结合日光的室内自适应照明方法_渠吉庆.pdf

2023 年 2 月第 34 卷第 1 期照明工程学报ZHAOMING GONGCHENG XUEBAOFeb2023Vol.34No.1结合日光的室内自适应照明方法渠吉庆1，孙科学2，3，许海兵1(1.江苏医药职业学院 医学影像学院，江苏 盐城224005;2.南京邮电大学 电子与光学工程学院、微电子学院，江苏 南京210023;3 射频集成与微组装技术国家地方联合工程实验室，江苏 南京210023)摘要:针对能源紧缺和高质量照明需求的问题，提出一种结合日光的室内自适应照明方法。首先建立以最小化能源消耗为目标，以平均照度和均匀度为约束条件的非线性约束数学模型。其次，使用粒子群优化算法(ParticleSwarm Optimization，PSO)求解各个灯具的亮度，该方法考虑了室内光源布局和光照传感器布局因素。最后，将该方法与人工神经网络(Artificial Neural Networks，ANN)方法进行对比。结果显示，优化方法在能源消耗和照明质量上均胜于人工神经网络方法。关键词:智能照明;自适应调节;优化方法;粒子群优化算法中图分类号:TU113.66文献标识码:ADOI:10.3969/j.issn.1004-440X.2023.01.004Daylight Adaptive Smart Indoor Lighting MethodQU Jiqing1，SUN Kexue2，3，XU Haibing1(1.School of Medical Imaging，Jiangsu Vocational College of Medicine，Yancheng224005，China;2.College of Electronic and Optical Engineering，Nanjing University of Posts and Telecommunications，Nanjing210023，China;3.Nation-Local Joint Project Engineering Lab of F Integration Micropackage，Nanjing210023，China)Abstract:In oder to address the problems of energy scarcity and the need for high quality lighting，a daylightadaptive smart indoor lighting method is proposed Firstly，a non-linear constrained mathematical model isdeveloped with the objective of minimizing energy consumption and with average illuminance and uniformity asconstraints Then，the lighting levels of luminaires are solved using Particle Swarm Optimization(PSO)Themethod takes into account the layout of the indoor light sources and the layout of the light sensors Finally，themethod is compared with the Artificial Neural Networks(ANN)method The results show that the optimizationmethod outperforms the ANN method in terms of energy consumption and lighting qualityKey words:smart lighting;adaptive adjustment;optimization method;Particle Swarm Optimization基金项目:江苏省大学生创新训练计划(SYB2021017);南京邮电大学国自孵化项目(NY220013)通信作者:孙科学，E-mail:sunkx 引言智能照明通过传感器、云服务、大数据和用户习惯，并对光进行控制，不仅可以节约能源、提高照明质量，同时还具有调节情绪的作用1-3。随着科技的发展，室内光源布局、光照传感器布局和灯光亮度自适应调节三个方面已经成为室内智能照明研究领域的热点4。然而，室内环境的各异、设计参数(平均照度、均匀度、照明功率密度和眩光度)的互斥、光照传感器人为遮挡和光源二次及以上的反射等问题给室内智能照明应用带来了阻碍5，6。因此，如何利用现代技术的优势，构建一个舒适、节能和满足用户需求的室内智能照明方案，第 34 卷第 1 期渠吉庆等:结合日光的室内自适应照明方法17是室内智能照明最具有挑战性的问题之一。在之前的工作中，我们提出了一种基于改进粒子群算法的室内光源布局方法7，以达到更高质量的照明环境。这项工作保证了室内在无日光照明的情况下，仍保持高质量的照明。此外，我们针对目前光照传感器的布局方式计算量大、能耗高，易受人为因素的影响、难以准确地预测室内日光强度等问题，提出一种基于线性优化模糊 C 均值算法(Linear Optimization Fuzzy C-means，LOFCM)和人工神经网络(Artificial Neural Networks，ANN)的光照传感器布局方法8。这项工作确保了光照传感器可以精确地预测室内日光分布。上述两项工作为结合日光的室内照明研究做了前提准备。为了调节灯光的亮度，目前的方法分为线性控制和非线性控制。前者认为光照传感器的测量值与灯具的调光水平存在着线性关系。Afshari 等9 利用梯度下降法求解约束函数，得到灯光的调光水平。将传感器的测量值记录在矩阵中，根据定义的损失函数去循环控制，以达到所需的目标照度值。然而这种方法在计算负荷、能源消耗和根据用户偏好、环境变化做出调整时都存在较大的延迟。对于非线性控制，先前的工作主要集中在照明系统的非线性和时变特点上，通过各种调光模式控制灯具的光通量输出。Pandharipande 等10 认为工作面上的平均照度与天花板上光照传感器的测量值存在线性关系，通过两次以上的校准措施即可达到很好的线性拟合。随后作者对使用优化方法和 PI 控制算法控制灯光亮度进行了研究。优化方法在满足工作面平均照度上取得较好的效果，而 PI 控制算法在节能上占据优势。Caicedo 等11 设计了具有双循环控制回路的照明控制算法。内循环是根据天花板上的光照传感器的测量值确定灯光的亮度等级，而外循环是根据工作面上光照传感器的值矫正灯光的亮度等级。最终，该系统相较于仅使用天花板上的光照传感器或者工作面上的光照传感器均获得了较好的室内照明效果。Bouzid 等12 将动作传感器和光照传感器加入到智能自适应室内照明系统，该系统可以根据用户偏好、照明标准、不同的活动和动作生成不同的照明策略。然而加入动作传感器容易导致假阴性13，即用户在房间没有运动，则检测不出。Park 等14 提出了一种基于强化学习的以居住者为中心的照明控制器 LightLearn，使用强化学习不断地学习不同室内环境下灯的开关状态。根据室内亮度的变化情况，将亮度变化分为四个状态，也相当于将一天分为四个时段。然后在四个时段，人为地判断灯的开与闭，使室内照明符合居住者的喜好要求。最终，LightLearn 可以在提供舒适的照明和节约能源上取得平衡。Seyedolhosseini 团队15 使用 ANN 学习每个灯具对工作区照度的影响，并且调整灯具的亮度使工作区的照度符合要求。同时，该系统还将工作区划分了优先级，对于高优先级的工作区，其工作面照度的精度要求就高。最终，该方法获得了可观的精确度，所需照度和光照传感器测量值之间的平均均方误差为 1.2。但是上述方法均没有将光源布局以及光照传感器受人为遮挡等问题考虑在内，而这些问题是影响智能照明系统的关键因素。针对以上问题，本文在之前两项工作的基础上，使用优化方法调节灯光亮度。优化方法以最小化能源消耗为目标，同时以平均照度和均匀度为约束条件建立约束数学模型，使用粒子群优化算法(ParticleSwarm Optimization，PSO)16 求解得到各个灯具的亮度。该方法考虑了室内光源布局和光照传感器布局因素。最后，将该方法与 ANN 方法进行对比。1灯光亮度自适应调节方法1.1灯光亮度自适应调节数学模型对于灯光亮度调节，首先建立具有约束条件的数学模型，并使用优化算法求解得到最优的人造光源亮度等级分配方案。自适应灯光调节的主要目标是在满足照明标准的情况下，使消耗能源最小，因此建立如式(1)所示的数学模型。由于光源的能源消耗与其亮度等级有着密切关系，将 f()表示人造光源(灯具)消耗的能源与其亮度等级之间的关系。当然，人造光源的能源消耗还与灯具的效率有关。因此，对于PWM 调光，在一个特定时刻，灯具消耗的能源可以近似地表示为所有灯具亮度等级之和17。Minzj=1f(dj)s tEm Em_limitUo Uo_limit(1)式中，z 表示人造光源的总数量;dj表示第 j 个灯具的亮度等级;Em和 Uo分别为平均照度和均匀度;18照明工程学报2023 年 2 月Em_limit和 Uo_limit分别为平均照度限制值和均匀度限制值。因此，优化方法的数学模型考虑的约束条件有平均照度和均匀度，使用粒子群优化算法求解。1.2粒子群优化算法粒子群优化算法，也称粒 子 群 算 法，是 由James Kennedy 和 ussell Eberhart 开发的一种基于群体智能理论的优化算法。该算法采用简单的速度位置模型，具有收敛速度快、算法效率高效、设置参数少的优点，自提出以来受到学术界的广泛关注。在粒子群算法中，将优化问题的潜在解看作是没有体积和质量的粒子(Particle)，并且可以通过目标函数决定每个粒子的适应度值，从而评估粒子位置的好坏。第 i 个粒子在 t+1 代的速度和位置更新如式(2)、式(3)所示。粒子的速度和位置受个体历史最优粒子和种群历史最优粒子的影响，不断地趋向最优位置。vi(t+1)=vi(t)+c1rand1(Pbesti(t)xi(t)+c2rand2(Gbest(t)xi(t)(2)xi(t+1)=xi(t)+vi(t)(3)式中，i=1，2，3，n，n 为种群粒子总数;xi为位置;vi为速度;Pbesti表示第 i 个粒子的历史最优粒子位置;Gbest 表示种群历史最优粒子位置;c1和 c2分别为认知学习因子和社会学习因子;rand1和 rand2是介于(0，1)之间服从均匀分布的随机数。由式(3)可以看出，粒子在不同时刻的位置主要取决于速度。然而速度过大时，全局搜索能力较强，局部搜索能力较弱，容易跳过最优解;速度过小时，局部搜索能力强，全局搜索能力弱，容易陷入局部最优区域。为了平衡全局搜索和局部搜索，Shi 等18 首次提出了一种带有惯性权重的粒子群优化 算 法(LinearInertiaWeightParticleSwarmOptimization，LIWPSO)，其速度更新公式如式(4)、式(5)所示。vi(t+1)=wvi(t)+c1rand1(Pbesti(t)xi(t)+c2rand2(Gbest(t)xi(t)(4)w=wmaxT(wmax wmin)Tmax(5)式中，wmax为最大惯性系数;wmin为最小惯性系数;T为当前迭代次数;Tmax为最大迭代次数。基本粒子群优化算法的步骤如下:第一步:设置速度、自变量和惯性权重的取值范围，设置最大迭代次数 Tmax、种群数量 N，初始化粒子群的粒子位置、速度，并且将个体最优粒子Pbesti和全局最优粒子 Gbest 设为零矩阵，此时T=0。第二步:计算每个粒子的适