[发明专利]一种室内天然光照度建模方法

说明书

本申请公开了一种室内天然光照度建模方法，‑本申请通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。本申请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。本申请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。

技术领域

本发明属于照明控制领域，具体涉及一种室内天然光照度建模方法。

背景技术

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。

发明内容

本发明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。

为了达到上述目的，本发明包括以下步骤：

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。

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为隐层到输出的偏置

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权值；

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。

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。

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。