基于BIM技术的变电站室内照明系统照度测算方法

王紫雷， 王梦薇， 刘鑫， 单婵， 郭斌彬

(国网上海市电力公司经济技术研究院， 上海 200002)

0 引言

变电站中的操作房间往往是无窗的，为了保证相关工作人员在操作时不会出现错误，需要保证变电站中房间照度符合相关要求[1-3]，所以需要进行室内照明系统的照度测算，而对照度测算的研究近年才起步[4]。早期国外对照度测算的方法均为单位容量法与系数法，利用这两种方法获得大致估算的照度数值，但是这种方法缺乏智能性。我国的研究虽然起步较晚，但由于相关领域较为发达，我国研究者研究出了利用光电探测器建立起的照明测试系统，可以将操作房间中关键工作台的照度进行测算，但无法实现对房间整体照度的测算[5-6]。而BIM利用多种建筑学信息软件对建筑内部和外部进行模拟，同时也可以利用该技术建立光环境模型，进一步地对室内光照情况进行模拟，在此基础上进行变电站室内照明系统照度测算，以此进一步提升变电站建设质量。

1 变电站室内照明系统照度测算

1.1 基于BIM技术的室内光环境模拟

BIM技术可以通过三维形式对建筑结构进行模拟，从而解决复杂工程问题[7]。在本文中，利用BIM技术模拟光环境，进而对室内光环境的相关参数进行确定，其中选择BIM技术中的Revit系列软件作为光环境模拟的技术核心，室内光环境模拟过程如图1所示。

在进行变电站室内光环境模拟前，需要对场地还原，利用模拟场地实现参数驱动。而对变电站室内光照参数导入则需要依靠灯具光谱对照明范围进行分层处理，将照明范围

分为3个区域[8-9]，即光照直射区、光照有效区以及光照影响区，如图2所示。

图2 光照模拟图

通过对场地以及光照的还原并将相关参数导入BIM平台软件中，获得变电站室内所测区域的光环境[10]。

1.2 光照测量接收模型

在对变电站室内照度测量过程中，需要利用光探测器接收光度，通过物理光度接收设备可以正确地给出其测量值，但在实际测量时，由于光源尺寸和光源表面距离较小，容易造成点光源的接收效果不佳[11-12]。因此，本文运用距离平方反比定律来构建光源测量模型，由于上文运用了BIM技术完成了变电站室内光环境的模拟，可以据此确定点光源的发光强度，这里将该点光源的发光强度设为I，同时在距离点光源的l位置设有一个与点光源光线方向垂直的面元dA，则存在：

dΦ=I·dΩ=IdA/l2

(1)

式中，dΦ代表面元dA下点光源的张角，dΩ则代表面元dA下点光源的立体角，则得到单一点光源的照度[13]为

E=I/l2

(2)

但当接收到的光线是非垂直光线时，设受光面的法线和照射光线之间的夹角为θ，则照度可以表示为

E=Icosθ/l2

(3)

而在上述公式中，仅能对变电站室内单一点光源的照度进行测算[14]，无法对室内的整体照度进行测算，因此需要进一步的运算，以获取整体照度。

1.3 基于神经网络的照度测算

(4)

本文采用神经网络中的后向传播学习运算，当学习样本输入后，神经网络需要沿着网络权值以及阈值函数式向着负梯度方向修正，函数式如式(5)：

xk+1=xk-αkgk

(5)

(6)

计算误差函数对输出层权值的导数，结果表示为

(7)

针对上述所产生的误差函数导数，可对隐层的权重更新过程进一步推断，更新方程为

(8)

利用式(8)对隐层权重值进行更新，即可通过设置合理的权重值来降低神经网络的误差值。在进行照度测算过程中，利用上文中的光照测量模型，获得单个点光源的数据输入至神经网络中，将样本输入后，计算神经网络中间各层单元的输入sj，并利用sj的传递函数来计算中间层单元的输出bj。计算完成后，对中间层中的输出bj、连接权值wij和阈值θij进行计算，获取各层单元内的输出lj，同时利用传递函数来计算神经网络输出层中单元节点的响应值ct，在得出ct后利用神经网络的目标期望值以及实际输出值通过式(6)以及式(7)计算出神经网络误差，并应用式(8)进行权重调整。选择下一个输入样本，直到所有输入样本完成训练，在神经元运算中，通过误差对比来确定隐层神经元的个数，并根据神经网络综合所有输入值测算出变电站室内照明系统的整体照度。

2 实验论证分析

为了验证本文所设计的基于BIM技术的变电站室内照明系统照度测算方法能够满足设计需求，在某变电站中选择一个无窗操作房间，该房间的长12 m，宽7 m，高3.5 m，所需照度需要达到250 lx，利用本文方法来确认该房间中室内照明系统的照度是否满足需求。

2.1 实验场景参数

采集变电站房间内影响照度的相关参数，将这些参数作为实验样本，实验样本值如表1所示。

表1 实验样本值

由于采集到的样本参数不同，本文在进行运算中选择其平均值，灯具效率为0.83，灯具高度为3.5 m，天花板反射比为0.375，地板反射比为0.225，墙面反射比为0.45，房间面积为84 m2，荧光灯光通量为2 451 lm。

2.2 实验运算设备

在实验过程中，使用PC主机来搭载神经网络以及BIM相关平台和软件，PC主机硬件配置如下：主板型号为华南H61、显卡型号为GTX 1050 Ti 4GV1、显存容量为4 GB、位宽128 bit、硬盘型号为WD 1TB、硬盘容量为1TB、内存型号为HX424C15FB/8、内存容量8 GB。

2.3 实验测算方法训练

本文主要利用神经网络进行变电站室内照明系统照度测算，在确认相关输入参数后，需要先对神经网络进行训练，首先通过训练来确定神经网络中的隐层神经元个数，神经网络训练过程中的神经元误差如下。

表2 神经网络训练过程中的神经元误差

在训练过程中，当神经元数量达到12后训练时间过高，而当神经元个数为9时，最大误差和最小误差的值最小，同时训练时间在要求范围内，因此本次实验中神经元网络中的隐藏层神经元数量为9。确定神经元个数后，即可将通过BIM技术以及光照测量接收模型所获取的参数作为输入样本进行训练，考虑到不同训练函数对神经网络的性能存在一定影响，因此采用不同训练函数进行训练，本文采用traingdx对网络进行训练得出的结果如图3所示。

图3 采用traingdx函数训练神经网络的结果

分析图3可知，采用traingdx函数训练神经网络的误差为[-0.004 3 0.051 7; -0.078 -0.014 6; -0.042 7 -0.016 2; -0.041 2 0.012 7; -0.027 1 -0.015 8]，在运用traingdx函数进行训练后，采用traingdm对神经网络进行进一步的训练，训练结果如图4所示。

图4 traingdm函数对神经网络的二次训练结果

分析图4可知，此时神经网络误差为[0.019 7 0.024 6; 0.007 4 0.031 8; 0.014 1 0.012 6; -0.014 1 -0.016 1; -0.031 1 -0.048 7]符合误差要求。在完成训练后，将所有参数输入神经网络，并测算变电站室内照明系统的照度，计算过程中部分程序如图5所示。

图5 测算过程部分程序

在图5程序中，最终得出Y1=[12 0.265]，代表在灯具数量为12的情况下该房间的整体照度值为265 lx，而265 lx>250 lx证明该房间中的室内照明系统照度满足该变电站操作房间的照度要求。同时实验也证实本文方法可以对房间整体照度进行测算，满足设计要求。

3 总结

本文主要通过BIM技术进行变电站室内光环境模拟，同时利用神经网络完成对室内照明系统的照度测算方法的设计，最后通过实验也证明了本文所设计方法的可行性。但本文所使用的神经网络训练样本较少，可能会造成照度测算结果存在一定的误差，因此需要在后续的研究中增加样本数量或测量参数，也可以通过三维坐标来确定布置位置，并进行智能的灯具布置设计，这些都是未来研究的主要方向。