基于改進粒子群算法的分布式智能照明系統

方培鑫，嚴 虎，汪 明，趙千川

(1.山東建筑大學 信息與電氣工程學院，濟南 250101； 2.山東省智能建筑技術重點實驗室，濟南 250101；3.清華大學 自動化系，北京 100084)

0 引言

隨著中國經濟、科技的快速發展，我國建筑能耗占總體能耗比例迅速增加。公共建筑占建筑總能耗的30%以上，其中大型公共建筑照明耗電量占總耗電量的26.4%[1]。同時，人們對照明舒適度以及智能化的要求越來越高，環保意識越來越強。因此降低照明能耗、提高照明系統智能化、人性化具有非常大的經濟效益和需求。越來越多的學者就辦公室節能減排問題進行研究，燈具控制也已經從單燈、群組手動開關控制逐漸發展為可根據環境及季節等變化的自適應智能控制，用戶還可以根據場景需求，自行對照明系統進行調節。部分學者還在相關研究中應用智能算法，實現均勻照明、防止眩光等智能化調節。

Y.Cheng等人[2]將燈具改造成具有檢測、控制的智能燈具，利用分布式網絡控制照明實現能耗降低。F.Sun等人[3]在室內搭建了一個基于分布式的多智能體架構，根據占有率及室內外光環境對燈具和百葉窗進行控制。A.Seyedolhosseini等人[4]提出一種利用神經網絡來保持每個區域照度需求和均勻度滿足要求的智能照明控制方法。G.Chiesa 等人[5]提出了一個可根據季節變化結合動態遮陽系統控制自然光和人工光線平衡的物聯網系統工作原型。許馨尹等人[6]提出了一個照明系統，該系統中每個燈具和工作面分別配備有照度傳感器和智能單元向中央控制器提供工作面照度信息和個性化設定值，并利用約束控制算法確定燈具的最佳調光值。王俊影等人[7]利用無線自組網技術配合WEB頁面實現了對燈光系統的WEB遠程控制，用戶可利用聯網計算機或移動終端即可隨時隨地地進行燈光遠程控制。何樂等人[8]通過照度傳感器測量每個工作面上的實際照度，使用粒子群算法對照明系統進行優化。敬舒奇[9]通過計算自然光及各燈具在工作面上產生的照度值然后采用線性規劃的方法對室內照明進行調光控制。M.Hajjaj等人[10]利用藍牙技術(BLE)通信，實現人員與智能照明系統交互，使得人員可以改變工作面上的標準照度。

然而，以往采用分布式架構的智能照明大多是使用照度傳感器測量工作面照度然后逐一對燈具進行控制，雖然能夠保證每個工作面照度值都滿足要求，但是這種方法的投入成本大而且照度傳感器安裝位置又帶來較大問題。另外，將燈具改造成智能燈具，一個燈具負責照亮一個工位，并沒有考慮到燈具之間可以通過相互配合而達到更好的照明以及節能效果。最后，傳統的智能照明系統都是自動調節，人員不能干涉，如果出現智能照明效果不佳或有其他照明需求等問題時，使用人員無法修改照度值或者對照明系統進行調節。

為了解決以上問題，本文提出一種基于改進粒子群算法的分布式智能照明系統。本系統具有減少布線、節約成本、易擴展和能夠通過WEB端對照明系統進行調整的優勢，通過建立最小能耗優化函數，使用智能優化算法根據環境和照度需求優化計算并控制每個燈具的開度，實現單區域均勻照明，多區協同照明，在保證光照度的需求下，達到更高效、更節能、更舒適、更智能的目的。

1 分布式控制架構設計

傳統的建筑自動化系統架構是從工業控制領域繼承來的，這種架構可以在工業領域取得成功，然而，在建筑的許多實際應用效果中卻普遍并不盡如人意[11]，這是因為工業生產線固定，其控制穩定，而建筑領域的控制則存在變化大且快的問題。這使得傳統建筑智能化系統維護運行水平不高，甚至有些系統在投運2～5年后就恢復到手動運行管理狀態[12]。為解決這類問題，使建筑真正實現智能化，國家重點研發計劃資助了“新型建筑智能化系統平臺技術”項目研究，該項目提出了一種全新的扁平化、無中心的系統架構。該平臺包含大量的計算節點(CPN，computing processing node)，每個CPN節點包含1個處理器、1個存儲器、6個網絡接口，網口用于CPN節點間的通信，CPN只與鄰居節點通信，通過與鄰居的層層交互，可以獲取全局的信息，從而構成一個扁平化、無中心的測控與計算平臺。該平臺并行式的網狀架構，不會因局部故障而癱瘓，高魯棒性使得系統更加安全穩定[13]。這種智能節點可以通過有線或者無線的方式與鄰居進行通信，可將計算工作分布到各節點，解決了大規模集中式控制對中央控制器有較高要求的問題。此外，應用分布式群智能系統不僅能提高智能機電設備的通用性、簡化了建筑智能化系統的設計工作，而且還實現了系統設備的即插即用功能、建筑系統狀態的協同感知和各設備之間的協同控制。

因此，本文提出的應用于辦公室的分布式智能照明系統，CPN網絡拓撲連接關系和辦公室建筑示意圖如圖1所示。

圖1 CPN拓撲與辦公室示意圖

其中，A、B、C節點為照明控制節點，a、b、c為照度測量節點。照度測量節點通過照度傳感器測量自然光照度值，計算出通過窗戶進入室內的自然光在各工作面上產生的照度值，然后將數值傳送給鄰近區域的照明控制節點，而照明控制節點根據照度測量節點的計算值并與鄰居區域協同配合，應用智能優化算法計算出最佳調光系數然后控制區域內的燈具照明。本系統中各節點之間都是通過WIFI無線網絡進行通信的。對于更多區域的辦公場所，只需按要求加入照明控制節點和照度測量節點并修改拓撲文件即可。

2 粒子群算法優化照明控制

2.1 人工光源照度獲取

使用光照傳感器可以很容易得到工作面的照度值，但是這將會提高成本且其安裝位置的不同又將帶來眾多問題[14]。如果將光照度傳感器安裝在工作面上，可以準確獲取工作面照度值，但其容易受到辦公文件的遮擋；如果將其放置在墻面較低位置又容易受到人員走動的影響，勢必影響檢測質量[15]；如果將其安裝在天花板上，可能會因環境或者光線衰減等原因而不能準確測得工作面處的照度值。由于安裝燈具后其位置固定不變，因此，為了能夠較精確得到工作面處的光照度值，本文采用逐點計算法[16]計算光照度值。逐點計算法是利用照度疊加原理進行計算的。

2.1.1 照度疊加原理

照度疊加原理是指工作面上某點的光照度值為各點光源在該點產生的光照度值之和，如式(1)所示：

(1)

式中，E表示工作面某點的實際照度值，Ei表示第i個光源在該點產生的照度值。

2.1.2 獲取工作面照度值

根據照度平方反比定律，我們可以把燈具視為點光源，通過式(2)來計算各燈具在工作面處產生的照度值。

(2)

式中，ET為T點處的照度值，α為被測點T入射光線與工作面法線的夾角，IT為點光源在α角方向的光強，h為點光源的垂直高度，d為點光源A與被測點T之間的直線距離。然而，由于空間布局和燈具配光曲線等差異，在實際應用中，這樣計算并不準確甚至誤差非常大。所以本文采用如下方法獲取各燈具在各工作面上產生的照度值：

1)關閉所有燈具，開啟單個燈具；

2)測量各工作面上照度值；

按照1)、2)步驟依次遍歷區域內所有燈具，即可得到各燈具在各工作面上產生的照度照度值。

另外，由于鄰近區域之間的照明互有影響，所以在控制照明時還應考慮鄰近區域在各工作面上產生的照度值。其測量方法與測量各燈具在工作面產生的照度值類似：

1)關閉所有燈具，開啟單個鄰近區域所有燈具；

2)測量區域內各工作面上的照度值；

按照1)、2)步驟依次遍歷所有鄰近區域，即可得到鄰近區域在各工作面上產生的照度值。

2.2 自然光照度值獲取

關于自然光照度值的測量，鐘源宇[17]提出兩種模型：太陽光散射模型和太陽光直射模型。

太陽散射光線通過寬為Y，高為H的窗戶照射到房間中，此時可將整個窗戶看成是一個由無數個輻射強度為I，輻射亮度在各個方向都均勻的點光源組成的朗伯輻射體。其中Yw為窗戶到最近墻面的距離，h為窗戶下沿到地面的高度，z0為工作面距地面的高度。

整個窗戶作為一個朗伯輻射體在被測點T處產生的光照度值為：

(3)

式中，Ed為窗戶處的光照度值，(x0,y0,z0)為被測點T的空間坐標值。

太陽直射模型比較復雜，除把窗戶視為一個朗伯輻射體在工作面產生的光照度Er外，還需要考慮太陽光通過窗戶直接照射到室內形成的光斑。將光斑看作是另一個朗伯輻射體。因此，整個光斑作為一個朗伯輻射體在被測點T處產生的光照度值為：

(4)

式中，μ為反射比，Δy為太陽直射進室內的光區域中心相對于窗戶中心在Y軸方向的偏移量，其計算如式(5)如示：

Δy=x*tanα

(5)

式中，x為光斑與窗戶兩條平行邊之間的距離，α為當地太陽方位角和該建筑物法線與地球南方向夾角之差。

雖然通過以上兩種模型可以算出自然光通過窗戶在工作面上產生的照度值，但計算量較大，且需要在線獲取當地太陽方位角。

由光學知識可知，光照強度I定義如下式：

(6)

式中，Ω表示立體角，P表示輻射能量。

光照度E定義如下：

(7)

式中，A表示被照射面積。

設窗戶C點在t1時刻的光照強度為Ic1，光照度為Ec1,輻射能量為ΔP1，t2時刻光照強度為Ic2，輻射能量為ΔP2，光照度為Ec2，由式(6)及式(7)有:

(8)

式中，k為常數。

設t1時刻自然光通過窗戶C點在工作面T產生的光照度為ET1，窗戶光照強度為Ic1，t2時刻自然光通過窗戶C點在工作面T產生的光照度為ET2，窗戶光照強度為Ic2，則由式(2)可得:

(9)

由式(8)和式(9)可得:

(10)

因此，如果需要計算t2時刻自然光在工作面上產生的光照度值ET2，只需測量在t1時刻窗戶光照度值Ec1和工作面光照度值ET2，以及t2時刻窗戶處光照度值Ec2即可。

為驗證式(10)的正確性，測量不同時刻工作面以及窗戶處光照度值如表1所示。

表1 不同時刻窗戶以及各工作面照度值均誤差比絕對值為2.5%，最大誤差比絕對值小于10%，因此通過此方法計算工作面照度值基本正確反映此時實際照度水平。

其中，誤差比絕對值計算公式如下：

(11)

太陽光直接照射在窗戶上和不直接照射在窗戶上時其照度比常數k會發生改變。因此在計算工作面處照度值時需要根據窗戶處是否受到太陽光直射選取參考照度值。經實驗測量，當太陽光直接照射時，其照度值將大于15 000 lx。通過表中數據對比，使用式(10)計算的照度值與實際照度值平

2.3 調光控制

由于需要控制大量燈具，同時考慮照明對人體健康和安全的重要性，智能照明系統將會非常復雜。如果沿用傳統照明的用電方式：開關控制或者常規PID控制，那么照明回路將會因更加復雜且存在多變量、非線性因素而難以達到理想效果。一般來說，系統控制越精確，其成本越高，但性能不會一直隨成本成比例增加。雖然閉環控制具有完美的跟蹤控制性能，能夠節省了更多的能源，但這是犧牲視覺感受換來的[18]。綜合考慮性能、成本以及線路復雜度，本系統將采用開環控制方式，在分布式無線節點上應用智能優化算法對燈具進行優化控制。

2.3.1 粒子群算法

粒子群算法(PSO，particle swarm optimization)由Kennedy和Eberhart在1995年提出的，該算法模擬鳥群飛行覓食的行為，是一種基于群體的優化方法。粒子群算法是通過個體間的協作和競爭，從而實現對復雜空間中最優解的搜索[19]。與傳統進化算法相比，粒子群算法保留了基于種群的全局搜索策略，采用的速度-位移模型，操作簡單，避免了復雜的遺傳操作，其特有的記憶能力可以動態跟蹤當前的搜索情況而相對應地調整搜索策略。粒子群算法的流程如圖2所示。

圖2 粒子群算法流程圖

2.3.2 粒子群算法的數學模型[20]

設在一個n維解空間內進行搜索，粒子i的信息用兩個n維向量表示：第i個粒子的位置可表示為：xi=(xi1，xi2，...，xin)T，速度可表示為：vi=(vi1，vi2，…，vin)T，當粒子本身最優解和全局最優解找到后，粒子即可根據一下公式(12)、(13)更新自己的速度和位置：

vid(t+1)=ωvid(t)+c1*r1*(pid-xid(t))+

c2*r2*(gid-xid(t))

(12)

xid(t+1)=xid(t)+vid(t+1)

(13)

其中：vid(t+1)和xid(t+1)表示第i個粒子在t+1次迭代中第d維上的速度和位置，ω為慣性權重，c1、c2分別稱為認知學習因子和社會學習因子，c1主要為了調節粒子向自身的最好位置飛行的步長，c2是為了調節粒子向全局最好位置飛行的步長，r1、r2為0-1的隨機數，pid為粒子本身最優解，gid為粒子全局最優解。

雖然粒子群算法具有容易收斂的優點，但其容易收斂到局部最優值，為克服此問題，本文采用改進的粒子群算法即自適應隨機慣性權重粒子群算法。設粒子數為n，fi為第i個粒子的適應度值，favg為粒子群當前的平均適應度值，σ2為粒子群的群體適應度方差，則:

(14)

式中，

(15)

自適應隨機慣性權重計算公式：

(16)

式中，rand()為0-1的隨機數，σc為常數。

這種方法計算的隨機慣性權重可以使粒子的歷史速度對當前速度的影響的隨機的，也使得慣性權重將隨群體適應度方差自適應地調整，既可以使全局搜索和局部搜索較好地協調，而且還可以增加粒子的多樣性。

2.3.3 照明控制策略

不同區域之間存在相互影響，具有較強耦合性，但由于各區域之間距離相對較遠且可能被其他物品遮擋，如圖3所示。經實驗測量，如表2～4所示，鄰近區域在區域內各工作面上產生的照度值不大。以鄰近區域對工作面照度貢獻值最大(鄰近區域在B區工作面上產生的照度值)為例，由實驗計算，B區要在各工作面上產生該照度(表3)的開度比(各調光系數之和與總燈具數之比)約為8%，這是A、C區開度比為100%時在B區工作面上產生的照度值。當A、C區標準照度為300 lx時，A、C區開度比均約為40%，即B區要在各工作面上產生該照度的開度比為6.4%，所以在多區域照明(標準照度為300 lx)時，B區實際開度比應比單B區域開度比小6.4%，此開度比差與表3數據乘積的最大值為5.12 lx，相較于標準照度(300 lx)，可忽略不計，因此加入鄰近區域照度貢獻值后燈具開度比變化不大，可近似用單區開度比作為實際開度比。故本系統用鄰近區域燈具單區開度比與開度比為100%時在工作面產生照度值相乘作為實際鄰近區域對區域內工作面照度的貢獻值。

表2 鄰近區域在A區各工作面產生的照度 lx

表3 鄰近區域在B區各工作面產生的照度 lx

表4 鄰近區域在C區各工作面產生的照 lx

圖3 辦公室3D仿真示意圖

根據粒子群算法的基本原理，設某區域內有D個照明設備，每個設備的調光系數為ki(0≤ki≤1)，有N個工作面，區域內第i個光源在第j個工作面產生的照度值為Eij，有p個窗戶，自然光通過第s個窗戶在第j個工作面上產生的照度值為Esj，有m個鄰近區域,第l個鄰近區域燈具開度比為ql，第l個鄰近區域燈具開度比為100%時在第j個工作面上產生的照度值為Elj，第j個工作面的目標光照度為Eaj。由于LED燈的功耗與燈具光通量具有一定的線性關系，而燈具光通量則由調光系數控制，所以本文使用調光系數的總和表示能耗函數，則控制區域內粒子的適應度函數和約束條件如式(17)、(18)所示：

(17)

(18)

圖4為照明系統控制圖，本系統采用開環控制，根據自然光和各工作面的光照度需求以及鄰近區域燈具在各工作面上產生的照度值作為約束條件，將PSO優化后的調光系數作為占空比，使用PWM技術通過調光設備進行調光。因為LED燈具的平均電流與PWM脈沖的占空比呈線性正比關系，而且PWM應用簡單、調光效果好、調光精度高、調光范圍大，所以本文采用PWM技術進行調光。為避免調光過程中產生肉眼可見的燈光閃爍現象，進行PWM調光時，其頻率應高于100 Hz。但其頻率也不能太高，否則LED調光電源周圍的電感和輸出電容容易產生人耳聽得到的噪聲。

圖4 照明系統控制圖

圖5為整個智能照明系統程序流程圖。首先判斷是否開啟照明，如果是，則進行照明控制，否則結束；接著判斷是否為照明節點，如果是，則獲取目標照度值，根據各燈具在工作面上產生的照度分值計算單區域燈具開度比，否則測量通過窗戶照射入房間的自然光照度值并計算自然光在各工作面上產生的照度分值；然后所有節點進行同步通信，測量節點將自然光在各工作面上產生的照度分值發送給相鄰區域的照明節點，照明節點將單區域燈具開度比發送給鄰近區域的照明節點；各照明節點在收到鄰近節點發送的信息后，結合自然光在工作面上產生的照度分值、鄰近區域燈具開度比進行PSO優化計算區域燈具開度；最后通過調光設備對燈具進行調光控制。

圖5 照明系統程序流程圖

3 WEB端控制

與APP相比，WEB端控制可以突破軟件運行的硬件限制，任何設備的瀏覽器只要符合相關標準，WEB應用程序都可以在上面運行，可為用戶省去軟件下載和安裝的過程，另外，一個WEB應用程序還可供多個用戶同時訪問。因此，本文使用WEB應用技術實現了用戶根據實際需求對照明系統進行調節。根據GB50034-2013辦公建筑照明標準[21]，如表5所示，所以本系統有3個區域目標照度設置值：300 lx、500 lx、750 lx可供用戶調節。照明系統WEB端界面如圖8所示。

表5 辦公建筑照明標準

圖6 照明系統web端界面圖

在這個區域內的用戶只需連接入局域網，打開瀏覽器，輸入地址：https://localhost:8020，即可訪問到頁面。其中localhost為對應節點的IP地址，8020為python腳本中偵聽的端口號。

4 實驗結果

以“7”形辦公場所為例，具體地點為(北緯36°40′31″，東經117°10′56″)某科研教學樓，該辦公室窗戶一面為北面，無陽光直射，利用DIALux evo軟件進行仿真。

使用python語言進行燈具開度預測及控制，認知學習因子c1和社會學習因子c2均為0.6，初始化粒子數M=200，σc=0.2，最大迭代次數K=1 000。照度誤差公式如下：

(19)

4.1 單區域單目標照度

如圖7和圖8所示，其中圖8為不同單區域照明偽色圖，當整個辦公室只有一個區域進行照明且工作面目標照度值為300 lx時，其工作面的照度值都比較均勻且在300 lx左右，最大照度誤差為5%，A、B、C區域燈具開度比分別為39.4%、41.1%、41.0%。

圖7 單區域單目標照度

圖8 單區域單目標照度偽色圖

4.2 多區域單目標照度

如圖9及圖10所示，當整個辦公室全部區域進行照明且工作面目標照度值為300 lx時，其工作面的照度值都比較均勻且在300 lx左右。最大照度誤差為5.6%，A、B、C區域燈具開度比分別為35.7%、35.2%、36.8%。

圖9 多區域單目標照度

圖10 多區域單目標照度偽色圖

4.3 多區域多目標照度

如圖11及圖12所示，當整個辦公室全部區域進行照明且B、C區工作面目標照度值為500 lx，A區工作面目標照度值為300 lx時，其工作面的照度值都比較均勻，最大照度誤差為6.3%，A、B、C區域燈具開度比分別為31.5%、68.1%、71.3%。

圖11 多區域多目標照度

圖12 多區域多目標照度偽色圖

4.4 結合自然光多區域多目標照度

如圖13和圖14所示，當整個辦公室全部區域進行照明且B、C區工作面目標照度值為500 lx，A區工作面目標照度值為300 lx時，其工作面的照度值都比較均勻，最大照度誤差為9.6%，A、B、C區域燈具開度比分別為31.6%、47.2%、41.2%。在相同目標照度值下，B區開度比從68.1%下降到47.2%，C區開度比從71.3%下降到41.2%，可見結合自然光之后的燈具開度比大幅降低。而A區距離窗戶較遠且有書柜阻擋，自然光對其影響幾乎沒有，所以開度比變化不大。

圖13 結合自然光多區域多目標照度

圖14 結合自然光多區域多目標照度偽色圖

由實驗結果可知，在滿足照度需求的條件下，本系統在單區域、多區域的控制效果達到預期狀態，各偽色圖中各等照度線均勻分布在各工作面上。雖然工作面的照度值有所波動，但最大誤差都在10%之內。另外，相比于普通控制方式(燈具全開，其開度比為100%)，具有非常可觀的節能效果，能有效減少照明能耗。

5 結束語

為解決現有大型公共建筑照明系統存在的高成本、燈具之間無配合、使用人員無法干涉照明問題，本文結合分布式架構和智能優化算法，提出一種基于粒子群算法的分布式智能照明系統，以解決辦公室照明優化控制節能問題。借助DIALux evo考慮了建筑結構等對工作面照度的影響，結合傳感器對建筑內部照度數據的采集，實現了根據感知自然光與調節人工光源動態地對室內光照度的控制，通過仿真實驗，驗證了本系統的有效性和可行性。本系統實現了建筑照明的智能化，提升建筑資源的利用率，對促進綠色建筑的發展具有重要意義。隨著互聯網技術、機器學習技術、神經網絡控制等發展，未來城市正不斷邁向智慧城市，而智能照明作為未來城市重要組成部分之一，也將向智慧照明逐漸發展，從而變得更有學習能力，更具智慧化、人性化。