一種基於RBF神經網絡的室內視覺環境調控系統及方法與流程

2023-08-13 02:43:26 1

本發明涉及智能控制領域，更具體地，涉及一種基於rbf神經網絡的室內視覺環境調控系統及方法。

背景技術：

自20世紀70年代能源危機以來，能源及環境問題受到社會各界的高度重視，全球能源消耗的增幅遠遠高於經濟增幅，作為全球第一能耗大國，能源消耗問題是中國亟需重視和解決的關鍵問題。建築能源消耗在全球總能源消耗中佔據了相當大的比例，根據最新調查顯示，在三級總能耗中，照明設備的能耗佔到了40％至70％，因此，利用照明和遮陽系統創建能耗最小的室內視覺舒適環境對於減少建築能耗具有及其重要的意義。

室內視覺舒適環境的建設綜合「綠色照明」與「以人為本」的理念，在視覺舒適的基礎上最大程度的利用自然光能源，降低照明能耗；室內視覺舒適主要由室內照度決定，因此，室內視覺舒適環境建設需以用戶的視覺舒適度作為重要的優化參數，將自然光的有效利用與燈光照明使用結合起來以達到視覺舒適的目的。

目前，室內視覺舒適環境相關控制系統在國內外已被廣泛研究，針對遮陽百葉的控制規則及控制方法已經形成了較為成熟的理論和測試方法，從傳統控制方法到基於模糊邏輯的智能控制器以及二者的結合，動態開窗與燈光控制的引入使得自然光得到了更好的開發利用，進而達到了節省照明能源的目的。

然而上述控制系統多是以建立數學模型、設計理論算法來實現控制目標，室內光環境控制需要將控制理論應用與室內光環境智能控制結合的控制策略；以往模糊控制策略中模糊規則和隸屬函數的確定需要較多的環境控制經驗，而且模糊規則與隸屬函數難以調整，且控制系統多是通過調整達到預設的照度值以達到所謂最優照度值，沒有考慮到用戶視覺舒適的多樣性與不均勻性，存在局限性。

技術實現要素：

本發明提供一種克服上述問題或者至少部分地解決上述問題的一種基於rbf神經網絡的室內視覺環境調控系統及方法。

根據本發明的一個方面，提供一種基於rbf神經網絡的室內視覺環境調控系統，包括數據採集模塊、數據處理與控制模塊和輸出驅動模塊；

所述數據採集模塊，用於採集室內和室外的照度值；

所述數據處理與控制模塊，用於基於rbf神經網絡，根據所述照度值得到室內百葉簾角度和/或照明調控參數並輸出；

所述輸出驅動模塊，用於根據所述室內百葉簾角度和/或照明調控參數，控制室內百葉簾轉動和/或照明燈工作，以實現室內視覺的自動調控。

根據本發明的另一個方面，還提供一種基於rbf神經網絡的室內視覺環境調控方法，包括：

s1，採集室內和室外的照度值；

s2，基於rbf神經網絡算法，根據所述照度值得到室內百葉簾角度和/或照明調控參數；

s3，根據所述室內百葉簾角度和/或照明調控參數，控制室內百葉簾轉動和/或照明燈工作，以室內視覺環境的自動調控。

本發明通過分析室內視覺舒適環境的主要影響因素，針對自然光照變化規律、建築周邊環境等，根據室內室外照度值，構建了相對合理的室內視覺環境神經網絡控制系統，提高了室內視覺舒適環境控制系統的控制精度與魯棒性，克服了傳統控制系統及方法的不穩定性、應用局限性等缺點；同時本發明採用的rbf神經網絡控制算法可以進行多輸入多輸出變量的控制，可以充分逼近任意複雜的非線性關係與自學習不確定系統，確保了控制系統更高的適應性；可以在保障室內視覺舒適度的情況下，最大限度的節省照明用電能源。

附圖說明

圖1為本發明基於rbf神經網絡的室內視覺環境調控系統示意圖；

圖2為本發明實施例照度傳感器布局示意圖；

圖3為本發明實施例基於rbf神經網絡的室內視覺環境調控系統示意圖；

圖4為本發明實施例rbf神經網絡調控示意圖；

圖5為本發明實施例rbf神經網絡結構示意圖；

圖6為本發明實施例rbf神經網絡輸出擬合度曲線示意圖；

圖7為本發明實施例修正神經網絡參數後的rbf神經網絡輸出擬合度曲線示意圖；

圖8為本發明實施例rbf神經網絡參數修正前後輸出擬合度曲線比較示意圖。

具體實施方式

下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用於說明本發明，但不用來限制本發明的範圍。

如圖1所示，一種基於rbf神經網絡的室內視覺環境調控系統，包括數據採集模塊、數據處理與控制模塊和輸出驅動模塊；

所述數據採集模塊，用於採集室內和室外的照度值；

所述數據處理與控制模塊，用於基於rbf神經網絡，根據所述照度值得到室內百葉簾角度和/或照明調控參數並輸出；

所述輸出驅動模塊，用於根據所述室內百葉簾角度和/或照明調控參數，控制室內百葉簾轉動和/或照明燈工作，以實現室內視覺環境自動調控。

本實施例通過分析室內視覺舒適環境的主要影響因素，針對自然光照變化規律、建築周邊環境等，構建了相對合理的室內視覺環境神經網絡控制系統；通過數據採集模塊獲取室內室外的照度值信息，通過數據處理與控制模塊對所述照度值信息進行處理，利用rbf神經網絡進行模擬計算，得到優化的視覺調控參數；在輸出驅動模塊根據所述照明調控參數，調整百葉簾的反射及透光情況和/或照明燈工作。

本實施例提高了室內視覺舒適環境控制系統的控制精度與通用性，克服了傳統控制系統及方法的不穩定性、局限性等缺點；同時本實施例採用的rbf神經網絡控制算法可以進行多輸入多輸出變量的控制，可以充分逼近任意複雜的非線性關係與自學習不確定系統，確保了控制系統更高的適應性；可以在保障室內視覺舒適度的情況下，最大限度的節省能源。

作為一個可選的實施例，所述數據採集模塊包括設置於室內的至少一個室內照度傳感器，和設置於室外的至少一個室外照度傳感器；

所述室內照度傳感器，用於採集室內照度值，並將所述室內照度值發送給所述數據處理與控制模塊；

所述室外照度傳感器，用於採集室外照度值，並將所述室外照度值發送給所述數據處理與控制模塊。

本實施例所述數據採集模塊包括一個或多個室內照度傳感器，以及一個或多個室外照度傳感器，具體用多少個數根據室內空間的大小、照明燈的布局、百葉簾的布局以及室外環境而定，本實施例對此不作具體限定。

作為一個可選的實施例，所述數據處理與控制模塊包括a/d轉換電路和處理與控制電路；

所述a/d轉換電路，用於對所述數據採集模塊發送來的照度值進行模數轉換，得到照度值數據；

所述處理與控制電路，用於將所述照度值數據輸入所述rbf神經網絡控制器進行計算，得到室內百葉簾角度和/或照明調控參數，並將所述調控參數輸出給所述輸出驅動模塊。

本實施例中，所述a/d轉換電路的一端連接所述數據採集模塊，接收照度值信息，進行模數轉換；另一端連接所述處理與控制電路，所述處理與控制電路上植入了rbf神經網絡模型，基於rbf神經網絡控制器對照度值數據進行計算，獲得室內視覺最佳調控參數，使所述輸出驅動模塊可以按照該調控參數進行調控室內視覺環境。

作為一個可選的實施例，所述輸出驅動模塊包括百葉簾電機驅動電路和照明控制系統；

所述百葉簾電機驅動電路，用於根據對百葉簾的調控參數，通過所述百葉簾的步進電機控制所述百葉簾轉動，以調控自然光在百葉簾上的折射及透光量。

所述照明控制系統，用於根據對照明燈的調控參數，通過照明開關對照明燈的開關控制及亮度控制；

本實施例中，所述調控參數是指當室內控制設置了百葉簾時，通過所述百葉簾的步進電機對百葉簾的旋轉角度進行控制以獲得相應的自然光反射及透光，以及對照明燈的開或關的控制，或對照明燈的亮度控制。

優選的，首先根據所述室內百葉簾角度的調控參數調節百葉轉動角度；若未達到目標值，則進一步根據所述照明調控參數啟動照明自動補光。

若只有百葉簾，則根據百葉簾的調控參數調節百葉轉動角度。

若只有照明燈，則根據照明燈的調控參數控制照明燈的開或關，並調節照明燈的亮度。

作為一個可選的實施例，所述處理與控制電路包括：

初始化模塊，用於給定rbf神經網絡初始化參數；

訓練模塊，用於通過多組樣本數據對所述rbf神經網絡進行訓練，得到隱層節點的中心和基寬參數；

視覺調控模型模塊，用於基於所述隱層節點的中心和基寬參數，建立rbf神經網絡視覺調控模型；以及

調控參數模塊，用於利用所述rbf神經網絡視覺調控模型，對採集的室內和室外照度值進行計算，獲得調控參數。

本實施例中，所述處理控制電路可以是dsp電路。所述初始化參數包括：學習速率β∈[0,1]、動量因子α∈[0,1]、目標誤差值emax以及高斯基函數寬度r。

作為一個可選的實施例，所述數據採集模塊、數據處理與控制模塊和輸出驅動模塊集成於pcb板上。

本實施例中，採用pcb板集成整個系統，構成一體式結構，使得系統的集成度高，方便使用。

如圖2所示，在一個具體實施例中，室內空間的一側裝有3盞燈，分別是燈1、燈2和燈3，窗戶一側裝有一個百葉簾。所述數據採集模塊包括1個室外照度傳感器b，3個室內照度傳感器分別是a、b和c。所述室外照度傳感器b位於百葉簾附近的室外；室內照度傳感器a、b和c分別與燈1、燈2和燈3的位置對應。

本實例中基於rbf神經網絡的室內視覺環境調控系統如圖3所示，照度傳感器引出線與所述數據處理與控制模塊連接；所述輸出驅動模塊通過連接百葉簾步進電機驅動線和照明燈控制開關線分別與步進電機和照明燈。當然，還需要有電源模塊進行供電，所述電源模塊可輸出220v交流電或5v直流電，根據所述數據採集模塊、數據處理與控制模塊和輸出驅動模塊的具體要求而定。

本實施例照度傳感器採用zd01-at電流型照度傳感器。zd01-at電流照度傳感器採用矽蘭光伏探測器、對弱光也有較高的靈敏度、具有測量範圍寬、防水性能好、傳輸距離遠、安裝簡便等優點。採用光敏探測器，將光照強度轉化為電流信號。zd01-at電流型照度傳感器的主要參數指標是：供電電壓24vdc，測量範圍0-1000lux，輸出電流4-20ma。

本實施例所述數據處理與控制模塊由2×8通道、12位的a/d轉換電路和tms320f28335型號的dsp電路組成，所述a/d轉換電路與dsp電路和傳感器相連接，將傳感器採集到的照度參數的模擬信號轉化為數位訊號傳輸至dsp電路；dsp全稱數位訊號處理器，計算速度快，適於對光照信號等真實外界信號的連續模擬信號的測量與處理。

本實施例中dsp電路中植入了rbf神經網絡算法，如圖4所示。所述數據處理與控制模塊基於rbf神經網絡對當前照度信號數據的計算，得到室內視覺舒適環境照度調控的最終環境參數值，並將計算所得的參數傳輸給所述輸出驅動模塊。

本實施例中所述輸出驅動模塊包括百葉簾步進電機及其驅動電路和照明燈系統，其中百葉簾步進電機驅動模塊採用pwm雙極性驅動，因為雙極性驅動電路複雜，但是轉矩較大，適用於驅動百葉窗；所述驅動電路為pwm雙極性驅動電路，其一端與dsp電路連接，另一端與步進電機連接，輸入電壓3.3v，輸出驅動電壓5v，步進電機型號為24byj-48，5vdc驅動；照明控制系統採用三極體放大電路與燈泡連接實現，三極體基集接到dsp輸出埠，燈泡接到源集。通過所述驅動電路對百葉簾的旋轉角度進行控制，調整百葉簾的翻轉角度以調整百葉窗的透光情況，通過照明控制系統控制照明燈的開關和亮度，最終實現智能調節室內視覺環境，使室內視覺環境舒適並且節能。

本發明還提供一種基於rbf神經網絡的室內視覺環境調控方法，包括：

s1，採集室內和室外的照度值；

s2，基於rbf神經網絡算法，根據所述照度值得到室內百葉簾角度和/或照明調控參數；

s3，根據所述室內百葉簾角度和/或照明調控參數，控制室內百葉簾轉動和/或照明燈工作，以實現室內視覺環境的調控。

與所述基於rbf神經網絡的室內視覺環境調控對應，本實施例基於rbf神經網絡的室內視覺環境調控方法，首先獲取室內室外照度值，通過所述數據採集模塊完成；然後根據照度值利用rbf神經網絡進行計算獲得室內最佳調控參數，通過所述數據處理與控制模塊完成；最後進行調控信號輸出，通過所述輸出驅動模塊完成。本實施例rbf神經網絡控制算法可以進行多輸入多輸出變量的控制，可以充分逼近任意複雜的非線性關係與自學習不確定系統，確保了控制系統更高的適應性；可以在保障室內視覺舒適度的情況下，最大限度的節省能源。

作為一個可選的實施例，所述s1進一步包括：

s1.1，在室內設置至少一個室內照度傳感器，在室外設置至少一個室外照度傳感器；

s1.2，通過所述室內照度傳感器和所述室外照度傳感器分別採集室內和室外的照度值。

本實施例根據室內空間大小、照明燈的布局、百葉簾的布局以及室外環境來確定需要安裝的照度傳感器，通過照度傳感器來獲取室內室外的照度值，供下一步進行優化計算。

作為一個可選的實施例，所述s2進一步包括：

s2.1，選取一個室外照度傳感器的測量值和一個室內照度傳感器的測量值；獲取室內照度傳感器的測量值給定值的差值，並將所述室外照度傳感器的測量值和所述差值作為所述rbf神經網絡的輸入參數；

s2.2，基於所述輸入參數，通過rbf神經網絡進行計算，獲得對照明燈和百葉簾的調控參數；

所述輸入參數表示為：x＝[x1,x2]t，其中，x1為室外照度值，x2為室內照度值與給定值的差值；

所述調控參數表示為：y＝[y1，…yn,yn+1,…ym]t，其中，y1至yn分別對應n個室內燈的工作狀態，yn+1至ym分別對應m個百葉簾的工作狀態，m和n均為非0自然數。

本實施例通過rbf神經網絡根據已獲得的室內室外照度值數據進行優化計算。所述rbf神經網絡包括輸入層、隱層以及輸出層，如圖5所示。

所述rbf神經網絡輸入層的輸入x為p維向量x＝[x1,x2,…,xp]t。

所述rbf神經網絡輸出層的輸出y為q維向量y＝[y1,y2,…,yq]t。

所述rbf神經網絡隱層的徑向基向量h為m維向量h＝[h1,h2,…,hj,…hm]t，其中hj為高斯基函數，所述高斯基函數通過下式表示：

其中，||·||為歐幾裡得範數，exp(·)為高斯基函數。

具體而言，本實施例中，輸入x為2維向量，輸出y為m+n維向量。本實施例為一個較佳的實施例，為使輸入簡潔，簡化運算，使用一個2維的輸入向量，但並不限制可以使用更多維的輸入向量，若選擇更多維的輸入向量，則需要選擇多個照度傳感器的照度值數據。

具體的，針對圖2的照度傳感器布局，室內a1、a2、a3點和室外b點均裝有照度測量傳感器，選取室內中心位置a2點和室外b點位置，將b點照度測量值、a2點照度值與給定值的差值作為rbf神經網絡控制器的輸入參數。則輸入層x為2維向量x＝[x1,x2]t，分別為室外照度值和室內給定照度值與室內實際照度值的差值。

作為一個可選的實施例，所述s2.2進一步包括：

s2.2.1，給定rbf神經網絡初始化參數；

s2.2.2，通過多組樣本數據對所述rbf神經網絡進行訓練，得到隱層節點的中心和基寬參數；

s2.2.3，基於所述隱層節點的中心和基寬參數，建立rbf神經網絡視覺調控模型；

s2.2.4，利用所述rbf神經網絡視覺調控模型，對採集的室內和室外照度值進行計算，獲得調控參數。

所述初始化參數包括：學習速率β∈[0,1]、動量因子α∈[0,1]、目標誤差值emax以及高斯基函數寬度r。

優選的，所述學習速率取值為β＝0.6，所述動量因子取值為α＝0.012。

優選的，在百葉簾和照明燈同時存在的情況下，在利用所述rbf神經網絡視覺調控模型進行計算時，首先最大程度的考慮百葉轉動調節角度，使室內採光趨於目標值；如果達不到，則進一步考慮照明補光，分別得到對百葉簾的調控參數和對照明燈的調控參數。

若只有百葉簾，所述rbf神經網絡視覺調控模型計算對百葉簾的旋轉角度進行計算，得到百葉簾的調控參數。

若只有照明燈，所述rbf神經網絡視覺調控模型計算對照明補光參數進行計算，得到照明燈的調控參數。

本實施例中，當rbf神經網絡的輸入為一組實時參數時，所述rbf神經網絡可以計算出當前參數的網絡輸出權重。在計算之前rbf神經網絡需要通過學習樣本數據來找到隱層節點的中心和基寬參數。

本實施例採用rbf人工神經網絡算法來確定各項參數值的主要步驟是：給定rbf神經網絡初始化參數，學習速率β∈[0,1]、動量因子α∈[0,1]、目標誤差值emax以及高斯基函數寬度r。

rbf網絡隱層神經元的中心向量、寬度向量以及輸出權重向量為：

c＝[cj1,cj2,…,cji,…,cjp]t，j＝1,2,…,m，i＝1,2,…,p；

b＝[b1,b2,…,bj,…,bm]，j＝1,2,…,m；

w＝[w1j,w2j,…,wsj,…,wqj]t，j＝1,2,…,m；，s＝1,2,…,q；

其中，cji表示第j個隱層神經元對應於第i個輸入神經元的中心；bj為表示第j個隱層神經元的寬度；wsj為表示第s個輸出神經元與第j個隱層神經元之間的連接權重。rbf神經網絡的輸出函數及誤差函數為：

ys(k)＝ws1h1+ws2h2+…+wsmhm，s＝1,2,…,q其中，ys(k)表示第s個輸出神經元的輸出值。

本實施例首先通過n組樣本數據對所述rbf神經網絡進行訓練。

學習第一組訓練樣本數據，樣本數據採集自典型的陰天與晴天天氣下實驗室室內與室外照度數據值。規定隱層神經元初始個數是1，隱層神經元的中心向量ci＝xi(i＝1,2,...,p)，隱層神經元的寬度b1＝r，輸出權重ws＝ys(s＝1,2,…,q)，其中ys表示第s個輸出神經元的輸出值。至此第一組訓練樣本數據學習完成。

學習第n(n>＝2)組訓練樣本數據。根據下式判斷是否需要新增隱層神經元：

||x-cnearest||＞r

其中，cnearest為當前網絡所有「中心」裡與第n組輸入向量x最接近的中心。

調整隱層神經元的中心、寬度及輸出權重：

其中，wsj表示第s個輸出神經元與第j個隱層神經元之間的連接權重，bj表示第j個隱層神經元的寬度，cji表示第j個隱層神經元對應於第i個輸入神經元的中心。

本實施例中，基於圖2的照度傳感器布局，學習30組a2點和b點的光照強度測試樣本數據後設定的神經網絡參數，將a1、a2、a3補光燈和百葉旋轉角度作為目標輸出與神經網絡擬合度曲線如圖6。

取同樣的110組實驗樣本數據作為rbf神經網絡訓練樣本，修正rbf神經網絡的參數，完成神經網絡輸出權值的計算。

經多次調試，在訓練樣本相同的情況下，學習速率和動量因子分別取β＝0.6及α＝0.012時，rbf神經網絡輸出擬合度最佳，修正後rbf神經網絡參數後的輸出擬合度曲線如圖7。

圖8是修正前後rbf神經網絡輸出擬合度曲線對比情況。

本發明提供一種基於rbf神經網絡的室內視覺調控系統及方法，實現室內外照度參數值的採集、數據處理與控制以及輸出驅動等模塊綜合調控以達到室內視覺環境舒適的效果，採用智能控制方法提高了調控系統的穩定性與魯棒性，在控制室內視覺環境達到舒適條件的同時，有效的實現降低照明用電的目的；針對室內視覺舒適環境的複雜影響因子分析了室內視覺舒適環境的主要影響因素，構建了相對合理的室內視覺環境控制系統；針對照度參數值的非線性變化及不確定系統，控制規則難以調整以及多輸入、多輸出室內光環境難以準確調控的難題，採用了rbf人工神經網絡控制算法能夠充分逼近任意複雜的非線性關係和自學習不確定系統，進行多輸入多輸出變量控制，確保控制系統更高的適應性，調節室內視覺的舒適度，並達到與室內燈光照明有效配合使用的目的。

最後，本申請的方法僅為較佳的實施方案，並非用於限定本發明的保護範圍。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。