基于人工神经网络的室内自然光照度预测

王崇 李雯雯 张露 孙彦玺 廖勇

摘 要：针对室外自然光与室内工作面照度之间具有高度的非线性关系，难以建立精确数学模型的问题，故文中建立人工神经网络模型，以预测室内的自然光照度。研究结果表明，人工神经网络算法可以较好地反映室外自然光与室内工作表面自然光照度之间的非线性关系，模型的可靠性和有效性得以验证。

关键词：人工神经网络;室内自然光;照度预测;非线性关系;数学模型;仿真实验

中图分类号：TP391文献标识码：A文章编号：2095-1302（2020）09-00-02

0 引 言

在绿色建筑中，自然光是重要的能源。有效利用自然光可以提高室内人员的视觉舒适度，并减少建筑物的能耗。然而，在实际应用中，如果有很多地方需要保持恒定的照度，则需要放置多个照度传感器，不仅布线复杂，而且系统控制不便。另外，在使用人工照明的情况下，光输出的衰减、灰尘的积聚和墙壁反射率的下降使得传感器难以提供准确的数据。并且一旦打开房间中的照明灯具，就很难确定房间中的自然光照度水平。为了测量房间中当前特定点的自然光照度水平，以确定应提供多少人工照明，就必须关闭房间中的所有人工照明，从而测量自然光进入房间的照度。然而，这在实际应用中是不合理的[1-5]。

目前的研究中对于进入室内的自然光主要采用两种控制方式：窗帘控制和百叶控制。目的都是当室外光线强烈时减小进入室内的自然光，减小室内光环境的眩光度。当室外光线较强时，关闭窗帘会阻挡光线进入室内，但是也会造成自然光的完全浪费。百叶窗可以控制百叶的开启角度，使得部分光照可以进入室内，相比完全关闭窗帘更加多地利用了自然光。然而，调光玻璃的出现给解决进入室内的自然光照度过强的问题提供了一个新的思路。可以通过调节调光玻璃的透光度，减小进入室内的光照强度，从而最大程度地利用自然光。

室外自然光照度与室内工作表面照度之间存在高度非线性关系，建立高精度数学模型是非常困难的。神经网络的自学习、自适应和非线性处理功能强大，可以映射复杂的非线性关系。它特别适用于解决那些模糊、非线性和模式特征模糊的问题，并为建立不确定的非线性系统开辟了新的途径。因此，本文基于人工神经网络模型对室内自然光照度进行预测，并通过模拟学习，可以更准确地预测室内自然光[6-10]。

1 人工神经网络（ANN）模型

人工神经网络是一种有效的机器学习回归模型，适用于大数据处理。人工神经网络实质上是模仿人类的神经系统，其模型结构分为一个输入层，一个或多个隐含层和一个输出层。首先，对所有变量进行加权和求和，如下：

1.1 特征选择和数据归一化

人工神经网络不需要复杂的功能机制即可发现系统输入和输出之间的关系。在这里，应用人工神经网络来分析室外光照与室内自然光照度之间的关系。影响室内自然光照度的因素有很多，一般而言，较高的室外自然光照度可以提供丰富的自然光源，从而提高室内工作面上的照度。此外，调节玻璃的透光度可以实现改变进入室内的自然光照度，从而防止眩光的产生。重要的是，从昼夜规律的角度来看，太阳东升西落，在12：00—13：30之间达到最大日照点，这是太阳运转的独特属性。建立人工神经模型的目的是在考虑尽可能多特征的情况下，预测室内自然光照度。因此也将它们视为评估室内自然光照度的评价指标。

为了训练一个好的人工神经网络模型，数据收集是一个重要的问题。在研究中利用Dialux软件，在晴天、阴天、晴天有云等天气里对室外自然光照度和室内自然光照度进行收集。为了消除不同数据量纲差异并提高收敛效率，预先根据公式（2）标准化原始输入数据，以确保所有特征均在[0，1]范围内。

1.2 训练过程中的Levenberg-Marquart反向传播算法

在Matlab 2016a环境中模拟了基于室外自然光照度的人工神经网络模型。人工神经网络模型的高预测能力取决于网络的结构和优化的算法过程。它由三层组成：一个输入层包含4个神经元、一个输出层包含3个神经元和一个隐含层包含12个神经元。数据集通过交叉验证技术随机分为两部分。90%的整体数据用作训练数据以更新学习模型的结构属性关系的模型。然后，通过剩余的验证集（占总数据的10%）对经过训练的网络进行评估。通过调整权重，输入信息被传递到隐含层中以增加或减少每个神经元，并进一步转换到下一个隐含层或输出层。在传输过程中，非线性激活函数在未来的预测中起着重要的作用。本文隐含层选择tanh函数，如下：

2 案例研究

本文以郑州市为例（东经113.65°，北纬34.72°），搭建Dialix模型，玻璃的透光度可以调节，透光度分为50%，60%，70%，80%。选取窗户上2个定点的水平照度和垂直照度作为输入，将室内的工作平面上定点的水平照度作为输出（选取2个点），数据采集时间为2019年10月1日—2019年11月30日，每天从8：00对室外自然光照度和室内自然光照度进行采集，一共采集400组数据。因为网络的输入为2个定点的水平照度和垂直照度，所以第一层神经元数为4，隐含层数为12，输出层有3个结果（输出层有3个结果，2个室内点的照度值和玻璃的透光度），神经元数定为3，其三层神经元为4-12-3结构。按照上述要求，仿真后所得的预测结果如图2～图4所示。

对图2～图4所示的数据进行分析可得：输出1的R2=0.82，输出2的R2=0.85，输出3的R2=0.94，表明所取得的预测结果较好，当R2的值越接近1，表明其预测结果越好。从3个输出的R2对比可得，输出3的预测效果更好，输出1，2相对来说预测效果较差。

3 结 语

本文运用人工神经网络算法完成对室内自然光照度的预测，通过仿真验证可知该方法具有较高的准确性。但是人工神经网络训练速度较慢，且容易陷入局部最小值。在接下来的研究中，应该不断地优化算法来提升预测的准确性和收敛速度;同时，应把室内工作平面距离窗户的距离以及顶棚的高度对室内自然光照度的影响考虑在内，不断地优化预测模型。

参考文献

[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，許锦标，谷刚，等.建筑智能化系统[M]. 2版.北京：清华大学出版社，2017.

[4]孙友明，沈晓明，覃善华，等.基于两级定位跟踪的自然光导光照明装置设计[J].科学技术与工程，2017，17（17）：72-77.

[5]段春丽，黄仕元，于兰，等.建筑电气[M].2版.北京：机械工业出版社，2016.

[6]王金光.智能照明控制策略的研究与仿真[D].上海：同济大学，2008.

[7]朱俊丞，杨之乐，郭媛君，等.深度学习在电力负荷预测中的应用综述[J].郑州大学学报（工学版），2019，40（5）：13-22.

[8]刘蕾.基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D].上海：上海师范大学，2019.

[9]黄志辉.基于卷积神经网络的量化选股模型研究[D].杭州：浙江大学，2019.

[10]冯冬青，刘丹丹.室内智能舒适照明控制策略研究[J].郑州大学学报（理学版），2015，47（3）：99-104.