室内自然光照度自适应神经模糊预测方法研究*

冯冬青 平燕娜 刘新玉

(郑州大学电气工程学院，河南郑州 450001)

1 引言

在绿色建筑中，自然光是一种重要的能源。有效的使用自然光，能够提高室内人员的视觉舒适度及降低建筑的能源消耗。百叶帘作为一种常见的遮阳设备，已经被广泛的应用于室内采光控制。然而，传统百叶帘的角度控制大都采用手动或电动方式，需要依靠人为的判断去改变百叶帘的角度，缺点显而易见。因此，自动百叶帘的出现克服了手动百叶帘和电动百叶帘的不足，提高了室内的采光性能。

近年来，国内外研究人员提出了一系列的方法对百叶帘的角度进行智能调节以获得恒定的期望照度，如遗传算法［1］、模糊控制［2］、神经网络［3］、自适应模糊控制［4］等。然而，在实际的应用中，如果需要保持恒定照度的地方很多，这就必然需要放置多个照度传感器，不仅布线复杂，而且系统控制也不方便。另外，随着灯具的使用，光输出衰减，灰尘的沉积，墙壁反射的下降，这些都使得传感器难于提供精确的控制值。为了有效预测室内自然光照度，近年来研究人员也提出了一些预测算法，如遗传算法［5］、人工神经网络［6～7］、自适应神经模糊推理系统［8］等。然而，这些算法大都适用于单块百叶帘 (Blinds)的室内自然光照度预测，对于分块百叶帘 (Split blinds)的室内自然光照度的预测还值得探索。

分块百叶帘系统较传统百叶帘系统，具有更佳的视觉性能及热性能。在某一时刻，分块百叶帘依据叶片位于窗户上的高度位置不同，调节的叶片角度不同:窗户上部的百叶帘在室内方向向下倾斜将自然光反射到天花板及室内深处从而获得更高的照度;窗户中部的百叶帘置于水平位置可以直接观看室外的景色;窗户下部的百叶帘在室外方向向下倾斜从而防止室内产生过热。本文通过EnergyPlusTM软件模拟办公空间模型，并利用自适应神经模糊推理系统 (Adaptive neuralfuzzy inference systems，ANFIS)建立了基于分块百叶帘的室内自然光照度预测(Daylight illuminance prediction based on spilt blinds，DIPSB)模型，并在MATLAB中进行了仿真分析。

2 原理与方法

本文研究总体上共包含三个阶段:首先，在EnergyPlusTM软件中建立办公空间模型，获得建立DIPSB模型需要的照度数据;其次，利用ANFIS建立DIPSB模型;最后，使用照度百分比误差验证DIPSB模型的准确性。

2.1 办公空间模型建立

EnergyPlusTM是在美国能源部的支持下，由劳伦斯伯克利国家实验室、伊利诺斯大学、美国军队建筑工程实验室、俄克拉何马州立大学及其他单位共同开发的一个全新的建筑全能耗分析软件［9，10］。EnergyPlusTM可以用来模拟建筑全年逐时的负载及能耗，其采用各向异性的天空模型，可以更为精确的模拟倾斜表面上的天空散射强度。

在EnergyPlusTM软件中建立的办公空间模型如图1所示。

图1 模拟办公空间示意图

办公空间大小为:长 (进深)5m，宽3.6m，高3m;办公空间含有一扇朝南的窗户，尺寸为:宽1.8m，高1.8m;窗台距地面高0.9m;窗户上安装24mm厚的双层中空玻璃，外侧为6mm的低辐射平板玻璃，中间为12mm的空气层，内侧为6mm的普通平板玻璃;在窗户的室内侧安装一幅分块百叶帘，其三部分高度均为0.6m，材料为铝合金，叶片宽2.5cm，叶片厚0.1cm，叶片间隔1.85cm，光束反射比和漫反射比均为0.8;办公空间内含有两个0.75m高的工作面，两个工作面上分别放置两个照度传感器SP1和SP2且SP1和SP2距离窗户的距离分别为0.75m和3.5m。

2.2 DIPSB预测模型

办公空间模型建立之后，室内传感器位置水平照度Et、Em、Eb便可通过 EnergyPlusTM软件获得，其中Et表示当分块百叶帘上部叶片角度为t，中部和下部叶片均完全关闭时的水平照度;Em表示当分块百叶帘中部叶片角度为m，上部和下部叶片均完全关闭时的水平照度;Eb表示当分块百叶帘下部叶片角度为b，上部和中部叶片均完全关闭时的水平照度。在一年中每间隔1 h(8:00～17:00，共2340 h)的室内水平照度可以通过EnergyPlusTM软件进行模拟。室内水平照度E0表示当分块百叶帘三部分均完全关闭时光线经百叶帘与窗框之间的缝隙进入室内的水平照度。当上部、中部、下部百叶帘叶片角度分别对应t、m、b时，照度传感器中的水平照度Et，m，b为:

建立的DIPSB预测模型共分为3个步骤，如图2所示。

图2 建立DIPSB模型的步骤

2.2.1 定义ANFIS的参数和策略

ANFIS是Roger Jang在1993年首次提出的，其核心是一个神经元—模糊模型，通过引入人类经验和知识 (规则)，实现了输入—输出的非线性映射，并且根据训练数据不断地反复学习更新自己的结构参数，之后产生一个由若干条模糊规则组成的模糊推理系统。ANFIS能基于数据建模，自动产生模糊规则和隶属度函数。

ANFIS的基本输入量分别为:太阳高度角Hs，太阳方位角As，外表面水平光束照度Ex，水平散射照度Ed;输出变量为测量点处的水平照度 Et、Em、Eb。

已有研究表明将叶片角度作为人工神经网络系统的输入变量时，输出照度的误差会增大［6］。因此，本文首先计算了不同月份的百叶帘允许的角度范围。要获得不同月份百叶帘三部分允许的角度范围，首先需要获得太阳能够直射到测量点的月份，然后分别确定在有太阳直射的月份和无太阳直射的月份百叶帘三部分允许的角度范围。无太阳直射时，百叶帘可以处于全关或全开的状态，即上部百叶帘允许的角度范围为－90°～0°，下部和中部允许的角度范围为0°～90°;而有太阳直射时，通过计算能够遮挡直射阳光的叶片角度范围获得允许的角度范围，具体的计算过程见文献 ［6］。

通过计算获得不同月份百叶帘三部分允许的叶片角度范围之后，在不同的百叶帘叶片角度范围内建立一系列单独的ANFIS模型。本文选取的百叶帘三部分的步长为10°，即在百叶帘三部分允许角度范围内每间隔10°建立一个ANFIS模型，预测在此角度室内自然光的照度。不同月份百叶帘三部分允许的叶片角度范围及其对应的ANFIS个数如表1所示。

表1 不同月份百叶帘三部分允许的叶片角度范围及其对应的ANFIS个数

2.2.2 建立ANFIS模型

建立DIPSB模型的第二步就是训练一系列单独的ANFIS模型，并计算其测试误差。本文首先将从EnergyPlusTM软件中模拟的2340个小时的ANFIS的输入和输出数据分为训练和测试2个数据集，其中，训练数据集占总数据的80%，测试数据集占总数据的20%。

训练ANFIS模型采用批量训练方法来更新权值和阈值。用均方根误差 (Root mean square error，RMSE)评价ANFIS模型的性能。RMES的计算公式如下:

其中P指预测照度即通过ANFIS模型预测的照度值，T指目标照度即通过EnergyPlusTM软件获得的照度值，n指样本数据的个数。当迭代次数大于2000或RMSE值小于1.0时停止训练。通过计算测试误差来评价ANFIS模型的通用性，测试误差越小则ANFIS模型的通用性越强。

2.2.3 检验DIPSB模型的准确性

本文使用照度百分比误差 (Illuminance percentage error，IPE)［7］测量 DIPSB 模型预测的照度误差。通过ANFIS模型预测出百叶帘特定块在不同叶片角度的照度后，利用公式 (1)计算出百叶帘三部分的总预测照度。然后结合从EnergyPlusTM软件中获得的实际照度，计算出一年中所有时间的IPE，IPE的计算公式如下:

其中:P(i)指 DIPSB模型的预测照度，A(i)指从EnergyPlusTM软件中获得的实际照度，i指一年中任一特定时间。

3 实验分析

本文利用EnergyPlusTM软件模拟办公空间模型，获得建立DIPSB模型需要的照度数据，该办公空间地点设为郑州市 (东经113.65，北纬34.72)。模拟出一年2340个小时的太阳高度角Hs、太阳方位角As、外表面水平光束照度Ex、水平散射照度Ed及其对应的 SP1和 SP2处的水平照度 Et，Em，Eb。EnergyPlusTM软件的照度模拟过程如图3所示。

Hu等［6］研究表明如果已知SP2处的实际照度，则SP1处的照度预测的结果会非常准确。然而，SP2处的实际照度是未知的，不能够直接作为输入变量。因此，本文考虑将SP2处的预测照度代替SP2处的实际照度作为SP1处的第5个输入变量。ANFIS模型的输入变量均采用高斯型隶属函数，其个数均为 3［8］。

图3 EnergyPlusTM软件的照度模拟过程

在训练前，对全部数据采用6倍交叉验证寻找最优参数集，即在寻找最优参数集的过程中，针对一参数集，将整个训练数据随机等分为6份，然后依次使用任5份进行训练，另外1份进行预测，直至训练集中的任一实例都经过预测，最终得到全部数据的预测正确率，从而根据使用不同参数集得到的不同结果来判断最优参数集。在实验中，从这2340个小时的数据中随机选取1872(2340×80%)组数据进行训练，其余的数据进行测试。数据的运算与处理均在MATLAB 7.6.0(R2008a)环境中进行。

对于已经训练过的ANFIS模型，本文预测了一年中所有时间的SP1和SP2处的预测照度，并计算了其IPE的值。计算结果显示，SP1和SP2的平均IPE为5.2%，因此，DIPSB模型预测照度的能力为94.8%。对一年所有使用时间的SP1和SP2落入不同误差范围的IPE进行分析，如表2所示。从表中可知，一年中大约90%的时间，SP1和SP2的IPE小于10%。因此，利用DIPSB模型预测的照度能够合理逼近实际的照度。

表2 在一年中SP1和SP2的IPEs在不同误差范围内所占的百分比

4 结论

利用外界气象条件预测室内自然光照度对于智能照明有着重要的意义。本文利用ANFIS建立了DIPSB模型用于预测分块百叶帘室内自然光照度。首先，建立了位于郑州市的办公空间模型;然后利用EnergyPlusTM软件模拟了室内两特定位置在不同太阳高度角、太阳方位角、外表面水平光束照度、水平散射照度等气象条件时分块百叶帘各部分的水平照度;利用这些气象参数和照度值对ANFIS进行训练和测试，分别在不同的分块百叶帘允许角度范围内建立了ANFIS模型来预测传感器位置的照度;最后，利用IPE验证了DIPSB模型的准确性。研究结果表明，DIPSB模型可以有效的预测分块百叶帘的实时室内自然光照度，为智能照明中室内自然光照度提供了一种有效的预测手段。

［1］Guillemin A，Molteni S.An energy-efficient controller for shading devices selfadapting to the user wishes ［J］.Building and Environment.2002，37(11):1091～1097.

［2］吴春泽，朱思莉，林燕丹等.室内照明自然采光的模糊控制 ［J］.照明工程学报，2010，21(2):24～28.

［3］Wong S L，Wan K K W，Lam T N T.Artificial neural networks forenergyanalysisofofficebuildingswith daylighting［J］.Applied Energy，2010，87:551～557.

［4］陈学良，陈一飞.自适应模糊控制在室内采光控制中的应用研究 ［J］.建筑电气，2010，29(12):40～43.

［5］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.

［6］Hu Jia，Olbina S.Illuminance-based slat angle selection model for automated control of split blinds［J］.Building and Environment，2011，46:786～796.

［7］Kazanasmaz T，Günaydin M，Binol S.Artificial neural networks to predict daylight illuminance in office buildings［J］.Building and Environment，2009，44:1751～1757.

［8］王金光.智能照明控制策略的研究与仿真 ［D］.同济大学硕士学位论文，2008:58～72.

［9］潘毅群，吴刚，Hartkopf V.建筑全能耗分析软件EnergyPlus及其应用 ［J］.暖通空调，2004，34(9):2～7.

［10］Ramos G，Ghisi E.Analysis of daylight calculated using the EnergyPlus programme［J］.Renewable and Sustainable Energy Reviews，2010，14:1948～1958.