英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于ANN-IMC的个性化照明控制和采光智能照明系统
摘 要
照明对办公建筑的总能耗有很大的影响。因此，降低照明系统的能耗是非常重要的，特别是在零能耗网络建筑物(NZEB)中。最大限度的日光采集可以有效地提高节能水平。随着满足居住者视觉舒适性偏好的需求增加，对办公空间个性化照明的需求也在不断增加。本文提出了一种新型的零能耗建筑照明控制系统(NZEB)，该系统采用人工神经网络对照明系统进行建模。 利用该模型并结合内模控制(IMC)原理进行控制器设计。利用人工神经网络对照明系统进行建模，可以减少在不需要分析大量数据集的情况下对具有内在过程变异性的大型复杂系统进行建模的挑战。他提出的人工神经网络IMC控制器利用任务表上传感器的反馈来保持所需的照度，只需一个参数就可以很容易地调节，并且对过程的变化具有鲁棒性。他所提出的控制设计适用于照明数量和传感器数量相等的方形系统。然而，所提出的体系结构也可以用于控制其他照明配件，如滚筒百叶窗。利用模拟结果和试验台环境下的实验装置，对所提出的采光控制系统在采光效果上的性能进行了说明。拟议系统的多功能性将允许运营商在办公空间部署个性化照明。
关键字:智能照明;个性化照明设置;日光采集;自动卷帘; ANN-IMC闭环控制
1.引文
随着能源消费在世界各地的增长，包括新加坡在内的许多国家已经开始实施各种绿色建筑理念，以实现可持续增长。例如，新加坡宏伟的目标“可持续发展部际委员会”计划到2030年实现所有建筑物80%的绿色标志认证[1]。人工照明在总体办公大楼的能耗上占29%[2]。在新加坡，绿色标志认证包括“使用更高效的照明，在保持适当照明水平的同时尽量减少照明能耗”和“使用日光照明和眩光模拟分析，以验证所有正常使用区域的环境照明水平是否适当”。包括现场可再生能源在内的净零能源建筑（NZEB）也成为新加坡可持续增长的一部分[3]。新加坡建筑和建设管理局采取了各种措施来降低照明系统的能耗（以及整体能耗）。与交流配电系统相比，低功率LED灯的引入和低压直流配电系统的使用增加了更高的节能潜力，因为系统水平的效率更高[4]。除此之外，还可以通过发生探测和采光来实现节能[5]。此外，为了增加乘客的舒适度，需要个性化照明也变得至关重要[6]。
本文提出了一种闭环智能照明控制方案，它既能满足居住者的个性化照明水平，又能同时采光，降低能耗。照明控制系统设计采用基于人工神经网络的内部模型控制器（ANN-IMC），通过设置在桌面上的传感器的反馈以及通过操纵天花板灯和自动卷帘来控制照明度。尽管有人工神经网络的优点，但是在文献中还没有任何一种使用人工神经网络进行智能照明的闭环系统的报道. 基于人工神经网络的闭环照明控制的实现将消除作者在参考文献中提出的追问[7]。提议的控制器是在新加坡伯克利教育研究联盟）熊市辛伯贝斯特实验室的试验台环境中实现的。该实现的实验结果（见第5节）有效地证明了该控制器在采光时的性能。尽管桌上传感器的位置发生了适度的变化，但建议的控制器仍将照度水平保持在设定点。 本文的主要贡献是提出了一种新型的ANN-IMC控制器，它可以在采光的办公空间中实现动态个性化照明，一种用于控制灯具和其他辅助设备（如百叶窗）的统一结构。
2.相关工作
在办公空间中使用人工智能进行照明预测和照明控制至少已有20年历史[8]。简单、通用和适应变化的能力有助于这些系统保持可用性。参考文献[9]中的作者使用了基于人工神经网络的智能照明控制。作者指出，该算法不能应用于有限制其应用于办公空间的冲突行为的居民。在参考文献[10]中，作者提出了一种基于满足每个办公室用户在桌子上的照明偏好的人工神经网络。 该方法还将分布式照明系统的总能耗降到最低。 所提出的模型具有整体性和可扩展性，并且表示了每个灯具的强度和每个桌子上测量的照度之间的复杂交互作用。然而，作者没有将日光相互作用和采光纳入研究范围.根据参考文献[11]中进行的文献调查，发现建筑居住者更喜欢自然光而不是人造光，而且日光可以提高居住者的生产力。因此，在任何照明控制系统中考虑采光是很重要的. 参考文献[7]中的作者提出了一种基于人工神经网络的无传感器控制策略，但由于不涉及闭环控制，因此不包括采光. 此外，在参考文献中，所有任务表的期望照度（lux）被认为是一致的。参考文献[10][7]表示用户偏好未被考虑。
参考文献[12]的作者开发了一个ANN模型来表示具有不同灯具的房间中的亮度分布，以估计照明系统中随时间变化的能量损失。参考文献[13]对最先进的照明控制策略，即照明平衡算法、日光和占用自适应照明、多色照明的光谱优化和光谱可调LED的分级优化进行了实验研究。作者认为，每种方法都有其自身的优缺点，选择一种方法应取决于控制问题和应用。作者提出了一种决策树，将特定的应用程序与适当的算法相匹配。值得注意的是，本文提出的方法属于光照和偶然自适应照明的范畴。人工智能的应用不是仅限于办公空间，也用于公共照明[14]。 参考文献[15]中提出了一种考虑采光和照明舒适性模糊逻辑控制器。给出了工作台上各种期望照度（lux）水平及其相应节能的模拟和实验结果。结果表明, 随着视觉舒适性要求较低的住户数量的增加, 节能潜力也在增加。在这种方法中，日光贡献是根据预先测量的值得到的，这在许多情况下会使控制不准确。
此外，实现需要对模糊规则有详细的了解。在参考文献[16]，作者提出了一项关于在这个空间中控制工序的资源的资源算法，并对方法进行了一次尺度的模型评估。该算法基于生物启发的元启发式方法。但是，在评估中不考虑日光的影响。参考文献[17]提出了一种基于智能手机的智能家居照明控制，作者使用标准的PI控制器来完成这项任务。由于不同的灯具和目标台传感器之间的复杂相互作用，上述方法不能扩展到干扰空间照明。上述方法的缺点已在参考文献[18]和[19]中得到解决。然而，作者没有在相邻住户具有不同的期望设置的情况下验证该方法。参考文献[20][21]，作者详细调查了以居住者为中心的照明控制的居住者行为和偏好，以确保舒适性和能源效率。作者强调了建立自适应照明控制模型的必要性。该方法主要集中于开、关控制，而不是调光控制，这将大大提高算法的鲁棒性和性能。
在参考文献[22]中，对回答基于个人占用的照明控制的主要研究问题进行了审查。研究人员声称，根据各种因素，只有24项研究是合格的。其中，只有一个应用了开放式办公室的方法策划（提议的方法也在开放式办公室类型的试验台上开发和测试）。 综述中提出的其他研究集中在个性化照明方面。参考文献[23]中的作者论证了为个人偏好提供照明的必要性，他们认为“通过提供接近人们自己偏好的照明，可以显著提高情绪、照明满意度和环境满意度。在参考文献[23]中，从一项实验研究中观察到共识控制提高了开放办公室中办公照明的用户应用精度。参考文献[24]还强调，针对个性化环境的优化系统是改善健康和福祉的必要条件。为了使居住者能够在不影响邻居的情况下接收接近自己喜好的照明，需要一个传感器/灯。
在参考文献[25] 中, 作者采用了具有优化生成调光信号的 LED 亮度发生器模型, 实现了办公空间的个性化照明。然而，上述研究并未考虑日光的影响。参考文献[26]讨论了基于空间模型和空间模型查询的理论个性化照明控制。[27]的作者提出了一种基于满意度的Q学习控制系统，以提高传统自动照明系统的性能。提出了一种舒适性模型，采用以人为中心的方法研究了灯光和百叶窗的整体控制。该算法可以为基于Q因子的人类偏好提供有价值的洞察。参考文献[28]提出了一种基于Lu-Minaire的室内照明智能控制传感方法。提出了一种线性映射方法和独立的PI控制器，用以控制工作台上的期望照度（lux）。
基于亮度的占用率检测和计数 [29] 越来越流行, 因为该方法具有明显的优势, 外部噪声的干扰最小, 可以收获日光没有任何限制。通过用户反馈系统调整所需的设定值, 甚至可以克服灯具退化的影响。在参考文献[30]中，作者使用基于无线传感器网络的照明系统来实现个性化照明。然而，上述方法没有用日光设置进行评估，也没有考虑基于所用模型的百叶窗控制。在参考文献[31]和[32]中对基于分布式控制器和集中式控制器的REFS中的个性化照明控制进行了综合分析。参考文献[32]中的作者提出了一种分布式照明控制系统，该系统考虑了日光和占用率。
作者对该控制系统进行了稳定性分析。然而，这些方法并没有得到实验验证，也没有讨论其在盲板控制中的应用。参考文献[33]中提到，用户满意度随着带有表达界面的自动盲板系统的实际使用而提高。据观察，具有用户反馈的媒介自动化更令人满意。参考文献[34]对“采光和遮阳系统的动态运行”进行了全面的回顾，并在参考文献[35][36]中对不同类型的遮阳装置和用于分析（模拟或实验或两者）的研究类型进行了全面的回顾。可以看出，本文所讨论的关于个性化照明和百叶窗自动控制的研究都没有。
有许多有效的采光方法，如将自然光重新定向到比周边更深的房间区域[37–41]。将有效的日光转换到建筑物的核心可以增加照明节能，但也可以增加冷却负荷，如参考文献[38]中所述。使用这类技术的决定将取决于总体能源减少战略。所提议的控制系统可以与百叶窗技术结合使用，百叶窗技术可以在不需要任何修改的情况下有效地将室内阳光重新定向。参考文献[42]中的作者详细介绍了控制遮光板、百叶窗和一体化照明系统的开环控制策略。作者表明，可用的方法取决于外部光传感器/摄像机的控制策略。参考文献[43]中的作者详细分析了为什么照明系统的日光关联控制没有广泛传播的原因。其中一个主要原因是室外光电传感器的设计、安装和校准困难。对于本文提出的方法，不需要外部光传感器/摄像机的输入，只需室内传感器即可工作。
在本文中，一个综合模型可以同时满足提出了实现个性化灯光设置以及采光和百叶窗控制。此外，与文献中的高精度模拟相比，所提出的技术在试验台（使用实时光模拟器）中得到了验证。与文献中现有方法相比，拟议系统的特点如表1所示。需要注意的是，比较中只包括适用于办公空间的方法。表中表明，该方法可以综合其他方法的优点。
表1 与现有方法比较
|
特征 |
建议方法 |
[10] [7], [15] [16] [25] [27] [28] |
|
采光 分布式灯具的复杂相互作用 适应灯具退化 百叶窗的控制 包括乘客偏好 闭环控制 |
是 是 是 是 是 是 |
否 是 否 否 是 是 是 是 是 是 否 否 是 是 是 否 是 是 否 否 否 否 是 否 否 是 否 否 是 是 否 是 是 否 是 是 |
3.建模与控制器设计
3.1照明系统的神经网络模型
ANN已成功地应用于许多动态系统的识别和控制，其中三个典型的网络是模型预测控制、NARMA-L2控制和模型参考控制[44]。如作者[44,45]所述，基于神经网络的控制分为两个阶段，即系统识别和控制设计。基于人工神经网络的控制的优点是，任何系统动力学中不希望出现的或不确定的部分都可以很容易地取消或补偿，并且具有近似复杂系统的特殊能力[46]。
一个基于神经网络的定位模型，由一个输入层组成，隐藏层和输出层（前馈网络）可用于任何ntimes;n照明系统的行为建模，其中n个灯和n个任务表。应用中采用前馈网络，网络设计具有隐神经的乙状结肠激活功能和输出神经元的线性激活功能。这是一个标准网络，它能够任意地很好地解决多维映射问题。然而，数据的一致性和隐藏层中的有效神经元起着至关重要的作用[7]。本文采用贝叶斯正则化反传播算法对网络进行训练。
“配电系统”的方程给出，
(1)
(2)
式中，为尺寸n（减去环境或日光贡献）的测量照度矢量，U为尺寸n的灯具功率矢量，为隐藏层（尺寸h）的输出，为隐藏神经元（尺寸）的权重，为其相应的偏差（尺寸h）。是一个矩阵，其中“h”带有相应的偏差（尺寸n）
方程式（1）和（2）一起表示为，
(3)
其中，静态非线性函数表示照明系统的输入输出行为.
控制器设计采用逆模型（输入输出互换），其方程如下：
(4)
(5)
式中，，是htimes;n的矩阵， 是相应的偏差
方程式(4)和(5)一起表示为，
(6)
式中，在非线性静态功能捕捉倒株的行为。
网络的结构及其相应的输入输出如图1所示。开发和的训练数据是从试验台上的实验测量中获得的 (见第4节)。训练数据包括照度（lux）在有灯光功率设置的桌子上测量的水平从0%到100%不等，步幅为5%。为培训收集数据神
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[444496]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
