基于改进DBSCAN算法的智能照明控制系统

汤 烨 ，陆卫忠 ， 陈 成 ， 王 磊

（1.苏州科技大学 电子与信息工程学院，江苏 苏州 215009；2.江苏省建筑智慧重点实验室,江苏 苏州 215009；3.苏州市虚拟现实智能交互及应用技术重点实验室，江苏 苏州 215009）

基于改进DBSCAN算法的智能照明控制系统

汤 烨1，2，3，陆卫忠1，2,3， 陈 成1,2,3， 王 磊1,2,3

（1.苏州科技大学 电子与信息工程学院，江苏 苏州 215009；2.江苏省建筑智慧重点实验室,江苏 苏州 215009；3.苏州市虚拟现实智能交互及应用技术重点实验室，江苏 苏州 215009）

在大型场所，针对传统照明系统无法实时、智能地控制照明区域，导致电能浪费的现象，设计了一种基于改进DBSCAN算法的智能照明控制系统。首先，使用传感器获取室内人员位置信息；然后，将位置信息转化为照明平面上的二维坐标数据并使用改进后的DBSCAN聚类算法对数据进行聚类分析，找出人员分布相对密集的区域；最后，用单位容量法确定每个区域需要开启的灯具个数。通过对照明区域的实时、智能控制，有效节约电能。实验结果表明，当照明场所内人员较少，或人员分布不集中时，节能效果明显。

聚类；DBSCAN；智能照明；单位容量法

节能，不仅是世界性的重大课题，更是我国面临的重大课题，关系到我国的经济安全和可持续发展[1]。建筑上的能源消耗是世界能源总消耗的主要部分，有学者指出，中国建筑能耗占全国能耗比重正在逐年上升，2004年至今，已从27%上升至33%。照明用电是大型建筑不可忽略的一项能源消耗，占建筑总能耗的20%～40%，因此，针对照明系统的节能研究，对节能减排工作有十分重要的意义[2]。

在大型教室、报告厅等面积较大的场所，由于灯具数量较多，开关数量有限，一个开关只能控制一条回路上多个灯具的同时开启或关闭，无法对每个灯具进行单独控制。当场所内人员较少，或人员分布不集中时，为了使有人的区域都获得充足的照度，需要开启大部分灯具，造成了电力资源的严重浪费。

实现照明系统的智能化，詹杰等人设计了基于ZigBee的智能照明系统[3]，王敏等人设计了基于物联网架构的智能照明系统[4]，他们在照明系统中加入了无线控制技术，但仍需人参与控制，且未达到节能效果。文中设计的一种基于改进DBSCAN（Density-Based Spatial Clustering of Application with Noise基于密度的允许带噪声的空间聚类应用）算法的智能照明控制系统，是通过传感器采集室内人员的位置信息，控制器根据输入的人员位置数据进行聚类分析，求出达到指定照度的条件下需要开启的灯具位置及数量。系统通过减小照明区域面积的方式，在保证照明质量的前提下，有效的节约电能。

1 算法原理

该系统使用的聚类算法，是将代表室内人员位置的数据集分为若干个子集，把室内有人的区域分为若干个人员分布相对密集的子区域，只为这些子区域提供照明服务。

1.1 聚类

聚类是根据事物特定属性的不同，将其分为若干个不同的类，使同一类内事物的相似度尽量大，不同类间事物的相似度尽量小。聚类是一种无监督学习，输入数据只有特征，没有类别标签。聚类有基于划分、基于层次、基于密度、基于网格等方法，广泛应用于市场分析、信息安全、金融、娱乐、反恐等领域。

K-means算法，是数据挖掘聚类分析中一种应用广泛的算法，具有快速，简单的优点[5]。K-means算法需要给定生成类别的个数，只能形成类球形状的数据簇且对初始聚类中心敏感[6]，因此不适合用于房间人员位置的聚类。

DBSCAN算法是一种具有代表性的基于密度的空间聚类分析算法,它具有可以发现任意形状的聚类和有效屏蔽噪声数据干扰的优点[7-8]。DBSCAN算法，不需要给定生成的类别个数，可根据Eps（聚类半径）和Minpts（聚类点数）两个参数自动确定生成类别的个数，适用于低维空间的聚类。室内人员位置的聚类属于二维空间内的聚类，且Eps和Minpts两个参数可根据使用灯具的型号种类以及房间的用途进行调试确定，因此该系统选择使用DBSCAN算法对室内人员位置的数据进行聚类，从而在大区域中找出若干个人员分布相对密集的小区域。

1.2 DBSCAN

下面给出DBSCAN算法中的一些定义：

核心样本：如果一个样本的Eps邻域（以Eps为半径的空间）内至少包含Minpts个样本，则称该对象为核心样本。

直接密度可达：在样本集中，若样本p是核心样本，且样本q在样本p的Eps领域内，则称样本p直接密度可达样本q。

密度可达：若存在一个样本集合{p1，p2，p3，...，pn}，p1=q，pn=p，且对任意 i∈[1,n-1]，pi直接密度可达 pi+1，则称q密度可达p。

密度相连：若存在样本o，使图标o密度可达样本p，且样本o密度可达样本q，则称样本q和样本p密度相连。

簇：所有密度相连的样本的集合。

噪声：不包含在任何簇中的样本。

DBSCAN有两个输入参数Eps和Minpts，用一个样本的Eps邻域内样本的个数来衡量此样本的密度。DBSCAN算法的核心为逐个访问每个未被访问的样本，当样本的密度达到Minpts时，将此样本和它邻域内的其它样本归到一个簇中，并将这些样本标记为已访问，再访问此样本邻域内的其它样本，对簇进行扩展，直到没有新的样本加入此簇。DBSCAN算法流程可描述为：

（1）随机选择一个未被访问的样本，找出与其距离在Eps之内（包括Eps）的所有附近样本。①如果附近样本的数量大于或等于Minpts，将此样本附近样本归到此样本属于的簇中，若当前样本不属于任何簇，则为此样本建立一个新簇，并将此样本和附近样本归到此新簇中；将此样本被标记为已访问，然后递归，以相同的方法处理该簇内所有未被标记为已访问的样本，从而对簇进行扩展。②如果附近样本的数量小于Minpts，将该点样本暂时标记为噪声。

（2）如果簇充分地被扩展，即簇内的所有样本被标记为已访问，则重复（1）用同样的方法处理未被访问的点，直到所有样本都被标记为已访问[9-10]。

1.3 改进的DBSCAN

1.3.1 DBSCAN存在的问题

（1）计算时间长。在确定每个样本是否为核心样本时，需要计算此样本到所有其他样本的距离，对于一个含有n个样本的数据集，每进行一次聚类，需要进行n（n-1）次距离计算，当数据集较大时，需要较长的计算时间。

（2）访问顺序随机。DBSCAN对于数据集中样本的顺序不敏感，即样本输入的顺序对结果影响不大，但对于同时处于两个或多个簇边界的样本，可能会根据被哪个簇类优先探测到而其归属有所摆动[11]。对于数据集中的核心样本p，q和非核心样本m，若属于簇A的样本p直接密度可达样本m，且处于簇B的样本q直接密度可达样本m，则样本m的归属会根据样本访问顺序而有所改变，若样本m在样本p之后被访问，则样本m将归于簇A，若样本m在样本q之后被访问，则样本m将归于簇B。由于DBSCAN对样本的访问顺序是随机的，因此同时处于多个簇边缘的非核心样本的归属是随机的。在照明系统中，如果一个样本所属的簇是随机变化的，可能引起某些灯具的开关也在每次进行聚类后都随机变化，即室内人员的位置未发生变动，但灯具的开关状态不时的改变，从而对照明质量产生影响。

1.3.2 改进方法

（1）计算时间问题。采用一个n×n阶矩阵D来存放各个样本之间的距离（如式1所示），D中第i行第j列元素d[i]表示第i个样本到第j个样本的距离，n为样本个数。在判断第k个样本是否为核心对象，即计算到此样本距离小于Eps的样本个数是否大于等于Minpts时，用矩阵D的第k个行向量D[k]中小于等于Eps的元素个数，即 len(D[k][D[k]＜=Eps])与 Minpts 进行比较，若 len(D[k][D[k]＜=Eps])＞=Minpts，则第 k 个样本为核心样本，否则不是核心样本。由于每个样本到自己的距离为0，因此矩阵D主对角线上元素均为0，不需要计算，而第i个样本到第j个样本的距离等于第j个样本到第i个样本的距离，所以矩阵D为对称阵，只需要在计算主对角线以上的元素后使D=D+DT，便可求出矩阵D中的所有元素的值。因此进行一次聚类，需要进行n(n-1)/2次距离计算，算法改进后的计算时间减少了近一半。

（2）访问顺序问题。在获取输入数据后，对数据按某一标准进行排序，在访问样本时按排序后的顺序访问。例如，在报告厅、教室等场所，可将样本按其到讲台的距离进行排序，优先访问靠近讲台的样本，使同时处于两个或多个簇边缘的样本归属到靠近讲台的簇中，从而使靠近讲台的灯具容易被打开，提高了系统的稳定性。

1.3.3 实现方法

该系统使用python语言编写聚类算法，改进DBSCAN算法中访问数据点的函数如下：

其中，d为式（1）中的矩阵D；data[i]为第i个坐标数据；cluster_num为输出簇的序号；data_cluster[i]为第i个数据的聚类结果，其值为-1时表示该点未被访问，其值为0时表示该点为噪声，其值大于零时为该点所属簇的序号。

改进后的DBSCAN算法，在减少计算时间和设定访问顺序两个方面进行了改进，提高了智能照明控制系统的响应速度和稳定性。

2 照明系统

2.1 智能照明系统

智能照明系统是将传感器、电器控制、智能信息网络、无线通讯、网络数据传输等技术结合，根据使用区域、人员需求、时间、自然光亮度等条件，通过预设的运行命令自动控制照明设备的系统[12-13]。智能照明系统在智能建筑中的应用广泛，体现出强大的优越性。智能照明系统在智能建筑中的应用效果为：（1）实现照明控制智能化；（2）改善工作环境，提高工作效率；（3）可观的节能效果；（4）提高管理水平，减少维护费用[14]。

长期以来，智能照明在国内一直被忽视，大多数建筑物仍然沿用传统的照明控制方式，即开关直接控制灯具。部分智能大厦采用楼宇自控系统来监控照明，但也只能实现灯具的定时开关或亮度调节功能，无法实时、智能地控制照明区域。文中设计的智能照明控制系统能根据室内人员分布，实时调整照明区域，通过减少照明区域面积的方法，提高照明效率，降低照明能耗。

2.2 照度计算

照度计算是照明工程设计过程中必不可少的重要步骤。照度计算的主要任务是：根据照度标准的要求及其他已知条件（如灯具形式及布置、室内环境条件等），确定灯具的数量和光源的功率；或在灯具形式及布置、室内环境条件等已确定的情况下，计算已知照明系统在被照面上产生的照度，用以检验被照面上的照度能否达到标准要求[15]。

系统中照度计算的任务是在聚类算法输出的各个子区域上根据需要的照度值、子区域的面积和使用灯具的规格计算出达到指定照度值时，需要开启的灯具数量。

系统使用简化的平均照度计算法——单位容量法计算达到指定照度需要开启的灯具个数N，其公式为

其中Ф0为照度为1 lx时的单位容量，lm/m2·lx，其值可查表；A为照明区域面积，m2；E为设计的平均照度，lx；C1为当房间内各部分的光反射比不同时的修正系数；C2为光源调整系数；Ф′为每个灯具的光源总光通量[16]。

3 系统说明

系统的主要功能是根据输入的室内人员位置数据和设定的照度值或照度等级，通过实时控制灯具的开启与关闭，实现对室内照明区域和被照区域照度的实时控制。

图1所示为系统结构图，系统的输入数据为照度E和矩阵 X，E为设定的照度值或照度等级，X=[(x1，y1)，(x2，y2)，…，(xn，yn)]为 n 行 2 列矩阵，表示室内人员位置，可由传感器获取，如在报告厅、礼堂的座位上安装传感器，当座位上有人时，系统将座位编号转化为其在照明平面内对应的二维坐标。

图1 系统结构图

系统每经过一个固定时间间隔，获取一次输入，并与上一次的输入进行比较，若两次输入不同，即室内人员位置发生变化，则使用改进的DBSCAN算法对矩阵X中坐标数据进行聚类。聚类算法将数据集X分成k个簇c1,c2…ck，每个簇代表一个人员分布相对密集的小区域，即需要提供照明的区域。

系统在聚类算法输出的每个子区域上进行照度计算，对第i个子区域，计算其被照平面面积Ai，考虑到照明区域面积应比实际座位和桌面所占面积之和略大些，因此取

其中A0为一个座位所占面积，为第i个簇中样本个数。

将设定的照度值E、子区域的面积Ai和使用灯具的光通量代入式（2），计算出达到设定的照度值时，第i个子区域内需要开启的灯具数量Ni。计算公式如下：

对于一个固定场所，在灯具和座位布置不变的条件下，A0、Ф0、C1、C2、Φ′均为常数，因此式（4）可简化为：

系统输出控制信号至控制灯具的继电器，在第i个聚类输出的区域上等间隔地开启Ni组灯具。

4 测试结果

4.1 应用场景

将此系统应用于某科技大厦一层的300座学术报告厅。图2所示为学术报告厅部分区域的平面图。如图3所示，300个座位上方布置了12排灯具，每排12组，共144组灯具，每组灯具含2个12瓦648流明荧光灯。前后排座位之间间隔 1 m，中间过道宽 2.2 m，座位宽 0.65 m，图2中黑色座位表示有人的座位，在照明平面中，前两排人员位置坐标可表示为[2.6，0]，[3.25，0]，[3.9，0]， [4.55，0]， [5.2，0]， [5.85，0]， [9.35，0]，[10，0]，[10.65，0]，[11.3，0]，[2.275，-1]，[2.925，-1]，[3.575，-1]，[4.275，-1]，[4.875，-1]，[5.525，-1]，[6.175，-1]，[9.025，-1]，[9.675，-1]，[10.325，-1]，[10.975，-1]。

若使用开关直接控制灯具，为了使所有人都获得充足的照明，根据开关控制的回路中灯具数量的不同，可能需要开启大部分甚至全部144组灯具。根据建筑照明设计标准GB50034-2013：正常照明单相分支所接光源数或发光二极管数不宜超过25个。若一个回路控制两排24组灯具，则需开启6排总计72组灯具。

图2 报告厅平面图

图3 照明平明面布置图

4.2 实验结果及分析

取 Eps=1.4 m，Minpts=2，照度值为 200 lx，将数据输入系统。如图4所示，左图为聚类输入数据，右图为聚类结果，改进的DBSCAN聚类算法将数据分为2个簇，即2个需要提供照明的区域。

在输出的每个区域上进行照度计算，取A0=0.65 m2，Φ′=648 lm，|c1|=30，|c2|=23，查表得 Ф0=2.28 lm/m2·lx，C1=1.27，C2=1.4，计算出两个区域需要开启的灯具数量分别为15组和12组。总计需要开启的灯具总数为27组，与传统控制方式相比，减少了62.5%的灯具使用，极大的减少了电能的消耗。

在此应用场景中，分别使用改进前的DBSCAN算法和改进后的DBSCAN算法对此数据集进行聚类计算。改进前的DBSCAN算法耗时18 ms，改进后只需9 ms，改进后的DBSCAN算法运行速度比改进前提高了近一倍，从而为照明系统的快速响应提供了保障。

图4 聚类结果图

5 结语

设计了基于改进DBSCAN算法的智能照明控制系统，在标准DBSCAN算法的基础上，针对照明系统的特点，对算法进行了改进，提高了算法的计算速度和稳定性。该系统能根据室内人员位置和设定的照度值实时控制照明灯具，调整照明区域和被照明区域的照度。在大型教室、报告厅等面积较大的场所，能有效的节约电能，当室内人员较少，或人员分布不集中时，节能效果比较明显。

[1]赵鲲鹏.用科学的态度实现照明节能[J].照明工程学报，2014，25（6）：137-138.

[2]周欣，燕达，任晓欣，等.大型办公建筑照明能耗实测数据分析及模型初探[J].照明工程学报，2013，24（4）：14-23.

[3]詹杰，吴伶锡，唐志军.基于ZigBee的智能照明控制系统设计与实现[J].电力电子技术，2007，41（10）：25-26，51.

[4]王敏，武阳，王宁，等.基于物联网架构的智能照明系统的设计与实现[J].电工技术学报，2015，30（s1）：110-114.

[5]张琳，陈燕，汲业，等.一种基于密度的 K-means算法研究[J].计算机应用研究，2011，28（11）：4071-4073，4085.

[6]SUN J G,LIU J,ZHAO L Y.Clustering algorithms research[J].Journal of Software，2008，19（1）：48-61.

[7]DASZYKOWSKI M,TYAN T N,DRAB K.Dbscan[J].Acta Ophthalmologica.2014，89（Supplement s248）：51-79.

[8]胡彩平，秦小麟.一种改进的空间聚类算法[J].模式识别与人工智能，2007，20（3）：371-376.

[9]荣秋生，颜君彪，郭国强.基于DBSCAN聚类算法的研究与实现[J].计算机应用，2004，24（4）：45-46，61.

[10]曾泽林，段明秀.基于密度的聚类算法DBSCAN的研究与实现[J].科技信息，2012（30）：163.

[11]DASZYKOWSKI M,TRAN T N,DRAB K.dbscan[J].Acta Ophthalmologica,2014,89（Supplement s248）：51-79.

[12]尤磊.智能照明设计与传统照明设计的区别[J].建筑工程技术与设计，2016（4）：770.

[13]MATTA S,MAHMUD S M.An intelligent light control system for power saving[C]//IECON 2010,Conference of the IEEE Industrial Electronics Society,2010，183（4）：3316-3321.

[14]武交峰，简志雄.教室节能智能照明控制系统设计[J].中国高新技术企业，2017（2）：7-9.

[15]刘沁，张乘风，刘启能.绿色照明设计中照度计算的解析方法[J].照明工程学报，2010，21（6）：9-12.

[16]付敏.单位容量法快速计算照度的研究[J].灯与照明，2004，28（3）：16-17，24.

Intelligent lighting control system based on improved DBSCAN algorithm

TANG Ye1,2,3,LU Weizhong1,2,3,CHEN Cheng1,2.3,WANG Lei1,2.3
（1.School of Electronic and Information Engineering,SUST,Suzhou 215009,China;2.Jiangsu Key Laboratory of Intelligent Building Energy Efficiency,Suzhou 215009,China;3.Virtual Reality Key Laboratory of Intelligent Interaction and Application Technology of Suzhou,Suzhou 215009,China）

Due to the fact that the traditional lighting system cannot control the lighting area real-timely and intelligently in large place,which leads to the waste of electric energy,the paper designs a kind of intelligent lighting system based on the improved DBSCAN algorithm.Firstly,the location information of indoor personnel is obtained by sensors;secondly,the location information is transformed into two dimensional coordinate data on the illumination plane,and the improved DBSCAN clustering algorithm is used to cluster the data to find the areas where the personnel distribution is relatively dense;finally,the number of lights in each area when reaching specified illuminance is determined by unit capacity method.The electric energy can be effectively saved through the real-time and intelligent control of the lighting area.The experimental results show that the effect of energy saving is obvious when the personnel in the lighting place are few,or the personnel distribution is not concentrated.

cluster;DBSCAN;intelligent lighting;unit capacity method

卢文君）

TP274+.2

A

2096-3270（2017）04-0070-06

2017-07-11

国家自然科学基金项目（61672371）；江苏省教育厅自然科学研究项目（08KJD510007）

汤 烨（1994－），男，江苏苏州人，硕士研究生。

陆卫忠（1964－），男，副教授，从事嵌入式系统及应用和机器学习的研究，Email：luwz@usts.edu.cn。