基于Dialux結合深度學習技術的辦公室智能照明設計

摘要：針對傳統的照明設計方案不能有效節能的問題，研究提出一種基于人工神經網絡算法的室內光環境優化以及預測方法，既可以減少能耗，又可以提高員工在室內辦公的舒適性.結果表明，采用人工神經網絡算法進行光控制后，其平均絕對誤差、均方誤差以及均方根誤差依次為0.49445、0.49984和0.48726，經過217次的訓練，該方法能夠滿足預先設定的10-2錯誤率，從而達到預期的目的，在對辦公室室內抽取4個采光點進行預測時，通過模擬得出的最大照度誤差為21 lx，低于人類肉眼可感知的50 lx.綜上所述，說明該辦公室室內光環境優化實用效果很好且穩定性很強.

關鍵詞：BP神經網絡；Dialux；LED調光；光通量

中圖分類號：TU113.66"" 文獻標志碼：A

Design of Office Intelligent Lighting Basedon Dialux and Deep Learning Technology

Abstract：Aiming at the problem that traditional lighting design schemes cannot effectively save energy， a research proposes an indoor lighting environment optimization and prediction method based on artificial neural network algorithm， which can reduce energy consumption and improve the comfort of employees working indoors. The results show that the mean absolute error， mean square error and root mean square error of the artificial neural network algorithm for light control are 0.49445， 0.49984 and 0.48726 respectively， and after 217 training sessions， the method is able to meet a pre-determined error rate of 10-2， thus achieving the desired objective. In predicting the four lighting points taken from the office interior， the maximum illuminance error derived from the simulation is 21 lx， which is lower than the 50 lx perceptible to the human eye. In summary， this shows that the office interior light optimization is practical and stable.

Key words：BP neural network; Dialux; LED dimming; luminous flux

0 引言

在當今的智能照明系統發展過程中，越來越多的研究者將深度學習技術與照明設計結合起來，對照明系統的智能化進行研究[1].在辦公室照明設計中，深度學習技術可以有效地幫助設計師更好地設計出照明設備，從而保證辦公室智能照明系統的靈活性、實用性和可靠性[2].同時，此技術還能夠為辦公室智能照明設計提供更加準確的需求分析結果，以滿足用戶的實際需求.

姚輝[3]對地鐵智能照明系統的能耗進行了分析，并提出了節能優化策略.首先，根據現有的技術，分析了地鐵智能照明系統的能耗特性，并研究了其影響因素，然后對智能照明系統的節能優化提出了相關的設計建議，有助于提高系統的能源利用效率并減少能耗.高雁等[4]針對海底圖像光照均勻性不足的問題，提出了一種基于灰度和亮度分布的補償算法.該算法首先將海底圖像分割成多個塊，并利用灰度譜和亮度分布來確定圖像塊的光照程度.然后，利用塊內聚類和外投影算法來實現圖像塊之間的光照均勻性.實驗結果表明，該算法可以有效提高海底圖像的光照均勻性，并能達到較好的圖像增強效果.

因此，研究在Dialux的基礎上結合深度學習技術，分析了辦公室智能照明設計的可行性.此方案將使用深度學習技術優化Dialux軟件，以實現智能照明系統的有效設計，從而提高辦公室照明系統的功能性和可靠性，同時滿足用戶的實際需求.

1 基于人工神經網絡的辦公室室內光環境優化模型的構建

1.1 設計室內光照控制系統的總體方案

辦公室室內光環境包括自然光和LED光，而在室內照明控制系統中，一般采用百葉窗和LED燈綜合控制的形式.研究將從自然光環境與自然光的基本概念出發，介紹系統的設計目的和功能，并對其需求進行了分析.目前，大部分的室內光控制還停留在傳統的控制模式上，這就導致了建筑的照明能耗高，無法滿足用戶的舒適要求，因此，必須改善室內的照明控制模式，其控制系統必須具備下列功能.首先可以利用百葉來控制各種季節和天空類型的自然光線，可使百葉轉動至最佳角度，使自然光能最大限度地發揮室內照明的舒適度，可實現室內自然光亮度的緩慢變化，其次可實現百葉調整后的室內自然光照特定點的特定照度估計，該估計值可反映出室內照明的整體分布狀況.最后可通過對室內自然光亮度的估計，計算出各LED燈具的光通量，使其達到室內光環境均勻分布的目的.本文構建的整體室內照明系統結構如圖1所示.目前，對室內照明的控制仍停留在傳統的控制階段，即通過將開關插入到白熾燈或熒光燈的電源電路中實現.這樣做可以簡化室內的照明，但是卻會造成大量的電力消耗，尤其是在公共建筑當中[5].室內自然光與室內燈光相結合可以實現對室內燈光的動態調控，但戶外自然光的可變特性使其在燈光的優化上有較大的困難.室內光環境模擬效果如圖2所示，其中已對4個燈光強度探測點進行了標注[6].

照度是一種與光線強度有關的物理量，反映了被照射平面上每個區域的光通量密度，用符號E表示[7].被照射表面的亮度表達式為

其中，dφ為一面元的入射光通量，dA為此面元面積，在有多個光源的情況下，可以將照度直接相加[8]，得到的方程式為

E=E1+E2+E3+E4+…+En，（2）

其中，E表示各個傳感器的光采總量，En表示每個傳感器的光采數量，采光系數是通過對室內自然光和室外自然光相互關系的分析而確定的相關系數[9].在同一時間，這個天空半球在戶外沒有遮蔽的水平表面上所生成的天空散射光的照度之比的系數表達式為

其中：En表示在室內散射光作用下平面上的點照度;Ew表示露天天空中散射光線下的橫向平面上的照明[10].我國《建筑采光設計標準》將光氣候區分為5個級別，不同地區的自然光照和日照時間不同.自然光照與日照時間及其海拔高度呈正相關，而與大氣濕度呈負相關關系，夏季的總照度一般相比冬季來說較高.《標準》對各類住宅建筑、公共建筑、工業建筑以及一般室內和特別場合（備用照明、安全照明和疏散照明）的照明進行了規范.以普通辦公樓為例，室內照度為400～500 lx時，視覺效果最佳.太高的光照會造成刺眼的光線，影響人的視覺舒適度.如果光線過大，在房間里會造成強烈的反射性光線，所以百葉窗的調節要充分[LL]顧及強光，需滿足的條件為

其中：ω為百葉寬度;αs為太陽方位角;d為等效太陽高度角;αω為窗戶方位角;為了限制眩光，設置β0為臨界角，即β0=90°－2d.α表示太陽方位角，即在地球平面上由太陽直接照射到地面上的投影與地理正南的角度，兩者的計算公式為

其中，φ表示此地的緯度，δ表示太陽赤緯角，N為積日.該控制系統根據控制流程的需求，進行了實時計算.在此基礎上，本文將使用人工神經網絡進行離線訓練，并將訓練后的神經網絡權值等移植到核心控制器中.本研究采用STM32作為控制器，其具有成本低廉，性能優良、開發環境成熟、運行穩定等特點[11].從硬件結構上看，室內照明控制系統可以劃分為PC機、STM32控制器和外圍設備.STM32控制器主要應用于室內照明，百葉窗照明、神經網絡照明預測、馬達控制邏輯、LED驅動以及外部照明傳感器、執行器等，其控制結構如圖3所示.

1.2 構建辦公室內光環境優化模型

BP神經網絡是一種多層前向神經網絡，其模型包含輸入層、隱含層和輸出層3層，具體結構如圖4所示.現有的網絡結構還沒有一個固定的理論框架，一般都是依靠經驗或試錯方法去推測和調節[12].根據經驗公式，確定其隱藏層的節點數量，可表示為

式中，ni為其輸入層節點數，n0為其輸出層節點數，c為1到10之間的常整數.BP神經網絡結構如圖4所示.

在向模型中輸入數據時，必須先進行數據歸一化，通過線性關系將其映射到一個區間，使其從有量綱向無量綱轉換，避免了由于多個變量之間存在很大差別而導致的屬性權重集中，從而提高模型的性能，使評估結果更為合理.研究使用的歸一化公式為

其中，x代表歸一化的可變對象，xmin與xmax分別表示對象的最小值和最大值；xscale代表在-1至1之間的標準化的無量次數值.傳統的單隱含層前饋網絡隱含層和輸出層的神經元是完全連通的.在輸入層面，有n個神經元，對應于n個輸入矢量，在輸出層中，有m個神經元，與輸出變量m相對應.輸入層與隱含層間的連接權值W可表示為

式中，wji代表了輸入層第i個神經元和隱含層第j個神經元之間的聯系權重，假設隱含層和輸出層之間的連接權重β可表示為

式中，βjk表達了隱含層第j個神經元和輸出層第k個神經元之間的連接權值，并將其設定為

BP神經網絡的基本思路為根據神經元的實際輸入和預期的輸入向量的偏差，由后到前對各個層次的神經元進行加權校正，研究采用Matlab開發的神經網絡工具包來進行神經網絡的訓練.激活函數是在神經網絡中隱含層和輸出層節點的輸入與輸出之間關系的函數.BP神經網絡有兩種常用方法，第1種方法為純線性函數，是求解特殊問題的一種簡便、實用的方法；第2種為非線性激活函數，例如Sigmoid激勵函數，它在區間（0，1）為非線性平滑增量；當輸入為無窮大時，它就會完全接近一個振幅1或0，這個函數可以變得很小.在本文中，隱含層使用了第2種類型，在輸出層對值域進行了擴充，選擇了purelin型函數.BP神經網絡算法在尋找最優權重的過程中，很可能會陷入最小的區域，從而導致迭代數中斷；同時，過度學習會引起運動的震動和發散，學習速率低則會加速算法的收斂，導致迭代時間增加.在求解局部極值問題時，可以使用BP學習的Traingdm來提高動量，在學習速率不高的情況下，利用BP算法實現了不同的學習速率，并解決了引入大參數導致sigmoid的激勵功能的傾斜度偏低，從而導致權重增強度偏低的問題.在深度學習中，一個模型的評價指標是其表現的一個重要因素，采用時序預測中常見的指標諸如均方根誤差（Root Mean Squared Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）來評價該模型的有效性.RMSE是由預測值與真實值偏差的平方和與觀測次數N比值的平方根來表達模型的結果.在公式（11）中表示了RMSE、MAE以及準確率（Accuracy）的定義.

2 辦公室內光環境優化模型的性能評價

研究采用實驗法和仿真法對神經網絡的樣本數據進行采樣分析，實驗法是將BP神經網絡引入到真實的太陽方位和百葉角度等參數中，利用照明傳感器采集到的相應照明量，將其應用于人工神經網絡中.然而實驗法難以獲得數據，且數據覆蓋范圍較小，所以研究以Dialux模擬程序獲取訓練樣本，并將采樣高度設定為0.8 m.前文的研究表明，人工神經網絡是建立模擬點光照和太陽方向等參數之間的映射關系，日期和時間是根據太陽方位和高度角度的不同而確定的，即它們的不同組合可以在一年中的任何時間點上進行映射.利用Dialux仿真，對324組數據進行了神經網絡的訓練仿真.考慮到光的折射作用以及玻璃的原料等問題，所以此次試驗確定玻璃的主要成分為Na2O·CaO·6SiO2組成，折射率在1.470～1.700之間，所用玻璃為均質體，且常見異常消光.研究首先設定BP神經網絡的結構及輸入層所用的節點數，并在實驗中將隱含層節點數從3逐步增加至12，在網絡效能達到最佳狀態時α選取為9，當隱含層的節點數為9時，其訓練準確度最高，為0.945左右，測試過程如圖5所示.

本文所設計的網絡參數為：目標錯誤準確度為0.0001；加權校正的學習率為0.01；步驟數為1 000個.根據該模式的最后訓練效果，功能設置為：選擇隱藏層次的函數為Sigmoid；使用trainbr作為訓練函數，使用MSE作為誤差函數；使用learndm作為學習函數.在建立好模型以后，還要對所建立的模型進行檢驗，以確定其普遍性，也就是能否應用于辦公室內光環境優化中，為了進行模擬和分析，對模型進行訓練，其結果如圖6所示.由圖6可以看出，該算法通過217次訓練就達到了預設的誤差10-2，說明所設置的BP神經網絡模型可行性極高.

Matlab所使用的方法是將數據分為3部分，即訓練集、驗證集以及測試集，其中80%數據作為該研究的訓練集，10%數據作為該研究的驗證集，而另外10%的數據作為研究的測試集.僅有訓練集的數據參與了訓練，其余兩組數據均未參與，以其作為檢驗集合，實驗結果如圖7所示.

從圖7可以看出，驗證和測試的預測值較高，少數情況下會出現偏差，各個集合的R值均在0.99左右徘徊，擬合度較高.

通過訓練得到的神經網絡Net1，在陽光充足的條件下，選取成都市某辦公樓作為實驗對象，在晴天的2020年春分日3月21日12點整和夏至日6月21日11點整進行照度預測，結果如表1所列.從表1中可以看出，由于該人工神經網絡模型不包含春分、夏至這兩個日期，所以模擬結果最大誤差為21 lx，低于人眼所能感知的50 lx，預測結果達到了預期的精度.

3 結語

為了對辦公室區域的光環境進行優化，實驗提出一種基于Dialux與深度學習技術的辦公室智能照明設計方法.引入人工神經網絡對辦公室光環境模型進行優化，采用實驗法和仿真法對樣本數據進行采樣分析.結果表明，該算法通過217次訓練就達到了預設的誤差10-2，達到了預定的目標，驗證和測試的預測值是較高的，少數情況下會出現偏差，其各個集合的R值均在0.99左右徘徊，擬合度較高，模擬結果最大誤差為21 lx，低于人眼所能感知的50 lx.同時該BP神經網絡的對比度預測結果達到了預期精度.本文方法降低了對照度傳感器的依賴性，可以迅速、精確地求出室內自然光分布的具體數值.

參考文獻：

[1] 張玉杰，王帆.基于改進麻雀搜索算法的照明控制優化[J].計算機應用，2023，43（3）：835-841.

[2] 陳海宏，易永利，黃珅，等.基于CatBoost算法的短期光伏功率預測方法[J].浙江電力，2023，42（2）：67-75.

[3] 張曼，孟冠宇，夏道澄，等.基于DIALux仿真分析的兩階段道路照明優化設計[J].無線互聯科技，2022，19（22）：97-100.

[4] 高雁，李曉明.海底圖像光照均勻性補償算法研究[J].計算機與數字工程，2022，50（12）：2775-2779.

[5] 范溢華，王永振，燕雪峰，等.人臉識別任務驅動的低光照圖像增強算法[J].圖學學報，2022，43（6）：1170-1181.

[6] 汪衍凱，劉忠晨，許彥杰.基于PSO優化的模糊自適應PID算法在照明控制系統中的應用[J].南通職業大學學報，2022，36（4）：80-84.

[7] 李志龍.現代博物館照明設計問題及優化策略研究[J].光源與照明，2022（S1）：48-50.

[8] 田心怡，蔡賢云，翁季.考慮中老年駕駛員年齡的公路隧道照明質量指標優化[J].光源與照明，2022（S1）：78-82.

[9] HAMADANI B H，CAMPANELLI M B.Photovol-taic characterization under artificial low irradiance conditions using reference solar cells[J].IEEE Journal of Photovoltaics，2020，10（4）：1119-1125.

[10] 李曉宇，閆凱文，秦一凡，等.雙車道公路隧道照明燈具優化布置研究[J].現代隧道技術，2022，59（S1）：291-297.

[11] 孫悅，任洪波，吳瓊，等.辦公建筑照明系統仿真分析與多場景節能優化調控策略研究[J].上海電力大學學報，2022，38（5）：488-494.

[12] 羅蕾，王譽霏.地鐵空間照明提升信息識別的優化方法研究[J].設計藝術研究，2022，12（4）：83-87.