室內自然光照度自適應神經模糊預測方法研究*

馮冬青 平燕娜 劉新玉

(鄭州大學電氣工程學院，河南鄭州 450001)

1 引言

在綠色建筑中，自然光是一種重要的能源。有效的使用自然光，能夠提高室內人員的視覺舒適度及降低建筑的能源消耗。百葉簾作為一種常見的遮陽設備，已經被廣泛的應用于室內采光控制。然而，傳統百葉簾的角度控制大都采用手動或電動方式，需要依靠人為的判斷去改變百葉簾的角度，缺點顯而易見。因此，自動百葉簾的出現克服了手動百葉簾和電動百葉簾的不足，提高了室內的采光性能。

近年來，國內外研究人員提出了一系列的方法對百葉簾的角度進行智能調節以獲得恒定的期望照度，如遺傳算法［1］、模糊控制［2］、神經網絡［3］、自適應模糊控制［4］等。然而，在實際的應用中，如果需要保持恒定照度的地方很多，這就必然需要放置多個照度傳感器，不僅布線復雜，而且系統控制也不方便。另外，隨著燈具的使用，光輸出衰減，灰塵的沉積，墻壁反射的下降，這些都使得傳感器難于提供精確的控制值。為了有效預測室內自然光照度，近年來研究人員也提出了一些預測算法，如遺傳算法［5］、人工神經網絡［6～7］、自適應神經模糊推理系統［8］等。然而，這些算法大都適用于單塊百葉簾 (Blinds)的室內自然光照度預測，對于分塊百葉簾 (Split blinds)的室內自然光照度的預測還值得探索。

分塊百葉簾系統較傳統百葉簾系統，具有更佳的視覺性能及熱性能。在某一時刻，分塊百葉簾依據葉片位于窗戶上的高度位置不同，調節的葉片角度不同:窗戶上部的百葉簾在室內方向向下傾斜將自然光反射到天花板及室內深處從而獲得更高的照度;窗戶中部的百葉簾置于水平位置可以直接觀看室外的景色;窗戶下部的百葉簾在室外方向向下傾斜從而防止室內產生過熱。本文通過EnergyPlusTM軟件模擬辦公空間模型，并利用自適應神經模糊推理系統 (Adaptive neuralfuzzy inference systems，ANFIS)建立了基于分塊百葉簾的室內自然光照度預測(Daylight illuminance prediction based on spilt blinds，DIPSB)模型，并在MATLAB中進行了仿真分析。

2 原理與方法

本文研究總體上共包含三個階段:首先，在EnergyPlusTM軟件中建立辦公空間模型，獲得建立DIPSB模型需要的照度數據;其次，利用ANFIS建立DIPSB模型;最后，使用照度百分比誤差驗證DIPSB模型的準確性。

2.1 辦公空間模型建立

EnergyPlusTM是在美國能源部的支持下，由勞倫斯伯克利國家實驗室、伊利諾斯大學、美國軍隊建筑工程實驗室、俄克拉何馬州立大學及其他單位共同開發的一個全新的建筑全能耗分析軟件［9，10］。EnergyPlusTM可以用來模擬建筑全年逐時的負載及能耗，其采用各向異性的天空模型，可以更為精確的模擬傾斜表面上的天空散射強度。

在EnergyPlusTM軟件中建立的辦公空間模型如圖1所示。

圖1 模擬辦公空間示意圖

辦公空間大小為:長 (進深)5m，寬3.6m，高3m;辦公空間含有一扇朝南的窗戶，尺寸為:寬1.8m，高1.8m;窗臺距地面高0.9m;窗戶上安裝24mm厚的雙層中空玻璃，外側為6mm的低輻射平板玻璃，中間為12mm的空氣層，內側為6mm的普通平板玻璃;在窗戶的室內側安裝一幅分塊百葉簾，其三部分高度均為0.6m，材料為鋁合金，葉片寬2.5cm，葉片厚0.1cm，葉片間隔1.85cm，光束反射比和漫反射比均為0.8;辦公空間內含有兩個0.75m高的工作面，兩個工作面上分別放置兩個照度傳感器SP1和SP2且SP1和SP2距離窗戶的距離分別為0.75m和3.5m。

2.2 DIPSB預測模型

辦公空間模型建立之后，室內傳感器位置水平照度Et、Em、Eb便可通過 EnergyPlusTM軟件獲得，其中Et表示當分塊百葉簾上部葉片角度為t，中部和下部葉片均完全關閉時的水平照度;Em表示當分塊百葉簾中部葉片角度為m，上部和下部葉片均完全關閉時的水平照度;Eb表示當分塊百葉簾下部葉片角度為b，上部和中部葉片均完全關閉時的水平照度。在一年中每間隔1 h(8:00～17:00，共2340 h)的室內水平照度可以通過EnergyPlusTM軟件進行模擬。室內水平照度E0表示當分塊百葉簾三部分均完全關閉時光線經百葉簾與窗框之間的縫隙進入室內的水平照度。當上部、中部、下部百葉簾葉片角度分別對應t、m、b時，照度傳感器中的水平照度Et，m，b為:

建立的DIPSB預測模型共分為3個步驟，如圖2所示。

圖2 建立DIPSB模型的步驟

2.2.1 定義ANFIS的參數和策略

ANFIS是Roger Jang在1993年首次提出的，其核心是一個神經元—模糊模型，通過引入人類經驗和知識 (規則)，實現了輸入—輸出的非線性映射，并且根據訓練數據不斷地反復學習更新自己的結構參數，之后產生一個由若干條模糊規則組成的模糊推理系統。ANFIS能基于數據建模，自動產生模糊規則和隸屬度函數。

ANFIS的基本輸入量分別為:太陽高度角Hs，太陽方位角As，外表面水平光束照度Ex，水平散射照度Ed;輸出變量為測量點處的水平照度 Et、Em、Eb。

已有研究表明將葉片角度作為人工神經網絡系統的輸入變量時，輸出照度的誤差會增大［6］。因此，本文首先計算了不同月份的百葉簾允許的角度范圍。要獲得不同月份百葉簾三部分允許的角度范圍，首先需要獲得太陽能夠直射到測量點的月份，然后分別確定在有太陽直射的月份和無太陽直射的月份百葉簾三部分允許的角度范圍。無太陽直射時，百葉簾可以處于全關或全開的狀態，即上部百葉簾允許的角度范圍為－90°～0°，下部和中部允許的角度范圍為0°～90°;而有太陽直射時，通過計算能夠遮擋直射陽光的葉片角度范圍獲得允許的角度范圍，具體的計算過程見文獻 ［6］。

通過計算獲得不同月份百葉簾三部分允許的葉片角度范圍之后，在不同的百葉簾葉片角度范圍內建立一系列單獨的ANFIS模型。本文選取的百葉簾三部分的步長為10°，即在百葉簾三部分允許角度范圍內每間隔10°建立一個ANFIS模型，預測在此角度室內自然光的照度。不同月份百葉簾三部分允許的葉片角度范圍及其對應的ANFIS個數如表1所示。

表1 不同月份百葉簾三部分允許的葉片角度范圍及其對應的ANFIS個數

2.2.2 建立ANFIS模型

建立DIPSB模型的第二步就是訓練一系列單獨的ANFIS模型，并計算其測試誤差。本文首先將從EnergyPlusTM軟件中模擬的2340個小時的ANFIS的輸入和輸出數據分為訓練和測試2個數據集，其中，訓練數據集占總數據的80%，測試數據集占總數據的20%。

訓練ANFIS模型采用批量訓練方法來更新權值和閾值。用均方根誤差 (Root mean square error，RMSE)評價ANFIS模型的性能。RMES的計算公式如下:

其中P指預測照度即通過ANFIS模型預測的照度值，T指目標照度即通過EnergyPlusTM軟件獲得的照度值，n指樣本數據的個數。當迭代次數大于2000或RMSE值小于1.0時停止訓練。通過計算測試誤差來評價ANFIS模型的通用性，測試誤差越小則ANFIS模型的通用性越強。

2.2.3 檢驗DIPSB模型的準確性

本文使用照度百分比誤差 (Illuminance percentage error，IPE)［7］測量 DIPSB 模型預測的照度誤差。通過ANFIS模型預測出百葉簾特定塊在不同葉片角度的照度后，利用公式 (1)計算出百葉簾三部分的總預測照度。然后結合從EnergyPlusTM軟件中獲得的實際照度，計算出一年中所有時間的IPE，IPE的計算公式如下:

其中:P(i)指 DIPSB模型的預測照度，A(i)指從EnergyPlusTM軟件中獲得的實際照度，i指一年中任一特定時間。

3 實驗分析

本文利用EnergyPlusTM軟件模擬辦公空間模型，獲得建立DIPSB模型需要的照度數據，該辦公空間地點設為鄭州市 (東經113.65，北緯34.72)。模擬出一年2340個小時的太陽高度角Hs、太陽方位角As、外表面水平光束照度Ex、水平散射照度Ed及其對應的 SP1和 SP2處的水平照度 Et，Em，Eb。EnergyPlusTM軟件的照度模擬過程如圖3所示。

Hu等［6］研究表明如果已知SP2處的實際照度，則SP1處的照度預測的結果會非常準確。然而，SP2處的實際照度是未知的，不能夠直接作為輸入變量。因此，本文考慮將SP2處的預測照度代替SP2處的實際照度作為SP1處的第5個輸入變量。ANFIS模型的輸入變量均采用高斯型隸屬函數，其個數均為 3［8］。

圖3 EnergyPlusTM軟件的照度模擬過程

在訓練前，對全部數據采用6倍交叉驗證尋找最優參數集，即在尋找最優參數集的過程中，針對一參數集，將整個訓練數據隨機等分為6份，然后依次使用任5份進行訓練，另外1份進行預測，直至訓練集中的任一實例都經過預測，最終得到全部數據的預測正確率，從而根據使用不同參數集得到的不同結果來判斷最優參數集。在實驗中，從這2340個小時的數據中隨機選取1872(2340×80%)組數據進行訓練，其余的數據進行測試。數據的運算與處理均在MATLAB 7.6.0(R2008a)環境中進行。

對于已經訓練過的ANFIS模型，本文預測了一年中所有時間的SP1和SP2處的預測照度，并計算了其IPE的值。計算結果顯示，SP1和SP2的平均IPE為5.2%，因此，DIPSB模型預測照度的能力為94.8%。對一年所有使用時間的SP1和SP2落入不同誤差范圍的IPE進行分析，如表2所示。從表中可知，一年中大約90%的時間，SP1和SP2的IPE小于10%。因此，利用DIPSB模型預測的照度能夠合理逼近實際的照度。

表2 在一年中SP1和SP2的IPEs在不同誤差范圍內所占的百分比

4 結論

利用外界氣象條件預測室內自然光照度對于智能照明有著重要的意義。本文利用ANFIS建立了DIPSB模型用于預測分塊百葉簾室內自然光照度。首先，建立了位于鄭州市的辦公空間模型;然后利用EnergyPlusTM軟件模擬了室內兩特定位置在不同太陽高度角、太陽方位角、外表面水平光束照度、水平散射照度等氣象條件時分塊百葉簾各部分的水平照度;利用這些氣象參數和照度值對ANFIS進行訓練和測試，分別在不同的分塊百葉簾允許角度范圍內建立了ANFIS模型來預測傳感器位置的照度;最后，利用IPE驗證了DIPSB模型的準確性。研究結果表明，DIPSB模型可以有效的預測分塊百葉簾的實時室內自然光照度，為智能照明中室內自然光照度提供了一種有效的預測手段。

［1］Guillemin A，Molteni S.An energy-efficient controller for shading devices selfadapting to the user wishes ［J］.Building and Environment.2002，37(11):1091～1097.

［2］吳春澤，朱思莉，林燕丹等.室內照明自然采光的模糊控制 ［J］.照明工程學報，2010，21(2):24～28.

［3］Wong S L，Wan K K W，Lam T N T.Artificial neural networks forenergyanalysisofofficebuildingswith daylighting［J］.Applied Energy，2010，87:551～557.

［4］陳學良，陳一飛.自適應模糊控制在室內采光控制中的應用研究 ［J］.建筑電氣，2010，29(12):40～43.

［5］Coley D A，Crabb J A.An artificial intelligence approach to the prediction of natural lighting levels［J］.Building and Environment，1997，32(2):81～85.

［6］Hu Jia，Olbina S.Illuminance-based slat angle selection model for automated control of split blinds［J］.Building and Environment，2011，46:786～796.

［7］Kazanasmaz T，Günaydin M，Binol S.Artificial neural networks to predict daylight illuminance in office buildings［J］.Building and Environment，2009，44:1751～1757.

［8］王金光.智能照明控制策略的研究與仿真 ［D］.同濟大學碩士學位論文，2008:58～72.

［9］潘毅群，吳剛，Hartkopf V.建筑全能耗分析軟件EnergyPlus及其應用 ［J］.暖通空調，2004，34(9):2～7.

［10］Ramos G，Ghisi E.Analysis of daylight calculated using the EnergyPlus programme［J］.Renewable and Sustainable Energy Reviews，2010，14:1948～1958.