基于改进粒子群算法的分布式智能照明系统

方培鑫，严 虎，汪 明，赵千川

(1.山东建筑大学 信息与电气工程学院，济南 250101； 2.山东省智能建筑技术重点实验室，济南 250101；3.清华大学 自动化系，北京 100084)

0 引言

随着中国经济、科技的快速发展，我国建筑能耗占总体能耗比例迅速增加。公共建筑占建筑总能耗的30%以上，其中大型公共建筑照明耗电量占总耗电量的26.4%[1]。同时，人们对照明舒适度以及智能化的要求越来越高，环保意识越来越强。因此降低照明能耗、提高照明系统智能化、人性化具有非常大的经济效益和需求。越来越多的学者就办公室节能减排问题进行研究，灯具控制也已经从单灯、群组手动开关控制逐渐发展为可根据环境及季节等变化的自适应智能控制，用户还可以根据场景需求，自行对照明系统进行调节。部分学者还在相关研究中应用智能算法，实现均匀照明、防止眩光等智能化调节。

Y.Cheng等人[2]将灯具改造成具有检测、控制的智能灯具，利用分布式网络控制照明实现能耗降低。F.Sun等人[3]在室内搭建了一个基于分布式的多智能体架构，根据占有率及室内外光环境对灯具和百叶窗进行控制。A.Seyedolhosseini等人[4]提出一种利用神经网络来保持每个区域照度需求和均匀度满足要求的智能照明控制方法。G.Chiesa 等人[5]提出了一个可根据季节变化结合动态遮阳系统控制自然光和人工光线平衡的物联网系统工作原型。许馨尹等人[6]提出了一个照明系统，该系统中每个灯具和工作面分别配备有照度传感器和智能单元向中央控制器提供工作面照度信息和个性化设定值，并利用约束控制算法确定灯具的最佳调光值。王俊影等人[7]利用无线自组网技术配合WEB页面实现了对灯光系统的WEB远程控制，用户可利用联网计算机或移动终端即可随时随地地进行灯光远程控制。何乐等人[8]通过照度传感器测量每个工作面上的实际照度，使用粒子群算法对照明系统进行优化。敬舒奇[9]通过计算自然光及各灯具在工作面上产生的照度值然后采用线性规划的方法对室内照明进行调光控制。M.Hajjaj等人[10]利用蓝牙技术(BLE)通信，实现人员与智能照明系统交互，使得人员可以改变工作面上的标准照度。

然而，以往采用分布式架构的智能照明大多是使用照度传感器测量工作面照度然后逐一对灯具进行控制，虽然能够保证每个工作面照度值都满足要求，但是这种方法的投入成本大而且照度传感器安装位置又带来较大问题。另外，将灯具改造成智能灯具，一个灯具负责照亮一个工位，并没有考虑到灯具之间可以通过相互配合而达到更好的照明以及节能效果。最后，传统的智能照明系统都是自动调节，人员不能干涉，如果出现智能照明效果不佳或有其他照明需求等问题时，使用人员无法修改照度值或者对照明系统进行调节。

为了解决以上问题，本文提出一种基于改进粒子群算法的分布式智能照明系统。本系统具有减少布线、节约成本、易扩展和能够通过WEB端对照明系统进行调整的优势，通过建立最小能耗优化函数，使用智能优化算法根据环境和照度需求优化计算并控制每个灯具的开度，实现单区域均匀照明，多区协同照明，在保证光照度的需求下，达到更高效、更节能、更舒适、更智能的目的。

1 分布式控制架构设计

传统的建筑自动化系统架构是从工业控制领域继承来的，这种架构可以在工业领域取得成功，然而，在建筑的许多实际应用效果中却普遍并不尽如人意[11]，这是因为工业生产线固定，其控制稳定，而建筑领域的控制则存在变化大且快的问题。这使得传统建筑智能化系统维护运行水平不高，甚至有些系统在投运2～5年后就恢复到手动运行管理状态[12]。为解决这类问题，使建筑真正实现智能化，国家重点研发计划资助了“新型建筑智能化系统平台技术”项目研究，该项目提出了一种全新的扁平化、无中心的系统架构。该平台包含大量的计算节点(CPN，computing processing node)，每个CPN节点包含1个处理器、1个存储器、6个网络接口，网口用于CPN节点间的通信，CPN只与邻居节点通信，通过与邻居的层层交互，可以获取全局的信息，从而构成一个扁平化、无中心的测控与计算平台。该平台并行式的网状架构，不会因局部故障而瘫痪，高鲁棒性使得系统更加安全稳定[13]。这种智能节点可以通过有线或者无线的方式与邻居进行通信，可将计算工作分布到各节点，解决了大规模集中式控制对中央控制器有较高要求的问题。此外，应用分布式群智能系统不仅能提高智能机电设备的通用性、简化了建筑智能化系统的设计工作，而且还实现了系统设备的即插即用功能、建筑系统状态的协同感知和各设备之间的协同控制。

因此，本文提出的应用于办公室的分布式智能照明系统，CPN网络拓扑连接关系和办公室建筑示意图如图1所示。

图1 CPN拓扑与办公室示意图

其中，A、B、C节点为照明控制节点，a、b、c为照度测量节点。照度测量节点通过照度传感器测量自然光照度值，计算出通过窗户进入室内的自然光在各工作面上产生的照度值，然后将数值传送给邻近区域的照明控制节点，而照明控制节点根据照度测量节点的计算值并与邻居区域协同配合，应用智能优化算法计算出最佳调光系数然后控制区域内的灯具照明。本系统中各节点之间都是通过WIFI无线网络进行通信的。对于更多区域的办公场所，只需按要求加入照明控制节点和照度测量节点并修改拓扑文件即可。

2 粒子群算法优化照明控制

2.1 人工光源照度获取

使用光照传感器可以很容易得到工作面的照度值，但是这将会提高成本且其安装位置的不同又将带来众多问题[14]。如果将光照度传感器安装在工作面上，可以准确获取工作面照度值，但其容易受到办公文件的遮挡；如果将其放置在墙面较低位置又容易受到人员走动的影响，势必影响检测质量[15]；如果将其安装在天花板上，可能会因环境或者光线衰减等原因而不能准确测得工作面处的照度值。由于安装灯具后其位置固定不变，因此，为了能够较精确得到工作面处的光照度值，本文采用逐点计算法[16]计算光照度值。逐点计算法是利用照度叠加原理进行计算的。

2.1.1 照度叠加原理

照度叠加原理是指工作面上某点的光照度值为各点光源在该点产生的光照度值之和，如式(1)所示：

(1)

式中，E表示工作面某点的实际照度值，Ei表示第i个光源在该点产生的照度值。

2.1.2 获取工作面照度值

根据照度平方反比定律，我们可以把灯具视为点光源，通过式(2)来计算各灯具在工作面处产生的照度值。

(2)

式中，ET为T点处的照度值，α为被测点T入射光线与工作面法线的夹角，IT为点光源在α角方向的光强，h为点光源的垂直高度，d为点光源A与被测点T之间的直线距离。然而，由于空间布局和灯具配光曲线等差异，在实际应用中，这样计算并不准确甚至误差非常大。所以本文采用如下方法获取各灯具在各工作面上产生的照度值：

1)关闭所有灯具，开启单个灯具；

2)测量各工作面上照度值；

按照1)、2)步骤依次遍历区域内所有灯具，即可得到各灯具在各工作面上产生的照度照度值。

另外，由于邻近区域之间的照明互有影响，所以在控制照明时还应考虑邻近区域在各工作面上产生的照度值。其测量方法与测量各灯具在工作面产生的照度值类似：

1)关闭所有灯具，开启单个邻近区域所有灯具；

2)测量区域内各工作面上的照度值；

按照1)、2)步骤依次遍历所有邻近区域，即可得到邻近区域在各工作面上产生的照度值。

2.2 自然光照度值获取

关于自然光照度值的测量，钟源宇[17]提出两种模型：太阳光散射模型和太阳光直射模型。

太阳散射光线通过宽为Y，高为H的窗户照射到房间中，此时可将整个窗户看成是一个由无数个辐射强度为I，辐射亮度在各个方向都均匀的点光源组成的朗伯辐射体。其中Yw为窗户到最近墙面的距离，h为窗户下沿到地面的高度，z0为工作面距地面的高度。

整个窗户作为一个朗伯辐射体在被测点T处产生的光照度值为：

(3)

式中，Ed为窗户处的光照度值，(x0,y0,z0)为被测点T的空间坐标值。

太阳直射模型比较复杂，除把窗户视为一个朗伯辐射体在工作面产生的光照度Er外，还需要考虑太阳光通过窗户直接照射到室内形成的光斑。将光斑看作是另一个朗伯辐射体。因此，整个光斑作为一个朗伯辐射体在被测点T处产生的光照度值为：

(4)

式中，μ为反射比，Δy为太阳直射进室内的光区域中心相对于窗户中心在Y轴方向的偏移量，其计算如式(5)如示：

Δy=x*tanα

(5)

式中，x为光斑与窗户两条平行边之间的距离，α为当地太阳方位角和该建筑物法线与地球南方向夹角之差。

虽然通过以上两种模型可以算出自然光通过窗户在工作面上产生的照度值，但计算量较大，且需要在线获取当地太阳方位角。

由光学知识可知，光照强度I定义如下式：

(6)

式中，Ω表示立体角，P表示辐射能量。

光照度E定义如下：

(7)

式中，A表示被照射面积。

设窗户C点在t1时刻的光照强度为Ic1，光照度为Ec1,辐射能量为ΔP1，t2时刻光照强度为Ic2，辐射能量为ΔP2，光照度为Ec2，由式(6)及式(7)有:

(8)

式中，k为常数。

设t1时刻自然光通过窗户C点在工作面T产生的光照度为ET1，窗户光照强度为Ic1，t2时刻自然光通过窗户C点在工作面T产生的光照度为ET2，窗户光照强度为Ic2，则由式(2)可得:

(9)

由式(8)和式(9)可得:

(10)

因此，如果需要计算t2时刻自然光在工作面上产生的光照度值ET2，只需测量在t1时刻窗户光照度值Ec1和工作面光照度值ET2，以及t2时刻窗户处光照度值Ec2即可。

为验证式(10)的正确性，测量不同时刻工作面以及窗户处光照度值如表1所示。

表1 不同时刻窗户以及各工作面照度值均误差比绝对值为2.5%，最大误差比绝对值小于10%，因此通过此方法计算工作面照度值基本正确反映此时实际照度水平。

其中，误差比绝对值计算公式如下：

(11)

太阳光直接照射在窗户上和不直接照射在窗户上时其照度比常数k会发生改变。因此在计算工作面处照度值时需要根据窗户处是否受到太阳光直射选取参考照度值。经实验测量，当太阳光直接照射时，其照度值将大于15 000 lx。通过表中数据对比，使用式(10)计算的照度值与实际照度值平

2.3 调光控制

由于需要控制大量灯具，同时考虑照明对人体健康和安全的重要性，智能照明系统将会非常复杂。如果沿用传统照明的用电方式：开关控制或者常规PID控制，那么照明回路将会因更加复杂且存在多变量、非线性因素而难以达到理想效果。一般来说，系统控制越精确，其成本越高，但性能不会一直随成本成比例增加。虽然闭环控制具有完美的跟踪控制性能，能够节省了更多的能源，但这是牺牲视觉感受换来的[18]。综合考虑性能、成本以及线路复杂度，本系统将采用开环控制方式，在分布式无线节点上应用智能优化算法对灯具进行优化控制。

2.3.1 粒子群算法

粒子群算法(PSO，particle swarm optimization)由Kennedy和Eberhart在1995年提出的，该算法模拟鸟群飞行觅食的行为，是一种基于群体的优化方法。粒子群算法是通过个体间的协作和竞争，从而实现对复杂空间中最优解的搜索[19]。与传统进化算法相比，粒子群算法保留了基于种群的全局搜索策略，采用的速度-位移模型，操作简单，避免了复杂的遗传操作，其特有的记忆能力可以动态跟踪当前的搜索情况而相对应地调整搜索策略。粒子群算法的流程如图2所示。

图2 粒子群算法流程图

2.3.2 粒子群算法的数学模型[20]

设在一个n维解空间内进行搜索，粒子i的信息用两个n维向量表示：第i个粒子的位置可表示为：xi=(xi1，xi2，...，xin)T，速度可表示为：vi=(vi1，vi2，…，vin)T，当粒子本身最优解和全局最优解找到后，粒子即可根据一下公式(12)、(13)更新自己的速度和位置：

vid(t+1)=ωvid(t)+c1*r1*(pid-xid(t))+

c2*r2*(gid-xid(t))

(12)

xid(t+1)=xid(t)+vid(t+1)

(13)

其中：vid(t+1)和xid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度和位置，ω为惯性权重，c1、c2分别称为认知学习因子和社会学习因子，c1主要为了调节粒子向自身的最好位置飞行的步长，c2是为了调节粒子向全局最好位置飞行的步长，r1、r2为0-1的随机数，pid为粒子本身最优解，gid为粒子全局最优解。

虽然粒子群算法具有容易收敛的优点，但其容易收敛到局部最优值，为克服此问题，本文采用改进的粒子群算法即自适应随机惯性权重粒子群算法。设粒子数为n，fi为第i个粒子的适应度值，favg为粒子群当前的平均适应度值，σ2为粒子群的群体适应度方差，则:

(14)

式中，

(15)

自适应随机惯性权重计算公式：

(16)

式中，rand()为0-1的随机数，σc为常数。

这种方法计算的随机惯性权重可以使粒子的历史速度对当前速度的影响的随机的，也使得惯性权重将随群体适应度方差自适应地调整，既可以使全局搜索和局部搜索较好地协调，而且还可以增加粒子的多样性。

2.3.3 照明控制策略

不同区域之间存在相互影响，具有较强耦合性，但由于各区域之间距离相对较远且可能被其他物品遮挡，如图3所示。经实验测量，如表2～4所示，邻近区域在区域内各工作面上产生的照度值不大。以邻近区域对工作面照度贡献值最大(邻近区域在B区工作面上产生的照度值)为例，由实验计算，B区要在各工作面上产生该照度(表3)的开度比(各调光系数之和与总灯具数之比)约为8%，这是A、C区开度比为100%时在B区工作面上产生的照度值。当A、C区标准照度为300 lx时，A、C区开度比均约为40%，即B区要在各工作面上产生该照度的开度比为6.4%，所以在多区域照明(标准照度为300 lx)时，B区实际开度比应比单B区域开度比小6.4%，此开度比差与表3数据乘积的最大值为5.12 lx，相较于标准照度(300 lx)，可忽略不计，因此加入邻近区域照度贡献值后灯具开度比变化不大，可近似用单区开度比作为实际开度比。故本系统用邻近区域灯具单区开度比与开度比为100%时在工作面产生照度值相乘作为实际邻近区域对区域内工作面照度的贡献值。

表2 邻近区域在A区各工作面产生的照度 lx

表3 邻近区域在B区各工作面产生的照度 lx

表4 邻近区域在C区各工作面产生的照 lx

图3 办公室3D仿真示意图

根据粒子群算法的基本原理，设某区域内有D个照明设备，每个设备的调光系数为ki(0≤ki≤1)，有N个工作面，区域内第i个光源在第j个工作面产生的照度值为Eij，有p个窗户，自然光通过第s个窗户在第j个工作面上产生的照度值为Esj，有m个邻近区域,第l个邻近区域灯具开度比为ql，第l个邻近区域灯具开度比为100%时在第j个工作面上产生的照度值为Elj，第j个工作面的目标光照度为Eaj。由于LED灯的功耗与灯具光通量具有一定的线性关系，而灯具光通量则由调光系数控制，所以本文使用调光系数的总和表示能耗函数，则控制区域内粒子的适应度函数和约束条件如式(17)、(18)所示：

(17)

(18)

图4为照明系统控制图，本系统采用开环控制，根据自然光和各工作面的光照度需求以及邻近区域灯具在各工作面上产生的照度值作为约束条件，将PSO优化后的调光系数作为占空比，使用PWM技术通过调光设备进行调光。因为LED灯具的平均电流与PWM脉冲的占空比呈线性正比关系，而且PWM应用简单、调光效果好、调光精度高、调光范围大，所以本文采用PWM技术进行调光。为避免调光过程中产生肉眼可见的灯光闪烁现象，进行PWM调光时，其频率应高于100 Hz。但其频率也不能太高，否则LED调光电源周围的电感和输出电容容易产生人耳听得到的噪声。

图4 照明系统控制图

图5为整个智能照明系统程序流程图。首先判断是否开启照明，如果是，则进行照明控制，否则结束；接着判断是否为照明节点，如果是，则获取目标照度值，根据各灯具在工作面上产生的照度分值计算单区域灯具开度比，否则测量通过窗户照射入房间的自然光照度值并计算自然光在各工作面上产生的照度分值；然后所有节点进行同步通信，测量节点将自然光在各工作面上产生的照度分值发送给相邻区域的照明节点，照明节点将单区域灯具开度比发送给邻近区域的照明节点；各照明节点在收到邻近节点发送的信息后，结合自然光在工作面上产生的照度分值、邻近区域灯具开度比进行PSO优化计算区域灯具开度；最后通过调光设备对灯具进行调光控制。

图5 照明系统程序流程图

3 WEB端控制

与APP相比，WEB端控制可以突破软件运行的硬件限制，任何设备的浏览器只要符合相关标准，WEB应用程序都可以在上面运行，可为用户省去软件下载和安装的过程，另外，一个WEB应用程序还可供多个用户同时访问。因此，本文使用WEB应用技术实现了用户根据实际需求对照明系统进行调节。根据GB50034-2013办公建筑照明标准[21]，如表5所示，所以本系统有3个区域目标照度设置值：300 lx、500 lx、750 lx可供用户调节。照明系统WEB端界面如图8所示。

表5 办公建筑照明标准

图6 照明系统web端界面图

在这个区域内的用户只需连接入局域网，打开浏览器，输入地址：https://localhost:8020，即可访问到页面。其中localhost为对应节点的IP地址，8020为python脚本中侦听的端口号。

4 实验结果

以“7”形办公场所为例，具体地点为(北纬36°40′31″，东经117°10′56″)某科研教学楼，该办公室窗户一面为北面，无阳光直射，利用DIALux evo软件进行仿真。

使用python语言进行灯具开度预测及控制，认知学习因子c1和社会学习因子c2均为0.6，初始化粒子数M=200，σc=0.2，最大迭代次数K=1 000。照度误差公式如下：

(19)

4.1 单区域单目标照度

如图7和图8所示，其中图8为不同单区域照明伪色图，当整个办公室只有一个区域进行照明且工作面目标照度值为300 lx时，其工作面的照度值都比较均匀且在300 lx左右，最大照度误差为5%，A、B、C区域灯具开度比分别为39.4%、41.1%、41.0%。

图7 单区域单目标照度

图8 单区域单目标照度伪色图

4.2 多区域单目标照度

如图9及图10所示，当整个办公室全部区域进行照明且工作面目标照度值为300 lx时，其工作面的照度值都比较均匀且在300 lx左右。最大照度误差为5.6%，A、B、C区域灯具开度比分别为35.7%、35.2%、36.8%。

图9 多区域单目标照度

图10 多区域单目标照度伪色图

4.3 多区域多目标照度

如图11及图12所示，当整个办公室全部区域进行照明且B、C区工作面目标照度值为500 lx，A区工作面目标照度值为300 lx时，其工作面的照度值都比较均匀，最大照度误差为6.3%，A、B、C区域灯具开度比分别为31.5%、68.1%、71.3%。

图11 多区域多目标照度

图12 多区域多目标照度伪色图

4.4 结合自然光多区域多目标照度

如图13和图14所示，当整个办公室全部区域进行照明且B、C区工作面目标照度值为500 lx，A区工作面目标照度值为300 lx时，其工作面的照度值都比较均匀，最大照度误差为9.6%，A、B、C区域灯具开度比分别为31.6%、47.2%、41.2%。在相同目标照度值下，B区开度比从68.1%下降到47.2%，C区开度比从71.3%下降到41.2%，可见结合自然光之后的灯具开度比大幅降低。而A区距离窗户较远且有书柜阻挡，自然光对其影响几乎没有，所以开度比变化不大。

图13 结合自然光多区域多目标照度

图14 结合自然光多区域多目标照度伪色图

由实验结果可知，在满足照度需求的条件下，本系统在单区域、多区域的控制效果达到预期状态，各伪色图中各等照度线均匀分布在各工作面上。虽然工作面的照度值有所波动，但最大误差都在10%之内。另外，相比于普通控制方式(灯具全开，其开度比为100%)，具有非常可观的节能效果，能有效减少照明能耗。

5 结束语

为解决现有大型公共建筑照明系统存在的高成本、灯具之间无配合、使用人员无法干涉照明问题，本文结合分布式架构和智能优化算法，提出一种基于粒子群算法的分布式智能照明系统，以解决办公室照明优化控制节能问题。借助DIALux evo考虑了建筑结构等对工作面照度的影响，结合传感器对建筑内部照度数据的采集，实现了根据感知自然光与调节人工光源动态地对室内光照度的控制，通过仿真实验，验证了本系统的有效性和可行性。本系统实现了建筑照明的智能化，提升建筑资源的利用率，对促进绿色建筑的发展具有重要意义。随着互联网技术、机器学习技术、神经网络控制等发展，未来城市正不断迈向智慧城市，而智能照明作为未来城市重要组成部分之一，也将向智慧照明逐渐发展，从而变得更有学习能力，更具智慧化、人性化。