制策略，以改善光照强度的空间变化。可视化渲染模块以图形方式展示光照强度的优化前后对比。这可以通过热力图等形式呈现，让决策者清晰地看到优化后的空间光照强度的变化。
以下是光照强度的空间变化优化前后对比的详细数值推导过程：
优化前数据(示例)：
区域A：平均光照强度500lux，最亮处800lux，最暗处300lux
区域B：平均光照强度600lux，最亮处900lux，最暗处400lux
区域C：平均光照强度550lux，最亮处850lux，最暗处350lux
优化后数据(示例，调整为光照强度均匀性)：
区域A：平均光照强度550lux，最亮处750lux，最暗处450lux
区域B：平均光照强度570lux，最亮处880lux，最暗处400lux
区域C：平均光照强度560lux，最亮处820lux，最暗处420lux
利用热力图，其中地图上的每个区域表示一个区域，颜色深浅表示光照强度。对比优化前后的热力图能够清晰展示每个区域内部和整体的光照强度分布情况。
光照强度均匀性改善：通过对比热力图观察到优化后各区域内的光照强度更加均匀，体现了光照强度均匀性的提升。优化后，最亮处和最暗处的光照强度相对更平缓，说明对光照强度的控制策略可能有所调整，以提高整体照明效果。
步骤4：引入智能算法的数据分析结果由可视化渲染模块以图形化方式呈现，渲染引擎单元采用智能算法生成的虚拟场景，使用户更直观地了解城市的绿色照明空间。
1)资产设施抢修单元
建议：利用折线图或柱状图，按时间展示设施的抢修次数和维护费用。每个设施可用一条线或一组柱表示，使管理者能够追踪设施健康状况的变化趋势。
数值案例：
设施A：
2023年1月-3次抢修，总维护费用1000元
2023年2月-1次抢修，总维护费用500元
设施B：
2023年1月-2次抢修，总维护费用800元
2023年2月-0次抢修，总维护费用0元
2)维护热点单元
建议：使用地图展示城市中的不同区域，通过颜色深浅或点的大小表示维护紧急程度。增加交互性，允许用户选择特定时间段或维护类型进行分析。
数值案例：
区域A：高维护紧急程度，颜色深或点大；
区域B：中维护紧急程度，颜色适中或点中等；
区域C：低维护紧急程度，颜色浅或点小；
3)绿色照明节能模拟单元
建议：利用3D柱状图或散点图展示不同区域的照明设备类型和数量。使用颜色表示不同类型，确保管理者能够直观了解设备的分布情况。
数值案例：
区域A：LED灯数量增加，以蓝色表示；
区域B：智能控制系统部署，以绿色表示；
4)绿色照明能耗数据分析单元
建议：利用折线图或柱状图展示绿色照明系统的能耗趋势。添加时间轴，使决策者能够追踪能耗的季节性或周期性变化。
数值案例：
2023年1月-能耗1000千瓦时；
2023年2月-能耗900千瓦时；
2023年3月-能耗800千瓦时；
交互性界面：在可视化界面中添加交互元素，如时间滑块、设施选择器等，以便用户能够根据具体需求过滤数据。
整合图表：将不同单元的图表整合到一个仪表板中，使管理者能够在一个视图中全面了解绿色照明系统的状况。
步骤5：通过智能算法提供的优化建议，用户可以根据这些信息进行城市绿色照明空间的规划和管理。实时数据分析和智能算法的引入使得城市规划和管理更具实时性和智能化。
渲染引擎单元：
建议：选择适用于城市绿色照明场景的高效渲染引擎，采用光栅化、光线追踪技术确保支持实时渲染和高质量图形输出。
光照模型库：
建议：拓展光照模型库，以适应不同光源类型和光照效果。支持模拟日光、夜光和节能照明情境。
特效库：
建议：引入具有现代感的特效，包括实时阴影、抗锯齿效果、景深和动态光照。这些特效可提高可视化效果和用户体验。
可视化界面单元：
建议：设计直观且易用的用户界面，包括缩放、旋转、平移的交互控制元素。确保用户能够自定义显示内容和过滤数据。
渲染输出单元：
建议：支持多种输出格式，如PNG、JPEG，并提供高分辨率选项。考虑实现视频输出以记录场景演变过程。
性能优化单元：
建议：使用多线程、GPU加速技术，以提高渲染效率。确保在处理大规模城市数据时依然保持流畅性。
交互控制单元：
建议：提供多种交互方式，包括鼠标、键盘、甚至虚拟现实(VR)技术。确保用户可以方便地操控虚拟场景。
地理信息系统(GIS)集成单元：
建议：优化与GIS的集成，确保能够无缝获取和处理城市绿色照明空间的地理信息。支持导入和导出GIS数据格式。通过GIS集成单元，用户将绿色照明设施的地理位置数据导入系统，实现了城市绿色照明空间的地理信息管理。
数据可视化单元：
建议：提供多种数据可视化选项，包括图表、图像、热力图。确保用户可以根据需要选择最合适的可视化方式。数据可视化单元通过生成了一张城市绿色照明热力图，显示不同区域的能耗水平，帮助决策者快速了解能耗分布。
场景编辑单元：
建议：拓展场景编辑器功能，包括更多的模型导入格式、更复杂的材质设置和更灵活的光源调整。支持用户创建真实且富有创意的绿色照明场景。用户通过场景编辑器创建了一个虚拟城市绿色照明场景，包括LED路灯、太阳能路灯和公园景观灯。
实时渲染单元：
建议：优化实时渲染性能，确保用户能够在场景编辑时获得实时反馈。支持实时调整光照、材质和其他参数。用户在实时渲染过程中调整了太阳的位置，观察光照效果的变化，以模拟不同时间的日光条件。
通过以上优化建议和数值案例，可视化渲染模块将更好地满足城市规划和管理的需求，提供强大的支持和参考。
上述模块中的模块和单元通过以下软硬件搭建而成。
数据采集模块：
为传感器单元，软件采用嵌入式系统程序、传感器驱动程序。硬件采用光传感器、颜色传感器、温度传感器、湿度传感器等各种传感器。
数据传输网络单元：
软件采用通信协议、数据传输协议。硬件采用有线或无线通信设备，如WiFi模块、LoRa模块。
数据预处理单元：
软件采用数据清洗算法、格式转换工具。硬件采用处理器用于数据处理。
数据分析模块：
资产设施抢修单元：数据分析软件(如matlab)、统计工具。
维护热点单元：数据挖掘软件、优化算法(如matlab)。
绿色照明节能模拟单元：模拟算法、建模工具。
绿色照明能耗数据分析单元：数据分析软件，如matlab。
可视化渲染模块：
渲染引擎单元：软件采用渲染引擎，如OpenGL、Unity、Three.js。硬件采用图形处理单元(GPU)。
材质模型库、光照模型库、特效库：软件采用图形设计工具、建模软件(如matlab)。
可视化界面单元：软件采用GUI库，如Qt、Tkinter。
数据输入接口单元、渲染输出单元：软件采用数据处理工具、文件格式转换工具。
性能优化单元：软件采用性能优化算法(如matlab)。
交互控制单元：软件采用用户交互处理工具。
地理信息系统(GIS)集成单元：软件采用GIS软件，如ArcGIS、QGIS。硬件采用GIS数据存储设备。
数据分析单元：软件采用统计分析软件，如Python的pandas和numpy库。硬件：处理器、存储设备。
场景编辑单元：软件采用场景编辑器软件，如Blender、SketchUp。硬件：图形处理单元(GPU)。
实时渲染单元：软件采用实时渲染引擎，如Unity的实时渲染功能。硬件：高性能GPU。
渲染结果存储与检索单元：软件采用数据库管理系统，如MySQL、MongoDB。硬件采用存储设备。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (8)

1.一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，该系统包括依次相连的数据采集模块、数据建模模块、数据分析模块以及可视化渲染模块，所述数据采集模块用于收集城市绿色照明空间的数据，所述数据建模模块用于对数据采集模块收集的数据，建立城市绿色照明空间的数据模型，所述数据分析模块用于对数据模型进行深入分析处理，所述可视化渲染模块用于将数据模型和分析结果以图形化方式呈现。
2.根据权利要求1所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，所述数据采集模块采集的数据包括照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗，所述数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元，所述传感器单元由多个不同的传感器组成，用于采集不同信息的数据；所述数据传输网络单元用于将收集到的传感器数据通过传输到数据建模模块，所述数据预处理单元用于对收集到的传感器数据进行传输前进行预处理。
3.根据权利要求1所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，所述数据分析模块包括资产设施抢修单元、维护热点单元、绿色照明节能模拟单元、绿色照明能耗数据分析单元；
所述资产设施抢修单元用于获取设施的抢修和维护数据，并进行分析；所述维护热点单元用于对数据进行挖掘和分析，以优化维护计划和资源配置；所述绿色照明节能模拟单元用于获取节能改造和能耗数据，进行建模和分析，生成节能模拟和预案；所述绿色照明能耗数据分析单元用于收集和分析绿色照明系统的能耗数据。
4.根据权利要求1所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，还包括底座(1)，所述底座(1)的顶部固定有下空心柱(2)，所述下空心柱(2)的μ部固定有上空心柱(3)，所述上空心柱(3)的一侧表面开设有滑槽(5)，所述上空心柱(3)的上下内壁之间转动连接有丝杆(6)，所述丝杆(6)的圆周表面螺纹连接有螺母(7)，所述螺母(7)的一侧端固定有滑块(8)，且所述滑块(8)滑动连接于所述滑槽(5)内，所述滑块(8)远离所述上空心柱(3)的一端固定有支撑板(9)，所述支撑板(9)的底部设置有采集照明器(13)。
5.根据权利要求4所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，所述螺母(7)的c部开设有两个对称分布的限位孔(10)，所述上空心柱(3)的上下内壁之间固定有两个限位杆(11)，所述螺母(7)通过两个限位孔(10)滑动连接于两个所述限位杆(11)的表面上。
6.根据权利要求5所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，所述下空心柱(2)的内部固定设置有电机(16)，所述电机(16)的输出端活动贯穿至所述上空心柱(3)内并与所述丝杆(6)的底部固定。
7.根据权利要求5所述的一种城市绿色照明空间数据建模分析及可视化渲染系统，其特征在于，所述上空心柱(3)的圆周表面底部开设有多个均匀分布的排水口(4)，所述采集照明器(13)的圆周表面设置有保护罩(12)，所述上空心柱(3)的顶部固定有立杆(14)，所述立杆(14)的表面固定有广告架(15)。
8.一种城市绿色照明空间数据建模分析及可视化渲染方法，其特征在于，包括以下步骤：
步骤1：通过数据采集模块收集城市绿色照明空间的相关数据，包括照明设备的数量、位置、类型、照明效果、布置方式、光照亮度以及能耗；数据采集模块内包括传感器单元、数据传输网络单元以及数据预处理单元；
1.1确定传感器类型：
传感器类型的选择取决于城市绿色照明系统的特点，包括：
光传感器：用于测量光照强度和光照分布；
颜色传感器：用于检测照明区域的颜色温度；
温度传感器：用于监测环境温度；
运动传感器：用于检测人或车辆的运动状态；
还包括智能电表；
视觉传感器：用于获取照明区域的图像信息；
2.2传感器部署和数据采集：
光传感器：测量照明强度，检测光源的分布情况；
颜色传感器：获取照明区域的颜色信息，包括颜色温度；
温度传感器：记录环境温度，有助于了解照明设备的工作状态；
运动传感器：监测人流或车流，帮助优化照明系统的调整；
智能电表：检测照明设备的电流、电压和功率；
视觉传感器：监测照明区域的场景图像拍摄；
3.3数据传输和预处理：
数据传输网络单元：
选择传输方式：根据实际应用场景，选择有线或无线的传输方式；
传输数据：将传感器单元收集到的数据传输到数据建模模块；
数据预处理单元：
数据清洗：对传感器数据进行清洗，处理异常值和缺失值；
格式转换：将不同传感器的数据统一格式，以便后续的建模和分析；
步骤2：在数据采集模块的基础上，引入强化学习与遗传算法结合的算法模型，该算法用于实时分析和处理传感器数据，具体包括：
状态空间定义：将各传感器数据作为状态空间的组成部分；
奖励函数设计：使用传感器数据中的信息，如光照强度、温度，设计奖励函数；
遗传算法的个体表示：将城市绿色照明系统的参数配置，包括各传感器的权重作为遗传算法的个体；
2.1.确定可执行的动作：
根据城市绿色照明系统的特点，确定可以在系统中执行的动作，包括：
调整照明设备亮度：控制照明设备的亮度水平；
改变照明设备的颜色温度：调整照明设备的颜色温度；
改变照明布局：调整照明设备的位置和分布；
开启/关闭照明设备：控制照明设备的开关状态；
2.2.动作空间的定义：
亮度调整动作空间：定义不同的亮度级别；
颜色温度调整动作空间：定义不同的颜色温度级别；
布局调整动作空间：定义不同的照明设备布局方案；
开关状态动作空间：定义开启和关闭两个动作；
2.3.动作执行：
在系统中执行选择的动作，包括：
通过控制系统发送指令：使用控制系统向照明设备发送相应的控制指令；
实时监测执行效果：监测执行动作后的照明效果；
2.4.奖励函数设计：设计奖励函数，根据执行的动作和实际效果，给予相应的奖励或惩罚，奖励函数的目标是使系统在执行动作后达到良好的状态，同时考虑到能耗的减少、照明效果的提升和环境舒适度的增加，奖励函数设计如下：
R(s，a)＝α·照明效果增益-β·能耗增加+γ·舒适度提升
其中：R(s，a)是在状态s下执行动作a所获得的奖励，α、β、γ是权衡不同因素的系数，需要根据具体情况进行调整；a：表示在当前状态下选择的动作，包括调整照明设备的亮度或改变照明布局；
照明效果增益通过照明设备的亮度指标来评估，越高表示效果越好；考虑到节能的要求，能耗增加越小越好，通过传感器获取环境参数，包括亮度、颜色温度、光照强度来表示舒适度的提升；
照明效果增益：
照明效果增益＝新照明效果-旧照明效果；通过照明设备的亮度指标来表示；
能耗增加：
能耗增加＝新能耗-旧能耗，新能耗和旧能耗通过电表监测得到；
舒适度提升：
舒适度提升＝新舒适度-旧舒适度
舒适度评价算法：
亮度均匀性：考虑照明环境中各个位置的亮度分布，一个均匀照明的环境可能更舒适，使用以下步骤计算亮度均匀性：对于每个位置，计算其亮度；计算所有位置的亮度的标准差，标准差越小表示亮度越均匀；标准差的归一化值映射到0到100的范围，作为亮度均匀性的得分；
颜色温度：考虑光源的颜色温度，某些颜色温度被认为更舒适，使用以下步骤计算颜色温度得分：对于每个位置，计算其颜色温度；将颜色温度映射到一个0到100的范围内，使得更接近期望的颜色温度得分更高；
光照强度：考虑光照的强度，较弱或过强的光照可能被认为是不舒适的，使用以下步骤计算光照强度得分：对于每个位置，计算其光照强度，将光照强度映射到一个0到100的范围内，使得适中的光照强度得分更高；
综合得分：将以上三个得分综合，使用权重来调整它们在总得分中的贡献，亮度均匀性对舒适度的贡献更大，因此分配更高的权重；
最终的舒适度评分通过将这些因素的综合得分相加而得到；
权重分配：亮度均匀性权重：0.4；颜色温度权重：0.3；光照强度权重：0.3；
综合得分＝(亮度均匀性得分*亮度均匀性权重)+(颜色温度得分*颜色温度权重)+(光照强度得分*光照强度权重)；
通过传感器获取的环境参数来评估舒适度的提升；
R(s，a)＝α·(新照明效果-旧照明效果)-β·(新能耗-旧能耗)+γ·(新舒适度-旧舒适度)
在这个公式中，每一项都是带符号的，正号表示对系统有正面影响，负号表示对系统有负面影响；
Experience Replay更新规则：
D ← D ∪{(s，a，r，s′，done)}
从经验池中随机抽取批量样本进行训练；
目标网络更新规则：
Qtarget(s，a)←r+γmaxa’Qtarget(s′，a′)
目标网络的参数Qtarget相对较慢地更新；
Q值更新规则：
Q(s，a)←(1-α)·Q(s，a)+α·(r+γmaxa’Qtarget(s′，a′))
通过梯度下降更新Q网络的参数；
优先级采样规则：
P(i)∝|δi|+∈
其中，s：当前状态，表示城市绿色照明系统的状态；r：当前奖励，表示在执行动作a后获得的即时奖励；s’：下一个状态，表示在执行动作a后城市绿色照明系统的新状态；done：表示是否达到终止状态，包括一个周期的结束；D：经验回放缓冲区，用于存储历史经验；Qtarget(s，α)：目标Q值，表示用于更新Q网络的目标值；maxa′Qtarget(s′，a′)：在下一个状态s’下选择最优动作的Q值；γ：折扣因子，表示未来奖励的衰减系数；a：学习率，表示更新Q值时的步长；Q(s，a)：Q值函数，表示在状态s下执行动作a的预期累积奖励；δi：TD误差，表示当前Q值与目标Q值之间的差异；P(i)：优先级，表示经验被选择的概率与其TD误差的相关性；∈是一个小常数，以确保每个经验都有一定的概率被选择；
2.5.为了将遗传算法与城市绿色照明系统的参数配置相结合，需要定义一个适应度函数，该函数综合考虑强化学习模型的训练阶段奖励和遗传算法的优化目标，同时给出其符号含义和推导过程：
遗传算法中的基因表示：将城市绿色照明系统的参数配置、动作空间信息作为遗传算法中的基因；设城市绿色照明系统的参数配置为一个个体I，包括照明设备的亮度、布局；设强化学习模型在训练阶段的奖励为RRL(I)，而遗传算法的优化目标为最佳城市绿色照明优化C(I)；
适应度函数F(I)可以定义为两者的加权和：
F(I)＝e·RRL(I)+(1-e)·C(I)
其中，e为权重系数，用于平衡强化学习奖励和遗传算法的优化目标；
适应度函数的推导过程：
首先，定义强化学习模型的奖励函数：
其中，γ为折扣因子；T为训练阶段的时间步数，rt为每一步的即时奖励；
其次，定义遗传算法的优化目标为最佳城市绿色照明优化C(I)，包括：最佳照明效果、最小化能耗和最佳舒适度；
然后，结合两者得到适应度函数：
F(I)＝e·RRL(I)+(1-e)·C(I)
对于城市绿色照明系统的参数配置I1和I2，可以采用单点交叉或多点交叉操作，生成新的个体Icrossover：
其中，i表示参数配置的第i个元素，rand()为产生一个在[0，1)范围内的随机数；
对于城市绿色照明系统的参数配置I，进行单点变异或多点变异操作，生成新的个体Immtion；
Imutation[i]＝I[i]+rand_normal(μ，σ)
其中，rand_normal(μ，σ)为产生一个均值为μ，标准差为σ的正态分布随机数；
在每一代中，根据适应度函数F(I)对种群中的个体进行选择，然后进行交叉和变异操作，生成新的个体，这个过程重复进行，直到满足停止条件；
迭代优化的过程是通过重复进行种群更新来逐渐使个体收敛到更好地适应城市绿色照明系统需求的状态；在每一代中，首先计算每个个体的适应度F(I)，然后按照适应度大小选择个体，接着，进行交叉和变异操作，生成新的个体，这样，种群中的个体逐渐演化，使得整个种群适应度不断提高；
停止条件可以是达到一定的迭代次数或者适应度达到某个阈值；
这样，通过引入遗传算法的交叉和变异操作，以及种群更新，可以优化城市绿色照明系统的参数配置，使之更符合实际需求；
步骤3：数据分析模块通过上述算法对模型进行深入研究，评估照明设备的效率、分析照明空间的分布情况，智能算法可提供更精确的优化建议，以改善城市绿色照明空间的规划和管理效果；
3.1.能耗优化的优化前后对比：
在优化之前，通过数据采集模块和数据分析模块收集并分析了照明系统的能耗数据，经过优化建议的实施，通过可视化渲染模块呈现优化后的照明系统能耗数据，有助于直观地看到优化措施对能耗的降低效果；
3.2.3D图形展示照明设备的分布、类型与数量：
在数据分析模块中，获取了照明设备的分布、类型与数量的数据，这包括各个区域的灯具类型和数量，通过优化建议，调整照明设备的分布和类型，以达到能效能耗优化的目标，可视化渲染模块将通过3D图形展示新的照明设备分布，类型与数量的关系；
使用3D散点图，其中横轴表示区域，纵轴表示灯具类型，而高度表示数量，每个点的坐标表示某个区域和灯具类型的数量，通过对比优化前后的图形直观看出设备分布的变化；
调整灯具类型：根据优化后的数据，LED灯的数量相对增加，而荧光灯的数量相对减少，为了提高能效和降低能耗，通过对比优化前后的3D图形决策者能够直观地了解优化后的照明设备分布情况，判断是否达到了预期的效果；
3.3.光照强度的空间变化优化前后对比：
数据分析模块提供了照明空间中光照强度的分布情况，包括亮度的不均匀性和高光照区域，通过优化建议，调整灯具的布局或光照强度控制策略，以改善光照强度的空间变化，可视化渲染模块以图形方式展示光照强度的优化前后对比，这可以通过热力图形式呈现，让决策者清晰地看到优化后的空间光照强度的变化；利用热力图，其中地图上的每个区域表示一个区域，颜色深浅表示光照强度，对比优化前后的热力图能够清晰展示每个区域内部和整体的光照强度分布情况；通过对比热力图观察到优化后各区域内的光照强度以实现更加均匀；
步骤4：引入智能算法的数据分析结果由可视化渲染模块以图形化方式呈现，渲染引擎单元采用智能算法生成的虚拟场景，使用户更直观地了解城市的绿色照明空间；
4.1.资产设施抢修单元
利用折线图或柱状图，按时间展示设施的抢修次数和维护费用，每个设施可用一条线或一组柱表示，使管理者能够追踪设施健康状况的变化趋势；
4.2.维护热点单元
使用地图展示城市中的不同区域，通过颜色深浅或点的大小表示维护紧急程度，增加交互性，允许用户选择特定时间段或维护类型进行分析；
4.3.绿色照明节能模拟单元
利用3D柱状图或散点图展示不同区域的照明设备类型和数量，使用颜色表示不同类型，确保管理者能够直观了解设备的分布情况；
4.4.绿色照明能耗数据分析单元
利用折线图或柱状图展示绿色照明系统的能耗趋势，添加时间轴，使决策者能够追踪能耗的季节性或周期性变化；
交互性界面：在可视化界面中添加交互元素，包括时间滑块、设施选择器，以便用户能够根据具体需求过滤数据；
整合图表：将不同单元的图表整合到一个仪表板中，使管理者能够在一个视图中全面了解绿色照明系统的状况；
步骤5：通过智能算法提供的优化建议，用户根据这些信息进行城市绿色照明空间的规划和管理，实时数据分析和智能算法的引入使得城市规划和管理更具实时性和智能化。
CN202311865696.XA 2023-12-29 2023-12-29 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法 Active CN117744498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311865696.XA CN117744498B (zh) 2023-12-29 2023-12-29 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311865696.XA CN117744498B (zh) 2023-12-29 2023-12-29 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法

Publications (2)

Publication Number Publication Date
CN117744498A true CN117744498A (zh) 2024-03-22
CN117744498B CN117744498B (zh) 2024-05-31

Family

ID=90279254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311865696.XA Active CN117744498B (zh) 2023-12-29 2023-12-29 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法

Country Status (1)

Country Link
CN (1) CN117744498B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040217957A1 (en) * 2003-04-30 2004-11-04 Pixar Method and apparatus for rendering of translucent objects using volumetric grids
CN108280138A (zh) * 2017-12-27 2018-07-13 上海五零盛同信息科技有限公司 城市绿色照明空间数据建模分析及可视化渲染系统
US20210029789A1 (en) * 2018-10-05 2021-01-28 Ledvance Llc Predictive smart light control
CN113591180A (zh) * 2021-07-14 2021-11-02 北京建筑大学 采光遮阳设施生成方法、装置、电子设备及存储介质
US20230022108A1 (en) * 2021-07-26 2023-01-26 Lumirithmic Limited Acquisition of optical characteristics
CN115758522A (zh) * 2022-11-14 2023-03-07 中交城乡建设规划设计研究院有限公司 一种数字孪生城市管理系统及方法
KR20230090862A (ko) * 2021-12-15 2023-06-22 주식회사 딜리셔스게임즈 인공 지능 모델을 기반으로 게임 컨텐츠의 난이도를 관리하는 방법 및 장치
CN116823578A (zh) * 2023-07-17 2023-09-29 鲁友燕 基于大数据分析的智能城市规划系统和方法
CN116976199A (zh) * 2023-07-07 2023-10-31 同济大学 基于非支配多目标遗传算法的pcm-tcg光热性能优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040217957A1 (en) * 2003-04-30 2004-11-04 Pixar Method and apparatus for rendering of translucent objects using volumetric grids
CN108280138A (zh) * 2017-12-27 2018-07-13 上海五零盛同信息科技有限公司 城市绿色照明空间数据建模分析及可视化渲染系统
US20210029789A1 (en) * 2018-10-05 2021-01-28 Ledvance Llc Predictive smart light control
CN113591180A (zh) * 2021-07-14 2021-11-02 北京建筑大学 采光遮阳设施生成方法、装置、电子设备及存储介质
US20230022108A1 (en) * 2021-07-26 2023-01-26 Lumirithmic Limited Acquisition of optical characteristics
KR20230090862A (ko) * 2021-12-15 2023-06-22 주식회사 딜리셔스게임즈 인공 지능 모델을 기반으로 게임 컨텐츠의 난이도를 관리하는 방법 및 장치
CN115758522A (zh) * 2022-11-14 2023-03-07 中交城乡建设规划设计研究院有限公司 一种数字孪生城市管理系统及方法
CN116976199A (zh) * 2023-07-07 2023-10-31 同济大学 基于非支配多目标遗传算法的pcm-tcg光热性能优化方法
CN116823578A (zh) * 2023-07-17 2023-09-29 鲁友燕 基于大数据分析的智能城市规划系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐春: "基于遗传算法的室内光无线通信功率分布优化方案", 《计算机应用》, vol. 32, no. 4, 1 April 2012 (2012-04-01), pages 949 - 952 *

Also Published As

Publication number Publication date
CN117744498B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
US10796479B2 (en) System and method for real time dynamic lighting simulation
Andersen et al. An intuitive daylighting performance analysis and optimization approach
Baloch et al. Simulation tools application for artificial lighting in buildings
Ochoa et al. State of the art in lighting simulation for building science: a literature review
Chang et al. Multivariate relationships between campus design parameters and energy performance using reinforcement learning and parametric modeling
Yan et al. Optimization and prediction in the early design stage of office buildings using genetic and XGBoost algorithms
CN116090065B (zh) 一种基于数字孪生的智慧城市绿化设计方法及装置
Han et al. Developing a parametric morphable annual daylight prediction model with improved generalization capability for the early stages of office building design
CN111968005B (zh) 区域能源系统潜力评估方法及实现该方法的系统
CN112507444A (zh) 一种基于ai构建的数字城市建筑夜景生成方法及系统
CN112070332B (zh) 满足光舒适的教室照明节能评价系统及照明系统控制方法
Bian et al. Simulation of daylight availability, visual comfort and view clarity for a novel window system with switchable blinds in classrooms
CN117744498B (zh) 一种城市绿色照明空间数据建模分析及可视化渲染系统及方法
Mohammadrezaei et al. Systematic review of extended reality for smart built environments lighting design simulations
Rockcastle et al. Dynamic annual metrics for contrast in daylit architecture
Gagne An interactive performance-based expert system for daylighting in architectural design
CN114091133A (zh) 一种城市信息模型建模方法、装置、终端设备及存储介质
CN113642085A (zh) 一种vr室内设计系统
Rockcastle et al. OCUVIS: a web-based visualizer for simulated daylight performance
Kontadakis et al. Defining the Boundaries of Daylight Penetration. The use of dynamic and static daylight methods to predict the daylit zone within sidelit spaces, a comparison
CN103778284A (zh) 一种以建筑功能进行数字化立面设计的方法
CN118139255B (zh) 一种基于光伏发电的景观灯智能控制方法
CN117974912B (zh) 城市规划实景三维模拟系统
Labib Façade Internet of Things (FIoT): A Human-Sensing, Two-Façade Communication Approach to Achieve Glare Reduction, Optimized Daylighting, and Solar Energy Collection
Osser Development of two heliodon systems at MIT and recommendations for their use

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