[發明專利]一種室內天然光照度建模方法

有效

• 申請號: 202110701165.1
• 申請日: 2021-06-23
• 公開（公告）號: CN113408206B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 張玉杰;郭敬;徐源;王帆
• 申請（專利權）人: 陜西科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

本申請公開了一種室內天然光照度建模方法，?本申請通過采集室內天然光照度數據，訓練徑向基函數神經網絡獲得照度分布的基準模型；采用室內布置少數傳感器監測關鍵點的實時照度來修正模型輸出，從而得到實時室內天然光照度分布估計。本申請通過采集實際場景的天然光照度數據訓練獲取照度基準模型，并利用少數傳感器監測的實時照度變化來修正基準模型的照度輸出，實現快速的照度分布估算，為舒適照明控制提供依據。本申請利用徑向基函數神經網絡構建的天然光照度模型只需在應用場景中布置少數幾個照度傳感器檢測天然光照度的變化，實現室內照度分布的快速估計，解決了大量傳感器布置導致的工程化難題。

技術領域

本發明屬于照明控制領域，具體涉及一種室內天然光照度建模方法。

背景技術

在室內照明控制系統中，合理地利用天然光是實現節能型照明的有效方法。在有效地測量或估計室內天然光照度，并通過合適的控制策略對室內照明環境進行人工補光滿足照明需求。因此，獲得實時的室內天然光照度值是照明控制系統的前提。在只需要獲取極少數位置照度的情況下，通過在室內布置照度傳感器來測量天然光照度是可行的。但是，在需要較為精確地照度測量及燈光控制的場合下，控制系統需要獲得大量測量點的天然光照度值，利用傳感器測量顯然存在布置成本高，維護難，實現工程化難度大等問題。另一方面，通過建模的方式對天然光在室內產生的照度分布進行計算也是一種“軟測量”的方法。但是，室內天然光照度分布受室內布局以及室外環境等多種因素影響，目前的建模方法需要采集大量的輸入參數，建模復雜,而且建模過程中將一些條件理想化使得計算的結果不準確。

發明內容

本發明的目的在于克服上述不足，提供一種室內天然光照度建模方法，用照度傳感器預先采集照度及坐標形成數據集，通過數據集對徑向基函數神經網絡進行訓練，得到照度基準模型。在室內關鍵位置布置少數幾個照度傳感器測量實時天然光照度，利用實時天然光照度數據對基準模型預測的照度值進行修正，最后可以得到一個實時天然光照度分布估計。

為了達到上述目的，本發明包括以下步驟：

S1，采集室內天然光照度信息，并記錄測量點的位置坐標，以位置坐標為輸入，照度信息為輸出制作徑向基函數神經網絡的訓練數據集；

S2，采用訓練數據集訓練徑向基函數神經網絡，獲得室內天然光照度分布的基準模型；

S3，在室內布設若干傳感器監測關鍵點的實時照度；

S4，將監測關鍵點的實時照度值對基準模型進行修正，得到室內實時天然光的照度分布情況模型。

徑向基函數神經網絡如下：

其中，C_u為神經元u的中心，X為輸入，b1為影響徑向基函數形狀的給定常數偏置，ω_u為隱層到輸出層的權值，b2為隱層到輸出的偏置

S2中，采用訓練數據集訓練徑向基函數神經網絡的具體方法如下“

S21，初始化網絡；

S22，確定樣本，使樣本為中心的徑向基函數作為隱節點時，誤差最小；

S23，選用該樣本為中心的徑向基函數作為新的隱節點；

S24，采用最小二乘法計算隱層到輸出層的權值；

S25，計算新的徑向基函數神經網絡的新誤差，誤差符合要求，則完成訓練；若誤差不符合要求，則執行S22。

影響室內天然光照度分布的內在因素包括：建筑所在的地理位置、建筑的朝向、窗戶的位置、大小以及數量、室內墻壁和物體材料的反光特性以及由窗戶向室內進深。

影響室內天然光照度分布的外在因素包括：天然光的輻射強度的變化、室內照度峰值區域的變化、北半球中各個季節光照強度的變化以及每日天氣的對光照的影響。