本发明涉及智能建筑照明技术领域，具体涉及一种基于反向传播神经网络和径向基函数神经网络组合的室内照明控制方法及系统。
背景技术：
城市化建设的极速增长造成大量公共建筑能耗问题日益突出，其中，照明能耗在建筑能耗中占比较大，为了降低建筑能耗，公共建筑的照明节能已成为建筑节能的重要组成部分。
随着人们对照明舒适度要求的提升，传统照明控制系统开发向智能照明控制系统开发过渡。其中部分智能照明控制系统通过考虑人员分布来控制照明，使得照明控制系统更加节能，更加人性化。有研究表明根据房间内是否有人来控制照明开关，可节省照明用电的24％。对于商业楼宇，在无人区域内，仍进行照明，将造成不必要的能源浪费。一种基于人员位置变化的动态照明控制策略，通过建立人员运动轨迹公式，来控制照明灯具的开关状态，满足人员基本照明需求来控制区域照明。通过引入马尔科夫传递矩阵来描述员工的位置变化，基于人员分布进行局部照明，在满足人员的照明需求同时优化照明灯具的组合。根据人员分布进行针对性照明可有效提高已开启灯具的照明效率。
此外，通过考虑照明控制系统中自然光的光照影响，对提高照明系统的节能效果，改善室内光环境和满足视觉舒适度具有重要意义。因此，在智能照明策略的设计中考虑照明的节能和舒适度以及自然光和人工照明的综合利用成为智能照明领域的另一个热点话题。利用实测的室内日光照明数据，在阳光天气条件下，通过模糊逻辑控制器控制照明。如果天气发生变化，研究人员需要重新测量数据，可以看出仅基于数据测量的室内光环境建模较复杂，而室内光环境建模分析是实现照明控制的前提。利用cie给出的天空亮度计算公式，引入光照机理建立了公共区域的自然光和人工光混合照明模型。此模型存在计算参数多、灵活性低等问题。
在不了解灯具的照度、日光的照度和人们所处位置的照度之间的关系的情况下，室内光环境模型就像一个“黑盒子”。由于室内光环境模型各变量之间的非线性和多元特性，使建模变得非常困难。
近年来，人工神经网络(anns)已成功应用于建筑照明光环境的建模和预测，这些网络可以学习输入变量和输出变量之间的关系，而不需要详细了解系统的内部依赖性。dudzik等人引入了一种两层前馈神经网络对室内光环境进行识别和建模。利用anns构建的室内光环境模型，通过一次数据采集，可以训练出相应房间内各变量之间的映射关系。同时，anns的输入参数和输出参数的确定也成为训练出高效的室内光环境模型的关键。此外，仅使用一个神经网络的模型容易出现不稳定性。
技术实现要素：
本发明的目的在于提供一种照度预测精度高、稳定性好，综合利用日光、人工照明和人员分布来搜索最优照明组合控制灯具开关，降低照明能耗和满足人员最低照明需求的室内照明控制方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
第一方面，本发明提供一种室内照明控制方法，包括：
对室内人员分布进行聚类划分，得到室内人员聚类子区域；
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
根据最优照明组合，控制室内灯具的开关状态。
优选的，对室内人员分布进行聚类划分，得到室内人员聚类子区域包括：采用ms聚类分析算法将室内分散的人员划分成多个相对密集的人员聚类子区域，并获取每个人员聚类子区域的聚类中心。
优选的，基于反向传播神经网络和径向基函数神经网络构建室内光环境模型包括：
确定反向传播神经网络和径向基函数神经网络的最优组合参数；
根据最优组合参数，构建每个窗户与室内所有人员位置点的映射关系，形成室内日光模型；
根据最优组合参数，构建每个灯具与室内所有人员位置点的映射关系，形成室内灯光模型。
优选的，确定反向传播神经网络和径向基函数神经网络的最优组合参数包括：
采集室内人员位置点处的实际照度值，分为训练样本和验证样本；
利用训练样本分别训练反向传播神经网络和径向基函数神经网络；
利用训练好的反向传播神经网络和径向基函数神经网络，分别对每组验证样本进行估计，分别计算反向传播神经网络和径向基函数神经网络分别对每组验证样本估计值的绝对差值；
若绝对差值小于等于预设的最大差值，则采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
优选的，若绝对差值大于预设的最大差值，则：
仿真计算验证样本对应的实际输出值；
当实际输出值在反向传播神经网络对验证样本的绝对误差和径向基函数神经网络对验证样本的绝对误差的范围内时，采用基于平均绝对误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
优选的，采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重包括：
在验证阶段，根据平均绝对百分比误差分别计算反向传播神经网络和径向基函数神经网络的方差；
根据反向传播神经网络的方差计算反向传播神经网络的组合权重，根据径向基函数神经网络的方差计算径向基函数神经网络的组合权重。
优选的，根据光照机理，确定室内日光模型的输入参数，包括：室内某一窗户内侧面的平均照度、该窗户内侧面某一点的坐标、该窗户的长度、该窗户的宽度以及室内人员位置坐标；将窗户在所述室内人员位置坐标点上的照度值作为室内日光模型的输出参数；
根据光照机理，确定室内灯光模型的输入参数，包括：室内某一灯具的实际光通量、该灯具的坐标、该灯具相对于室内地面的高度、室内人员位置坐标，将灯具在所述室内人员位置坐标点上的照度值作为室内灯光模型的输出参数。
第二方面，本发明提供一种室内照明控制系统，包括：
聚类模块，用于对室内人员分布进行聚类划分，得到室内人员聚类子区域；
构建模块，用于基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
确定模块，根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
搜索模块，用于在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
控制模块，用于根据最优照明组合，控制室内灯具的开关状态。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的室内照明控制方法的指令。
第四方面，本发明提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
本发明有益效果：能够在综合利用日光和灯光以及满足人员照明需求的前提下，打开最少的室内灯具的数量，也可以根据灯具的贡献度顺序寻找灯具的开启顺序，充分发挥已经开启的灯具的功能。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的室内光环境模型框架示意图。
图2为本发明实施例所述的照明搜索算法中优先搜索条件搜索下一个照明对象的示意图。
图3为本发明实施例所述的照明搜索算法流程图。
图4为本发明实施例所述的房间的仿真室内光环境模型。
图5为本发明实施例所述的室内光环境模型的验证对比图。
图6为本发明实施例所述的ms算法和dbscan算法的人员分布聚类效果图。
图7为本发明实施例所述的模拟多个时刻的室内人员分布图。
图8为本发明实施例所述的基于不同照明策略的多个时刻对应的开灯数量图。
图9为本发明实施例所述的在8点这一时刻的人员分布情况下基于灯具划分的照明决策策略和基于人员分布的智能照明决策策略分别产生的总照度值对比图。
图10为本发明实施例所述的某一时刻人员分布对应的最优照明组合和灯具的优先开启顺序图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种室内照明控制系统，包括：
聚类模块，用于对室内人员分布进行聚类划分，得到室内人员聚类子区域；
构建模块，用于基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
确定模块，根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
搜索模块，用于在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
控制模块，用于根据最优照明组合，控制室内灯具的开关状态。
在本实施例1中，利用上述的室内照明控制系统，实现了一种室内照明控制方法，该方法包括：
对室内人员分布进行聚类划分，得到室内人员聚类子区域；
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
根据最优照明组合，控制室内灯具的开关状态。
对室内人员分布进行聚类划分，得到室内人员聚类子区域包括：采用ms聚类分析算法将室内分散的人员划分成多个相对密集的人员聚类子区域，并获取每个人员聚类子区域的聚类中心。
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型包括：
确定反向传播神经网络和径向基函数神经网络的最优组合参数；
根据最优组合参数，构建每个窗户与室内所有人员位置点的映射关系，形成室内日光模型；
根据最优组合参数，构建每个灯具与室内所有人员位置点的映射关系，形成室内灯光模型。
确定反向传播神经网络和径向基函数神经网络的最优组合参数包括：
采集室内人员位置点处的实际照度值，分为训练样本和验证样本；
利用训练样本分别训练反向传播神经网络和径向基函数神经网络；
利用训练好的反向传播神经网络和径向基函数神经网络，分别对每组验证样本进行估计，分别计算反向传播神经网络和径向基函数神经网络分别对每组验证样本估计值的绝对差值；
若绝对差值小于等于预设的最大差值，则采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
若绝对差值大于预设的最大差值，则：
仿真计算验证样本对应的实际输出值；
当实际输出值在反向传播神经网络对验证样本的绝对误差和径向基函数神经网络对验证样本的绝对误差的范围内时，采用基于平均绝对误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重包括：
在验证阶段，根据平均绝对百分比误差分别计算反向传播神经网络和径向基函数神经网络的方差；
根据反向传播神经网络的方差计算反向传播神经网络的组合权重，根据径向基函数神经网络的方差计算径向基函数神经网络的组合权重。
根据光照机理，确定室内日光模型的输入参数，包括：室内某一窗户内侧面的平均照度、该窗户内侧面某一点的坐标、该窗户的长度、该窗户的宽度以及室内人员位置坐标；将窗户在所述室内人员位置坐标点上的照度值作为室内日光模型的输出参数；
根据光照机理，确定室内灯光模型的输入参数，包括：室内某一灯具的实际光通量、该灯具的坐标、该灯具相对于室内地面的高度、室内人员位置坐标，将灯具在所述室内人员位置坐标点上的照度值作为室内灯光模型的输出参数。
实施例2
本实施例2提供了一种用于预测的多神经网络组合方法和基于人员分布的智能照明决策策略；解决照度预测精度不高和稳定性较差的问题以及综合利用日光、人工照明和人员分布来搜索最优照明组合控制灯具的开关，来最大限度的降低照明能耗和满足人员最低照明需求。
本实施例2中，提供了一种用于光照度预测的多神经网络组合方法，包括：
s1：采用反向传播神经网络(bpnn)和径向基函数神经网络(rbfnn)作为组合神经网络的单一神经网络；
s2：采用平均绝对百分比误差(mape)和平均绝对误差(mae)两个预测指标评价bpnn和rbfnn的预测性能，计算出一组最优组合参数；
s3：根据计算得出的最优组合参数来组合两个神经网络的预测结果实现组合预测。
所述s1中，bpnn是一种监督学习神经网络算法，rbfnn是一种以径向基函数为激活函数的三层前馈神经网络。具有反向传播能力的bpnn和具有全局逼近能力的rbfnn适用于解决预测模型的输入和输出参数为非线性映射关系的问题。
所述s2的实现步骤如下：
步骤1：在验证阶段，训练好的bpnn和rbfnn分别对每组验证样本进行估计，并计算两种神经网络分别对每组验证样本估计值的绝对差值
步骤2：根据步骤1中计算的所有
步骤3：
当
(1)在验证阶段，根据mape分别计算两个神经网络的方差。
其中n为两个神经网络的总验证样本个数。δb为bpnn的方差。δr为rbfnn的方差。
(2)根据(1)计算
步骤4：
根据bpnn和rbfnn估计结果的波动情况，对此时的组合参数进行了三种情况的计算。计算过程如下:
(1)仿真计算dialux上n个验证样本对应的实际输出值
(2)当
(3)
步骤5：最优组合参数集合是
所述s3的实现步骤如下：
步骤1：在预测阶段，bpnn和rbfnn分别对每组预测样本进行预测，计算两种神经网络预测值的绝对差值
步骤2：当
vk分别为当ea>emax时三种情况下的组合结果。如果
在本实施例2中，所提出的用于光照度预测的多神经网络组合方法，应用于照度预测问题可提高其预测精度和稳定性，包括：
步骤1：选择mape和mae作为预测评价指标来验证mnn组合方法的性能；
步骤2：将基于mnn组合方法的bpnn-rbfnn与三个单一神经网络bpnn、rbfnn、极限学习机(elm)分别通过108组验证样本(vd)和144组验证样本(vd)对
步骤3：将基于mnn组合方法与传统的组合方法逆方差法、逆均方误差法、简单加权平均法的bpnn-rbfnn分别通过108组验证样本(vd)和144组验证样本(vd)对
在本实施例2中，提供了基于人员分布的智能照明决策策略，包括：
s5：提出采用机理、数据和基于mnn组合方法的bpnn-rbfnn的混合建模方法用于建立室内光环境模型；
s6：采用均值漂移(ms)聚类算法，对室内人员分布进行聚类划分来得到人员聚类子区域并验证该方法在室内人员分布的聚类分析问题上的有效性；
s7：确定优先搜索条件和约束条件，提出照明搜索算法用于搜索最优照明组合；
在本实施例2中，所述s5的实现步骤如下：
步骤1：根据光照机理，室内光环境模型包括室内日光模型和室内灯光模型，某一人员位置点(pi)处的总照度值为日光在此处产生的照度值
步骤2：根据光照机理确定室内日光模型的输入和输出参数，该模型选择七个输入参数，第k个窗户内侧面的平均照度
步骤3：根据光照机理确定室内灯光模型的输入和输出参数，该模型选择六个输入参数，第g个灯具的实际光通量
步骤4：基于mnn组合方法的bpnn-rbfnn构建每个窗口与室内所有人员位置点的映射关系，形成室内日光模型。基于mnn组合方法的bpnn-rbfnn构建每个灯与房间中所有人位置点的映射关系，形成室内灯光模型。根据步骤1的光照机理构建室内光环境模型；
步骤5：通过dialux上仿真的数据训练该房间的室内光环境模型，使其能应用在不同天气和灯光条件下的照度计算。
在本实施例2中，所述s6的实现步骤如下：
步骤1：采用ms算法将室内分散的人员(p＝{p1,...,pi,...,pm})划分成若干个相对密集的人员聚类子区域(c＝{c1,c2,...,ca})并获取每个人员聚类子区域的聚类中心ckc。
步骤2：通过dbscan算法和ms算法对四种不同人员分布的情况进行聚类效果对比，结果表明ms算法更适合对室内人员分布进行聚类分析。
如图2、图3所示，在本实施例2中，所述s7的实现步骤如下：
步骤1：确定优先搜索条件，包括：
(1)根据每个人员聚类子区域内的人数(nck)，从最大到最小搜索下一个目标子区域。
(2)根据每个聚类子区域中的某一个人员(ckj(j≠c,j＝1,2,...,nck))到ckc的距离搜索下一个目标人员(ck1)。
(3)根据未开启照明灯具集合(loff)中的lg与ck1之间的距离，从最近到最远寻找下一个要打开的目标灯具。
(4)根据从ckj(j≠c,j＝2,...,nck)到ckc的距离，从最近到最远搜索下一个目标人员(ckj(j≠c,j＝2,...,nck))。
(5)根据未开启照明灯具集合(loff)中的lg与ckj(j≠c,j＝2,...,nck)之间的距离，从最近到最远寻找下一个要打开的目标灯具。
步骤2：确定约束条件，包括：
(1)
(2)lon loff＝l,lon∩loff＝φ，lon是已开启灯具的集合，loff表示关闭灯具的集合；
(3)
照明搜索算法的目标是在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合(lbest＝{l1,...,lg})。
在本实施例2中，所提出的策略应用在面向不同亮度灯具的开关控制问题上的有效性，包括：
模拟多个时间下的室内光环境情况和人员分布情况，基于人员分布的智能照明决策策略与基于灯具划分的照明决策策略，基于恒光的照明决策策略在开灯数量和是否满足人们最低照明需求两方面的对比结果表明：基于人员分布的智能照明决策策略能在充分利用日光和满足人员最低照明需求的前提下开启最少数目的灯具并且提高已开启灯具的照明效率来达到节能的效果。
实施例3
针对不同的室内光环境进行建模，本实施例3中，首先根据图4仿真的室内光环境：本实施例3中，以位于东经116.83、北纬36.55的某位置的楼房为例，在dialux平台上仿真了一间房间的室内光环境模型。房间朝南，长12米，宽7.2米，高3米。窗的尺寸为1.4m×8m，窗的下缘距地面0.7m，沿房间角落的距离为2m。该模型以房间靠窗的角落作为坐标原点，并沿着水平和垂直的墙壁建立xyz坐标系。地面为照明计算工作面，距离工作面2.8m处为灯具安装平面。房间的反射系数为天花板(灯具安装平面)70％，墙壁50％，地面20％。维护系数为0.8。本次仿真实验搭建的室内光环境如图4所示。
搭建室外日光模拟环境(时间为2020年8月2日，外界天气环境为天空多云)，在dialux中模拟人员分布，收集训练样本数据。根据基于mnn组合方法的bpnn-rbfnn，使用180组训练样本
表1室内日光模型中的基于mnn组合方法的bpnn-rbfnn的最优组合参数
通过模拟安装光源性能一致的灯具(灯具类型:elektroskandiasverigeab-e7469790 e7469709 e7469731luni15060°mo4000kdaliguldreflektorsvartdekorring)，构建室内灯光模拟环境并模拟人员在dialux中的分布，收集训练样本数据。根据基于mnn组合方法的bpnn-rbfnn，使用450组训练样本
设置室内灯光模型中通过布谷鸟算法优化的bpnn的初始参数(nc＝100，ni＝400，de＝60，cpe＝0.25，s＝1，lr＝0.05,nb＝50000，hb＝10，ni＝400)和本实施例3中通过周期性地增量调整学习速率进行优化的rbfnn的初始参数(lmin＝0.001，lmax＝0.2，nr＝50，mr＝400，hr＝10)来分别训练bpnn和rbfnn。根据mnn组合方法，将tl作为验证样本从而获得最优组合参数如表2所示。
表2室内灯光模型中的基于mnn组合方法的bpnn-rbfnn的最优组合参数
如图1所示将训练好的室内日光模型和室内灯光模型根据光照机理进行组合来获取任意人员所在位置点处的总照度值
因此，本实施例3提供的室内光环境模型可以应用于同一房间在任何天气条件、任何灯的照明情况、任何人员分布情况下的照度计算。若更换房间，需重新采集一次训练样本进行训练。
针对室内光环境建模提出的多神经网络组合方法的预测性能可以通过与单一神经网络或传统的组合方法的对比来验证。
本实施例3中，采用基于mnn组合方法的bpnn-rbfnn，以及bpnn、rbfnn、elm三种单一神经网络进行预测。基于不同的验证样本，比较了四种预测方法的性能。如表3和4所示。
表3基于mnn组合方法的bpnn-rbfnn、bpnn、rbfnn、elm对
表4基于mnn组合方法的bpnn-rbfnn、bpnn、rbfnn、elm对
表3和4显示，基于mnn组合方法的bpnn-rbfnn在两个性能指标上均优于其他单一神经网络预测方法。这些单一神经网络不如基于mnn组合方法的bpnn-rbfnn稳定且预测精度不高。
本实施例3采用mnn组合方法和逆方差法、逆均方误差法、简单加权平均法等传统组合方法，将bpnn和rbfnn的预测结果进行组合。基于不同的验证样本，比较了四种组合方法的性能。如表5和表6所示。
表5基于mnn组合方法、逆方差法、逆均方误差法、简单加权平均法对
表6基于mnn组合方法、逆方差法、逆均方误差法、简单加权平均法对
从表5的108组vd中可以看出，其他组合方法均优于mnn组合方法，但总体预测指标差异不大。从表5和表6可以看出，虽然mnn组合方法并不是在每种情况下都有最好的预测性能，但是相对于大多数不同的样本，它的预测指标都优于其他三种方法且更加稳定。
因此，与单一神经网络预测方法和传统的组合方法相比，基于mnn组合方法的bpnn-rbfnn室内光环境模型可以提高模型的稳定性和预测精度。
此外，本实施例中还需要对室内的人员分布进行聚类分析，将离散的人员划分成相对密集的人员聚类子区域。
本实施例3中，在dialux上模拟了四种不同的人员分布情况(情况1、2、3和4)。选择ms算法与在eps＝180或eps＝200下的dbscan算法比较这四种情况下的人员聚类效果，如图6所示。相同实线框内的点表示它们属于同一人员聚类子区域。图6(a)为基于情况1的ms算法聚类效果图，图6(b)为基于情况2的ms算法聚类效果图，图6(c)为基于情况3的ms算法聚类效果图，图6(d)为基于情况4的ms算法聚类效果图，图6(e)为基于情况2的dbscan算法(eps＝180)聚类效果图，图6(f)为基于情况2的dbscan算法(eps＝200)聚类效果图。
图6(a-d)显示，ms算法可以识别任意形状的簇。情况1、情况3和情况4中，dbscan算法的聚类效果与ms算法一致。但是，在人员分布均匀的情况下，dbscan算法的聚类效果不如ms算法。在图6(e)中，dbscan算法将多个点识别为噪声点，生成多个只包含一个数据点的人员聚类子区域。在图6(f)中，dbscan算法识别过多的人员聚类子区域。根据本发明仿真的室内光环境的规模，r＝200下的ms算法更适合于对该环境的人员分布进行聚类分析。
构建好室内光环境模型和选择好适合的聚类算法，最后通过本发明提出的基于人员分布的智能照明决策策略中如图3的照明搜索算法的流程来搜索最优照明组合并验证该策略的有效性。
本实施例中，在图6中四次人员分布情况的基础上，考虑到没有人员的情况(情况5)，模拟了12个时间点的室内人员分布情况。室内人员在12个时间点的模拟分布如图7所示。
本实施例3中，选择e0＝300去比较不同的策略在这12个时间点需要打开的灯据的数量和位置。第一个策略是基于恒定光照的照明决策策略。在任何室内情况下，所有的灯都是打开的。第二种策略是基于灯具划分的照明决策策略。这个策略没有考虑日光的影响。当一个人出现在灯所在的区域，灯就会亮起来。第三种策略是基于人员分布的智能照明决策策略。图8显示了三种策略在不同时刻打开的灯具数量。其中，图8中最左边的柱形为基于恒定光照的照明决策策略的开灯数量，中间的柱形为基于灯具划分的照明决策策略的开灯数量，最右边的柱形为本实施例3中基于人员分布的智能照明决策策略的开灯数量。
基于恒定光照的照明决策策略在任何时候都打开所有的灯，这造成了严重的能源浪费。结合图6-8可以看出，如果人相对集中且分布在同一个灯具范围内，那么基于灯具划分的照明决策策略中需要打开的灯具数量最少。然而，这种策略没有考虑日光产生的照度值。用灯具划分的区域并不能保证每个区域都能满足照明要求。从图8可以看出，使用第二种策略在8点开灯的灯具数量远远低于第三种策略。如图9所示，图9中左边的柱形为基于灯具划分的照明决策策略产生的照度值，右边的柱形为基于人员分布的控制策略产生的照度值。第二策略在(1.4,0.8)，(2.5,0.8)，(2,11)和(6.5,5.5)这四个人员位置点处的总照度值不满足e0＝300。因为pi＝(1.4,0.8)处受日光和灯光的影响较小，所以第三种策略是打开所有的灯来满足这一点的照明需求。虽然此时第三种策略打开的灯数远远超过第二种策略，但此时第二种策略在该点产生的照度明显达不到照明需求。从图6(b)可以看出，在11:00和14:00这两个时间点，人员在整个房间内均匀分布。不存在人员集中在某一灯的范围内的情况。此时，图8显示了第三种策略比第二种策略打开的灯数量少得多。
基于人员分布的智能照明决策策略，不仅在综合利用日光和灯光以及满足人员照明需求的前提下，打开最少的灯数，也可以根据灯具的贡献度顺序寻找灯具的开启顺序，充分发挥已经开启的灯具的功能。图10模拟了dialux上对应图7中人员分布的多个时间点的最佳照明组合。灰色的圆圈代表已经打开的灯具，白色的圆圈代表已经关闭的灯具。数字代表灯具打开的顺序。
实施例4
本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行室内照明控制方法的指令，该方法包括：
对室内人员分布进行聚类划分，得到室内人员聚类子区域；
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
根据最优照明组合，控制室内灯具的开关状态。
实施例5
本发明实施例5提供一种电子设备，该电子设备包括一种非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。所述非暂态计算机可读存储介质包括用于执行室内照明控制方法的指令，该方法包括：
对室内人员分布进行聚类划分，得到室内人员聚类子区域；
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
根据最优照明组合，控制室内灯具的开关状态。
综上所述，本发明实施例所述的基于多级神经网络组合的室内照明控制方法及系统，能够充分发挥所选神经网络bpnn和rbfnn的不同特性。根据照明机理，确定了室内光环境模型的输入参数和输出参数并利用模拟数据对模型进行训练。实验结果表明基于机制、数据和基于mnn组合方法的bpnn-rbfnn的室内光环境模型具有稳定性、低复杂度和预测精度高的特点。该模型可以通过训练解决不同灯具条件和任何天气条件下的建筑光环境建模问题。提出了基于人员分布来解决照明开关控制的智能照明决策策略，将照明开关控制形式化为一个搜索问题。提出的照明搜索算法，在充分利用日光的前提下，考虑到灯具的贡献，根据均值漂移(ms)算法划分的人员聚类子区域的照明要求，寻找最优照明组合来为每个区域提供针对性照明。根据建筑照明标准，该策略使用300lux作为每个人的最低照明要求。在一个大型建筑中，每个人的个体照明需求对整体的影响很小，所以该控制策略统一了每个人的最小照明需求。实验表明该策略能够满足人员的最小照明需求，减少开灯的数量并充分发挥已开启照明灯具的效率来降低照明能耗。在一些大型建筑中，当人群聚集或人数较少时，基于人员分布的智能照明决策策略可以使其效果最大化。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
1.一种室内照明控制方法，其特征在于，包括：
对室内人员分布进行聚类划分，得到室内人员聚类子区域；
基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
根据最优照明组合，控制室内灯具的开关状态。
2.根据权利要求1所述的室内照明控制方法，其特征在于，对室内人员分布进行聚类划分，得到室内人员聚类子区域包括：
采用ms聚类分析算法将室内分散的人员划分成多个相对密集的人员聚类子区域，并获取每个人员聚类子区域的聚类中心。
3.根据权利要求1所述的室内照明控制方法，其特征在于，基于反向传播神经网络和径向基函数神经网络构建室内光环境模型包括：
确定反向传播神经网络和径向基函数神经网络的最优组合参数；
根据最优组合参数，构建每个窗户与室内所有人员位置点的映射关系，形成室内日光模型；
根据最优组合参数，构建每个灯具与室内所有人员位置点的映射关系，形成室内灯光模型。
4.根据权利要求3所述的室内照明控制方法，其特征在于，确定反向传播神经网络和径向基函数神经网络的最优组合参数包括：
采集室内人员位置点处的实际照度值，分为训练样本和验证样本；
利用训练样本分别训练反向传播神经网络和径向基函数神经网络；
利用训练好的反向传播神经网络和径向基函数神经网络，分别对每组验证样本进行估计，分别计算反向传播神经网络和径向基函数神经网络分别对每组验证样本估计值的绝对差值；
若绝对差值小于等于预设的最大差值，则采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
5.根据权利要求4所述的室内照明控制方法，其特征在于，若绝对差值大于预设的最大差值，则：
仿真计算验证样本对应的实际输出值；
当实际输出值在反向传播神经网络对验证样本的绝对误差和径向基函数神经网络对验证样本的绝对误差的范围内时，采用基于平均绝对误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重。
6.根据权利要求4所述的室内照明控制方法，其特征在于，采用基于平均绝对百分比误差的协方差权重分配方法计算反向传播神经网络和径向基函数神经网络的组合权重包括：
在验证阶段，根据平均绝对百分比误差分别计算反向传播神经网络和径向基函数神经网络的方差；
根据反向传播神经网络的方差计算反向传播神经网络的组合权重，根据径向基函数神经网络的方差计算径向基函数神经网络的组合权重。
7.根据权利要求3所述的室内照明控制方法，其特征在于：
根据光照机理，确定室内日光模型的输入参数，包括：室内某一窗户内侧面的平均照度、该窗户内侧面某一点的坐标、该窗户的长度、该窗户的宽度以及室内人员位置坐标；将窗户在所述室内人员位置坐标点上的照度值作为室内日光模型的输出参数；
根据光照机理，确定室内灯光模型的输入参数，包括：室内某一灯具的实际光通量、该灯具的坐标、该灯具相对于室内地面的高度、室内人员位置坐标，将灯具在所述室内人员位置坐标点上的照度值作为室内灯光模型的输出参数。
8.一种室内照明控制系统，其特征在于，包括：
聚类模块，用于对室内人员分布进行聚类划分，得到室内人员聚类子区域；
构建模块，用于基于反向传播神经网络和径向基函数神经网络构建室内光环境模型；
确定模块，根据室内人员聚类子区域，结合室内光环境模型，确定优先搜索条件和约束条件，搜索下一个要打开的目标灯具；其中，所述约束条件为室内总灯光照度值和室内总日光照度值的和不小于室内标准照度值，该室内标准照度值满足室内人员最低照度需求；
搜索模块，用于在满足约束条件的前提下，根据优先搜索条件搜索下一个照明对象和当前最优的照明组合；
控制模块，用于根据最优照明组合，控制室内灯具的开关状态。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质包括用于执行如权利要求1-7任一项所述的室内照明控制方法的指令。
10.一种电子设备，其特征在于：包括如权利要求9所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
技术总结