王崇 李雯雯 張露 孫彥璽 廖勇

摘 要：針對室外自然光與室內工作面照度之間具有高度的非線性關系，難以建立精確數(shù)學模型的問題，故文中建立人工神經(jīng)網(wǎng)絡模型，以預測室內的自然光照度。研究結果表明，人工神經(jīng)網(wǎng)絡算法可以較好地反映室外自然光與室內工作表面自然光照度之間的非線性關系，模型的可靠性和有效性得以驗證。

關鍵詞：人工神經(jīng)網(wǎng)絡;室內自然光;照度預測;非線性關系;數(shù)學模型;仿真實驗

中圖分類號：TP391文獻標識碼：A文章編號：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人員的視覺舒適度，并減少建筑物的能耗。然而，在實際應用中，如果有很多地方需要保持恒定的照度，則需要放置多個照度傳感器，不僅布線復雜，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。為了測量房間中當前特定點的自然光照度水平，以確定應提供多少人工照明，就必須關閉房間中的所有人工照明，從而測量自然光進入房間的照度。然而，這在實際應用中是不合理的[1-5]。

目前的研究中對于進入室內的自然光主要采用兩種控制方式：窗簾控制和百葉控制。目的都是當室外光線強烈時減小進入室內的自然光，減小室內光環(huán)境的眩光度。當室外光線較強時，關閉窗簾會阻擋光線進入室內，但是也會造成自然光的完全浪費。百葉窗可以控制百葉的開啟角度，使得部分光照可以進入室內，相比完全關閉窗簾更加多地利用了自然光。然而，調光玻璃的出現(xiàn)給解決進入室內的自然光照度過強的問題提供了一個新的思路。可以通過調節(jié)調光玻璃的透光度，減小進入室內的光照強度，從而最大程度地利用自然光。

室外自然光照度與室內工作表面照度之間存在高度非線性關系，建立高精度數(shù)學模型是非常困難的。神經(jīng)網(wǎng)絡的自學習、自適應和非線性處理功能強大，可以映射復雜的非線性關系。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)絡模型對室內自然光照度進行預測，并通過模擬學習，可以更準確地預測室內自然光[6-10]。

1 人工神經(jīng)網(wǎng)絡（ANN）模型

人工神經(jīng)網(wǎng)絡是一種有效的機器學習回歸模型，適用于大數(shù)據(jù)處理。人工神經(jīng)網(wǎng)絡實質上是模仿人類的神經(jīng)系統(tǒng)，其模型結構分為一個輸入層，一個或多個隱含層和一個輸出層。首先，對所有變量進行加權和求和，如下：

1.1 特征選擇和數(shù)據(jù)歸一化

人工神經(jīng)網(wǎng)絡不需要復雜的功能機制即可發(fā)現(xiàn)系統(tǒng)輸入和輸出之間的關系。在這里，應用人工神經(jīng)網(wǎng)絡來分析室外光照與室內自然光照度之間的關系。影響室內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，從而提高室內工作面上的照度。此外，調節(jié)玻璃的透光度可以實現(xiàn)改變進入室內的自然光照度，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之間達到最大日照點，這是太陽運轉的獨特屬性。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，預測室內自然光照度。因此也將它們視為評估室內自然光照度的評價指標。

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

1.2 訓練過程中的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)絡模型。人工神經(jīng)網(wǎng)絡模型的高預測能力取決于網(wǎng)絡的結構和優(yōu)化的算法過程。它由三層組成：一個輸入層包含4個神經(jīng)元、一個輸出層包含3個神經(jīng)元和一個隱含層包含12個神經(jīng)元。數(shù)據(jù)集通過交叉驗證技術隨機分為兩部分。90%的整體數(shù)據(jù)用作訓練數(shù)據(jù)以更新學習模型的結構屬性關系的模型。然后，通過剩余的驗證集（占總數(shù)據(jù)的10%）對經(jīng)過訓練的網(wǎng)絡進行評估。通過調整權重，輸入信息被傳遞到隱含層中以增加或減少每個神經(jīng)元，并進一步轉換到下一個隱含層或輸出層。在傳輸過程中，非線性激活函數(shù)在未來的預測中起著重要的作用。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節(jié)，透光度分為50%，60%，70%，80%。選取窗戶上2個定點的水平照度和垂直照度作為輸入，將室內的工作平面上定點的水平照度作為輸出（選取2個點），數(shù)據(jù)采集時間為2019年10月1日—2019年11月30日，每天從8：00對室外自然光照度和室內自然光照度進行采集，一共采集400組數(shù)據(jù)。因為網(wǎng)絡的輸入為2個定點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個結果（輸出層有3個結果，2個室內點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結構。按照上述要求，仿真后所得的預測結果如圖2～圖4所示。

對圖2～圖4所示的數(shù)據(jù)進行分析可得：輸出1的R2=0.82，輸出2的R2=0.85，輸出3的R2=0.94，表明所取得的預測結果較好，當R2的值越接近1，表明其預測結果越好。從3個輸出的R2對比可得，輸出3的預測效果更好，輸出1，2相對來說預測效果較差。

3 結 語

本文運用人工神經(jīng)網(wǎng)絡算法完成對室內自然光照度的預測，通過仿真驗證可知該方法具有較高的準確性。但是人工神經(jīng)網(wǎng)絡訓練速度較慢，且容易陷入局部最小值。在接下來的研究中，應該不斷地優(yōu)化算法來提升預測的準確性和收斂速度;同時，應把室內工作平面距離窗戶的距離以及頂棚的高度對室內自然光照度的影響考慮在內，不斷地優(yōu)化預測模型。

參考文獻

[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，谷剛，等.建筑智能化系統(tǒng)[M]. 2版.北京：清華大學出版社，2017.

[4]孫友明，沈曉明，覃善華，等.基于兩級定位跟蹤的自然光導光照明裝置設計[J].科學技術與工程，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：同濟大學，2008.

[7]朱俊丞，楊之樂，郭媛君，等.深度學習在電力負荷預測中的應用綜述[J].鄭州大學學報（工學版），2019，40（5）：13-22.

[8]劉蕾.基于Tensorflow的循環(huán)神經(jīng)網(wǎng)絡模型在上海市空氣質量預測中的應用[D].上海：上海師范大學，2019.

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

[10]馮冬青，劉丹丹.室內智能舒適照明控制策略研究[J].鄭州大學學報（理學版），2015，47（3）：99-104.