基于人工神經(jīng)網(wǎng)絡(luò)的室內(nèi)自然光照度預(yù)測(cè)

王崇 李雯雯 張露 孫彥璽 廖勇

摘 要：針對(duì)室外自然光與室內(nèi)工作面照度之間具有高度的非線性關(guān)系，難以建立精確數(shù)學(xué)模型的問題，故文中建立人工神經(jīng)網(wǎng)絡(luò)模型，以預(yù)測(cè)室內(nèi)的自然光照度。研究結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)算法可以較好地反映室外自然光與室內(nèi)工作表面自然光照度之間的非線性關(guān)系，模型的可靠性和有效性得以驗(yàn)證。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);室內(nèi)自然光;照度預(yù)測(cè);非線性關(guān)系;數(shù)學(xué)模型;仿真實(shí)驗(yàn)

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2020）09-00-02

0 引 言

在綠色建筑中，自然光是重要的能源。有效利用自然光可以提高室內(nèi)人員的視覺舒適度，并減少建筑物的能耗。然而，在實(shí)際應(yīng)用中，如果有很多地方需要保持恒定的照度，則需要放置多個(gè)照度傳感器，不僅布線復(fù)雜，而且系統(tǒng)控制不便。另外，在使用人工照明的情況下，光輸出的衰減、灰塵的積聚和墻壁反射率的下降使得傳感器難以提供準(zhǔn)確的數(shù)據(jù)。并且一旦打開房間中的照明燈具，就很難確定房間中的自然光照度水平。為了測(cè)量房間中當(dāng)前特定點(diǎn)的自然光照度水平，以確定應(yīng)提供多少人工照明，就必須關(guān)閉房間中的所有人工照明，從而測(cè)量自然光進(jìn)入房間的照度。然而，這在實(shí)際應(yīng)用中是不合理的[1-5]。

目前的研究中對(duì)于進(jìn)入室內(nèi)的自然光主要采用兩種控制方式：窗簾控制和百葉控制。目的都是當(dāng)室外光線強(qiáng)烈時(shí)減小進(jìn)入室內(nèi)的自然光，減小室內(nèi)光環(huán)境的眩光度。當(dāng)室外光線較強(qiáng)時(shí)，關(guān)閉窗簾會(huì)阻擋光線進(jìn)入室內(nèi)，但是也會(huì)造成自然光的完全浪費(fèi)。百葉窗可以控制百葉的開啟角度，使得部分光照可以進(jìn)入室內(nèi)，相比完全關(guān)閉窗簾更加多地利用了自然光。然而，調(diào)光玻璃的出現(xiàn)給解決進(jìn)入室內(nèi)的自然光照度過強(qiáng)的問題提供了一個(gè)新的思路?？梢酝ㄟ^調(diào)節(jié)調(diào)光玻璃的透光度，減小進(jìn)入室內(nèi)的光照強(qiáng)度，從而最大程度地利用自然光。

室外自然光照度與室內(nèi)工作表面照度之間存在高度非線性關(guān)系，建立高精度數(shù)學(xué)模型是非常困難的。神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)和非線性處理功能強(qiáng)大，可以映射復(fù)雜的非線性關(guān)系。它特別適用于解決那些模糊、非線性和模式特征模糊的問題，并為建立不確定的非線性系統(tǒng)開辟了新的途徑。因此，本文基于人工神經(jīng)網(wǎng)絡(luò)模型對(duì)室內(nèi)自然光照度進(jìn)行預(yù)測(cè)，并通過模擬學(xué)習(xí)，可以更準(zhǔn)確地預(yù)測(cè)室內(nèi)自然光[6-10]。

1 人工神經(jīng)網(wǎng)絡(luò)（ANN）模型

人工神經(jīng)網(wǎng)絡(luò)是一種有效的機(jī)器學(xué)習(xí)回歸模型，適用于大數(shù)據(jù)處理。人工神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上是模仿人類的神經(jīng)系統(tǒng)，其模型結(jié)構(gòu)分為一個(gè)輸入層，一個(gè)或多個(gè)隱含層和一個(gè)輸出層。首先，對(duì)所有變量進(jìn)行加權(quán)和求和，如下：

1.1 特征選擇和數(shù)據(jù)歸一化

人工神經(jīng)網(wǎng)絡(luò)不需要復(fù)雜的功能機(jī)制即可發(fā)現(xiàn)系統(tǒng)輸入和輸出之間的關(guān)系。在這里，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)來分析室外光照與室內(nèi)自然光照度之間的關(guān)系。影響室內(nèi)自然光照度的因素有很多，一般而言，較高的室外自然光照度可以提供豐富的自然光源，從而提高室內(nèi)工作面上的照度。此外，調(diào)節(jié)玻璃的透光度可以實(shí)現(xiàn)改變進(jìn)入室內(nèi)的自然光照度，從而防止眩光的產(chǎn)生。重要的是，從晝夜規(guī)律的角度來看，太陽東升西落，在12：00—13：30之間達(dá)到最大日照點(diǎn)，這是太陽運(yùn)轉(zhuǎn)的獨(dú)特屬性。建立人工神經(jīng)模型的目的是在考慮盡可能多特征的情況下，預(yù)測(cè)室內(nèi)自然光照度。因此也將它們視為評(píng)估室內(nèi)自然光照度的評(píng)價(jià)指標(biāo)。

為了訓(xùn)練一個(gè)好的人工神經(jīng)網(wǎng)絡(luò)模型，數(shù)據(jù)收集是一個(gè)重要的問題。在研究中利用Dialux軟件，在晴天、陰天、晴天有云等天氣里對(duì)室外自然光照度和室內(nèi)自然光照度進(jìn)行收集。為了消除不同數(shù)據(jù)量綱差異并提高收斂效率，預(yù)先根據(jù)公式（2）標(biāo)準(zhǔn)化原始輸入數(shù)據(jù)，以確保所有特征均在[0，1]范圍內(nèi)。

1.2 訓(xùn)練過程中的Levenberg-Marquart反向傳播算法

在Matlab 2016a環(huán)境中模擬了基于室外自然光照度的人工神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)模型的高預(yù)測(cè)能力取決于網(wǎng)絡(luò)的結(jié)構(gòu)和優(yōu)化的算法過程。它由三層組成：一個(gè)輸入層包含4個(gè)神經(jīng)元、一個(gè)輸出層包含3個(gè)神經(jīng)元和一個(gè)隱含層包含12個(gè)神經(jīng)元。數(shù)據(jù)集通過交叉驗(yàn)證技術(shù)隨機(jī)分為兩部分。90%的整體數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)以更新學(xué)習(xí)模型的結(jié)構(gòu)屬性關(guān)系的模型。然后，通過剩余的驗(yàn)證集（占總數(shù)據(jù)的10%）對(duì)經(jīng)過訓(xùn)練的網(wǎng)絡(luò)進(jìn)行評(píng)估。通過調(diào)整權(quán)重，輸入信息被傳遞到隱含層中以增加或減少每個(gè)神經(jīng)元，并進(jìn)一步轉(zhuǎn)換到下一個(gè)隱含層或輸出層。在傳輸過程中，非線性激活函數(shù)在未來的預(yù)測(cè)中起著重要的作用。本文隱含層選擇tanh函數(shù)，如下：

2 案例研究

本文以鄭州市為例（東經(jīng)113.65°，北緯34.72°），搭建Dialix模型，玻璃的透光度可以調(diào)節(jié)，透光度分為50%，60%，70%，80%。選取窗戶上2個(gè)定點(diǎn)的水平照度和垂直照度作為輸入，將室內(nèi)的工作平面上定點(diǎn)的水平照度作為輸出（選取2個(gè)點(diǎn)），數(shù)據(jù)采集時(shí)間為2019年10月1日—2019年11月30日，每天從8：00對(duì)室外自然光照度和室內(nèi)自然光照度進(jìn)行采集，一共采集400組數(shù)據(jù)。因?yàn)榫W(wǎng)絡(luò)的輸入為2個(gè)定點(diǎn)的水平照度和垂直照度，所以第一層神經(jīng)元數(shù)為4，隱含層數(shù)為12，輸出層有3個(gè)結(jié)果（輸出層有3個(gè)結(jié)果，2個(gè)室內(nèi)點(diǎn)的照度值和玻璃的透光度），神經(jīng)元數(shù)定為3，其三層神經(jīng)元為4-12-3結(jié)構(gòu)。按照上述要求，仿真后所得的預(yù)測(cè)結(jié)果如圖2～圖4所示。

對(duì)圖2～圖4所示的數(shù)據(jù)進(jìn)行分析可得：輸出1的R2=0.82，輸出2的R2=0.85，輸出3的R2=0.94，表明所取得的預(yù)測(cè)結(jié)果較好，當(dāng)R2的值越接近1，表明其預(yù)測(cè)結(jié)果越好。從3個(gè)輸出的R2對(duì)比可得，輸出3的預(yù)測(cè)效果更好，輸出1，2相對(duì)來說預(yù)測(cè)效果較差。

3 結(jié) 語

本文運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法完成對(duì)室內(nèi)自然光照度的預(yù)測(cè)，通過仿真驗(yàn)證可知該方法具有較高的準(zhǔn)確性。但是人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度較慢，且容易陷入局部最小值。在接下來的研究中，應(yīng)該不斷地優(yōu)化算法來提升預(yù)測(cè)的準(zhǔn)確性和收斂速度;同時(shí)，應(yīng)把室內(nèi)工作平面距離窗戶的距離以及頂棚的高度對(duì)室內(nèi)自然光照度的影響考慮在內(nèi)，不斷地優(yōu)化預(yù)測(cè)模型。

參考文獻(xiàn)

[1] KAZANASMAZ Tu??e，G?NAYDIN Murat，BINOL Selcen. Artificial neural networks to predict daylight illuminance in office buildings [J]. Building and environment，2008，44（8）：1751-1757.

[2] 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.

[3]章云，許錦標(biāo)，谷剛，等.建筑智能化系統(tǒng)[M]. 2版.北京：清華大學(xué)出版社，2017.

[4]孫友明，沈曉明，覃善華，等.基于兩級(jí)定位跟蹤的自然光導(dǎo)光照明裝置設(shè)計(jì)[J].科學(xué)技術(shù)與工程，2017，17（17）：72-77.

[5]段春麗，黃仕元，于蘭，等.建筑電氣[M].2版.北京：機(jī)械工業(yè)出版社，2016.

[6]王金光.智能照明控制策略的研究與仿真[D].上海：同濟(jì)大學(xué)，2008.

[7]朱俊丞，楊之樂，郭媛君，等.深度學(xué)習(xí)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用綜述[J].鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2019，40（5）：13-22.

[8]劉蕾.基于Tensorflow的循環(huán)神經(jīng)網(wǎng)絡(luò)模型在上海市空氣質(zhì)量預(yù)測(cè)中的應(yīng)用[D].上海：上海師范大學(xué)，2019.

[9]黃志輝.基于卷積神經(jīng)網(wǎng)絡(luò)的量化選股模型研究[D].杭州：浙江大學(xué)，2019.

[10]馮冬青，劉丹丹.室內(nèi)智能舒適照明控制策略研究[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2015，47（3）：99-104.