一种室内天然光照度建模方法技术

本发明专利技术公开了一种室内天然光照度建模方法，本发明专利技术过采集室内天然光照度数据，训练径向基函数神经网络获得照度分布的基准模型；采用室内布置少数传感器监测关键点的实时照度来修正模型输出，从而得到实时室内天然光照度分布估计。本发明专利技术通过采集实际场景的天然光照度数据训练获取照度基准模型，并利用少数传感器监测的实时照度变化来修正基准模型的照度输出，实现快速的照度分布估算，为舒适照明控制提供依据。本发明专利技术利用径向基函数神经网络构建的天然光照度模型只需在应用场景中布置少数几个照度传感器检测天然光照度的变化，实现室内照度分布的快速估计，解决了大量传感器布置导致的工程化难题。置导致的工程化难题。置导致的工程化难题。

【技术实现步骤摘要】
一种室内天然光照度建模方法


[0001]本专利技术属于照明控制领域，具体涉及一种室内天然光照度建模方法。

技术介绍

[0002]在室内照明控制系统中，合理地利用天然光是实现节能型照明的有效方法。在有效地测量或估计室内天然光照度，并通过合适的控制策略对室内照明环境进行人工补光满足照明需求。因此，获得实时的室内天然光照度值是照明控制系统的前提。在只需要获取极少数位置照度的情况下，通过在室内布置照度传感器来测量天然光照度是可行的。但是，在需要较为精确地照度测量及灯光控制的场合下，控制系统需要获得大量测量点的天然光照度值，利用传感器测量显然存在布置成本高，维护难，实现工程化难度大等问题。另一方面，通过建模的方式对天然光在室内产生的照度分布进行计算也是一种“软测量”的方法。但是，室内天然光照度分布受室内布局以及室外环境等多种因素影响，目前的建模方法需要采集大量的输入参数，建模复杂,而且建模过程中将一些条件理想化使得计算的结果不准确。

技术实现思路

[0003]本专利技术的目的在于克服上述不足，提供一种室内天然光照度建模方法，用照度传感器预先采集照度及坐标形成数据集，通过数据集对径向基函数神经网络进行训练，得到照度基准模型。在室内关键位置布置少数几个照度传感器测量实时天然光照度，利用实时天然光照度数据对基准模型预测的照度值进行修正，最后可以得到一个实时天然光照度分布估计。
[0004]为了达到上述目的，本专利技术包括以下步骤：
[0005]S1，采集室内天然光照度信息，并记录测量点的位置坐标，以位置坐标为输入，照度信息为输出制作径向基函数神经网络的训练数据集；
[0006]S2，采用训练数据集训练径向基函数神经网络，获得室内天然光照度分布的基准模型；
[0007]S3，在室内布设若干传感器监测关键点的实时照度；
[0008]S4，将监测关键点的实时照度值对基准模型进行修正，得到室内实时天然光的照度分布情况模型。
[0009]径向基函数神经网络如下：
[0010][0011]其中，C
u
为神经元u的中心，X为输入，b1为影响径向基函数形状的给定常数偏置，ω
u
为隐层到输出层的权值，b2为隐层到输出的偏置
[0012]S2中，采用训练数据集训练径向基函数神经网络的具体方法如下“[0013]S21，初始化网络；
[0014]S22，确定样本，使样本为中心的径向基函数作为隐节点时，误差最小；
[0015]S23，选用该样本为中心的径向基函数作为新的隐节点；
[0016]S24，采用最小二乘法计算隐层到输出层的权值；
[0017]S25，计算新的径向基函数神经网络的新误差，误差符合要求，则完成训练；若误差不符合要求，则执行S22。
[0018]影响室内天然光照度分布的内在因素包括：建筑所在的地理位置、建筑的朝向、窗户的位置、大小以及数量、室内墙壁和物体材料的反光特性以及由窗户向室内进深。
[0019]影响室内天然光照度分布的外在因素包括：天然光的辐射强度的变化、室内照度峰值区域的变化、北半球中各个季节光照强度的变化以及每日天气的对光照的影响。
[0020]室内天然光照度分布的模型如下：
[0021][0022]其中，w
r
为目标位置与传感器之间的修正参数，计算方法如下：
[0023][0024]其中，E
′
为基准模型的输出，E为修正后获得的实时天然光照度值，R为设置了R个照度传感器来测量实时照度值，x
r
,y
r
,z
r
为传感器r的位置。
[0025]与现有技术相比，本专利技术过采集室内天然光照度数据，训练径向基函数神经网络获得照度分布的基准模型；采用室内布置少数传感器监测关键点的实时照度来修正模型输出，从而得到实时室内天然光照度分布估计。本专利技术通过采集实际场景的天然光照度数据训练获取照度基准模型，并利用少数传感器监测的实时照度变化来修正基准模型的照度输出，实现快速的照度分布估算，为舒适照明控制提供依据。本专利技术利用径向基函数神经网络构建的天然光照度模型只需在应用场景中布置少数几个照度传感器检测天然光照度的变化，实现室内照度分布的快速估计，解决了大量传感器布置导致的工程化难题。
附图说明
[0026]图1为本专利技术中径向基函数神经网络结构图；
[0027]图2为本专利技术中天然光照度模型的整体框架图；
[0028]图3为实施例中室内三维视图；
[0029]图4为实施例中径向基函数神经网络结构。
具体实施方式
[0030]下面结合附图对本专利技术做进一步说明。
[0031]对于拥有良好天然采光的室内环境，天然采光的合理利用不仅能够减少照明能源的损耗，天然光照也有益于人的身心健康。本专利技术建立准确有效的天然光照度模型，给室内照明控制系统提供支持。
[0032]步骤一，数据采集；
[0033]在室内布置传感器，传感器的布置尽可能覆盖到关注的所有工作面，选取一天中某一确定时段(在有天然光条件下)采集室内天然光照度信息，以及记录测量点的位置信息，以位置信息为输入，照度信息为输出制作径向基函数神经网络的训练数据集。
[0034]步骤二，神经网络训练；
[0035]照度分布的基准模型是通过训练径向基函数神经网络获得的：
[0036]径向基函数神经网络是一个由输入层、隐层和输出层组成的三层神经网路。其中隐层又称径向基层，其每一个神经元的激活函数都是一个径向基函数，结构如图1所示。
[0037]C
u
是神经元u的中心，与输入X具有相同的维数，b1是影响径向基函数形状的给定常数偏置。每个神经元计算输入向量到神经元中心的距离，然后乘以偏差b1；结果然后由传递。因此，径向基函数神经网络一般可以表示为:
[0038][0039]本专利技术所采取的径向基函数神经网络的学习方法为“中心从样本输入中选取”：先初始化一个没有任何隐节点的径向基神经网络，然后逐个向网络中添加隐节点，误差达到要求时，停止添加节点。为了使隐节点尽量的少，每次都会选择能使误差下降最多的节点作为新节点。具体算法如下：
[0040]1)初始化网络。
[0041]2)预估加入以哪个样本为中心的径向基函数作为隐节点，才能使误差减少最多。
[0042]3)选用以该样本为中心的径向基函数作为新的隐节点。
[0043]4)用最小二乘法计算隐层到输出层的权值。
[0044]5)计算新网络的新误差。
[0045]6)误差是否达到要求，否则返回2)。
[0046]步骤三，布置少量传感器监测实时照度；
[0047]在模型部署时，在室内布置少数传感器监测关键点的实时照度。关键点位置的选取原则是能够反映天然光随时间照度值变化明显的工作面。
[0048]步骤四，利用监测的实时照度值对基准模型出进行修正，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内天然光照度建模方法，其特征在于，包括以下步骤：S1，采集室内天然光照度信息，并记录测量点的位置坐标，以位置坐标为输入，照度信息为输出制作径向基函数神经网络的训练数据集；S2，采用训练数据集训练径向基函数神经网络，获得室内天然光照度分布的基准模型；S3，在室内布设若干传感器监测关键点的实时照度；S4，将监测关键点的实时照度值对基准模型进行修正，得到室内实时天然光的照度分布情况模型。2.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，径向基函数神经网络如下：其中，C
u
为神经元u的中心，X为输入，b1为影响径向基函数形状的给定常数偏置，ω
u
为隐层到输出层的权值，b2为隐层到输出层的偏置。3.根据权利要求1所述的一种室内天然光照度建模方法，其特征在于，S2中，采用训练数据集训练径向基函数神经网络的具体方法如下“S21，初始化网络；S22，确定样本，使样本为中心的径向基函数作为隐节点时，误差最小；S23，选用该样本为中心的径向基函数作为新的隐节点；S24，采用最小二乘法计算隐层到输出层的...

【专利技术属性】
技术研发人员：张玉杰，郭敬，徐源，王帆，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：