天然采光优化导向下的办公空间智能遮阳百叶调控策略综述

骆肇阳，齐轩宁

(哈尔滨工业大学建筑学院，黑龙江 哈尔滨 150000)

引言

智能遮阳百叶指由智能控制系统操纵下，遵循某种自动响应机制的活动式机械百叶系统[1]。作为办公建筑室内外日光调节媒介，智能遮阳调控系统可契合地域气候与环境特征，改善暖通空调能源的使用，以降低碳排、缓解低能耗；避免室内直射光眩光，以提升室内环境的视觉健康[2，3]。

智能遮阳百叶相关研究最早起源于20世纪60年代，在20世纪70年代能源危机的推动下，以美国劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory，简称LBNL)为主的研究机构对其展开深度研究[4，5]。发展至今，不同智能遮阳调控方法得以相继提出，并具有不同的特征属性以及应用条件。为能充分发挥其在指定场景中的调控潜力，亟需对其展开类型与方法上的系统梳理，明晰不同调控策略潜在的使用条件。

本文基于文献搜索，对既有智能遮阳百叶调控策略研究的重要文献进行梳理，按照调控反馈有无和模型驱动类型两类标准对相关研究展开分类，对其调控逻辑进行简述与分析，为智能遮阳后续控制工具、传动设计选型提供依据。

1 基于智能遮阳百叶调控反馈有无的分类

根据控制系统反馈的有无，智能遮阳百叶调控可分为两大类：一类是闭环调控方式(closed-loop control)，另一类为开环调控方式(open-loop control)[6-8]。

1.1 闭环调控策略

闭环调控方式通常也称作反馈式(feedback)调控模式，其核心思想为基于室内实测光环境指标探测值与理想参考值(set-points)之间的比较，其差值作为反馈信号持续传递给调控器从而不断减少差值进行室内采光照明优化。

根据相关室内实测光环境指标研究统计[9]，其可用评价指标下的调控策略可进一步细分为：基于水平天然采光量化指标下的闭环调控策略与基于眩光相关评价指标下的调控策略(表 1)。

表1 闭环调控策略类型

1.1.1 基于水平天然采光量化指标下的调控策略

早期典型的商业闭环调控系统通常拥有一系列室内水平桌面照度传感器(photosensors)并搭载调光器(dimmer)，以维护工作桌面到理想照度范围内[10]。研究者常利用室内水平天然采光量化指标，对工作面对室内天然采光质量进行量化评价。常用的指标有工作面水平照度(horizontal illuminance)与有效水平照度指标(Useful Daylight Illuminance，UDI)[11]等。2008年，Mahdavi[12]利用基于天空亮度扫描下的及时采光仿真技术，设计出天然采光响应调控原型，结合天然采光有效水平照度指标，计算工作面及时水平照度值与理想阈值范围的偏离系数，并将其最小化，并进一步结合自然照明与制冷能耗整合为综合优化目标，以实现调控策略。2012，Olbina等[13]设计了一款自动垂直分段百叶遮阳系统，利用UDI所规定的阈值范围制定优化目标，保证离窗户较近区域的水平照度低于2 000 lx而离窗户较远处的工作区域水平照度值时间百分比最大，从而保证室内天然采光照度最大化的同时避免窗户周边眩光，最后通过对比获取了该自动百叶设计优化下的调控性能量化指标，譬如不同时间段内、不同阈值范围内的有效水平照度百分比、天然采光眩光指数，以及指定时间段内的暖通与人工照明能耗，证明了该方案性能提升的有效性。2018，Bueno等[14]立足于地方采光需求，针对大窗墙比采光办公空间研发了整合工作面平均水平照度、垂直照度与室内温度临界值的自动百叶控制系统，以实现采光、得热与眩光的综合室内协调控制。

基于水平天然采光量化的短期指标简单实用，便于测量监控，但由于其研究对象为工作面，其缺点在于未考虑垂直墙面的照度与亮度所带来的眩光干扰，故大多适用于伏案办公等文书工作(paper work)。

1.1.2 基于眩光相关评价指标下的调控策略

为有效量化与评价室内眩光，近年来一系列眩光指标相继被提出，譬如视觉舒适概率(Visual Comfort Probability，VCP)[15]、CIE眩光指数(CIE Glare Index，CGI)[16]、统一眩光指数(Unified Glare Rating，UGR)[17]、眩光发生指数(Daylight Glare Index，DGI)[18]以及眩光发生概率(Daylight Glare Probability，DGP)[19]等，这些指标结合公式推导，借助视觉样本统计并进行相关性研究而推导获得。在此基础上，相关调控百叶遮阳系统尝试直接采用眩光优化指标进行实时动态遮阳控制，其中使用较为广泛的评价指标为垂直亮度、垂直照度、DGI与DGP。2009年，Newsham[20]等采用低分辨率的CMOS相机获取室内空间照度图像，直接利用照度(luminance)边界范围作为眩光判断依据，从而指挥百叶系统的升降判断。2012，Oh等[21]采用DGI作为不同反射率面的百叶控制优化目标，结合室外逐时辐射检测进行百叶的高度与角度调节。2012，Chan等[22]提出了基于传输照度(transmitted illuminance)临界值的调控模式，将经过采光系统后的垂直照度(vertical transmitted illuminance)与DGP进行相关性研究，从而获取垂直照度的边界条件以更为简洁有效地调控百叶调节，并与传统的临界角调控设计与直射光垂直遮挡的调控设计做全年眩光发生率的仿真对比，验证了前者的有效性。2016年，Karlsen等[23，24]开发出一种寒冷地区办公空间新型智能遮阳百叶遮阳调控系统，其工况可根据空间使用情况进行调节，在使用期间，结合垂直照度与太阳直射光临界角控制模式进行逐步调节，保证天然采光的同时减少室内眩光。在非使用期间，根据季节性需要决定百叶的开启与闭合，从而降低空调暖通能耗。2017，Hoffmann等[25]整合Radiance、EnergyPlus与Window 7三种仿真工具为组合工具平台，对十二种不同类型的综合窗户系统(complex fenestration system)进行了性能评价，其中每个系统包含一个不同属性的外片装遮阳系统与一个内部遮阳卷帘，卷帘控制系统采用逐时DGP与DGI作为优化指标，通过分析比较获取最佳室外百叶临界角以及相关材料反射率的结论。2017，Iwata等[26]整合平均采光窗面亮度与视野范围创建了新眩光量化指标(Predicted Glare Sensation Vote，PGSV)，该指标仅需室外水平直射光照度值与天空照度值，从而避免室内亮度计的使用，最终利用该指标作为百叶系统优化控制变量，并进行了验证实验，在满足室内采光舒适的条件下减少了30%的照明能耗同时实现了46%～50%的室外视野满意时间比。2019，Babu等[27]设计一款调控遮阳分段百叶系统，上段负责自然光反射，下段负责眩光控制，其中眩光控制采用DGP评价指标进行最佳百叶形态的确定，采用采光窗朝向的数码相机摄取多幅照片合成HDR-I并利用采光分析软件Evaglare计算实时DGP。并将该调控百叶系统与一自动人工照明调控进行整合，在某新加坡热带实验室对该系统在不同人工照明设备条件、不同朝向下进行了性能测试，最终在保证视觉舒适的条件下实现了75%的北向节能与63%的南向节能，证明了其有效性。

1.2 开环调控策略

开环调控方式也叫做直向式(feedforward)调控模式，直接通过室外传感器感知室外天然采光量化指标的变化，向调控器传递信号以激活与调节机械百叶装置，无需使用反馈机制。最早且研究最为广泛的开环型调控百叶调节方法为：直射光遮挡型的动态遮阳调控策略。该方法将太阳直射光视为眩光源，阻止直射光辐射进入室内，其调控工作原理为：(1)利用室外直射光辐射临界指标，进行直射光存在的判断；(2)若直射光存在，确定太阳地理方位，利用几何空间关系，计算太阳相对于使用空间的可视方位以及直射光的室内分布，从而推导与确定遮阳形态的有效几何变化，以避免工作区域受到太阳直射光的影响。在传感器方面，太阳直射光可用室外辐射强度计测量室外直射辐照度(direct irradiance或beam radiation)进行感知判断，常设立辐照度边界条件。而太阳方位可通过太阳追踪器(solar tracker)[33，34]实施捕捉，其种类随感应原理而不同(表2)。根据Nsengiyumva等[35]学者对太阳追踪的分类综述，太阳追踪同样可分为闭环与开环调控模式。开环型太阳追踪器主要利用传感器信号反馈，譬如基于气象太阳热量计(pyrheliometer)的太阳追踪器[36]、以照度追踪为基础的太阳追踪器[37]、以亮度计(luminometer)[38]以及其他高动态亮度范围图片(High Dynamic Range Image，HDR-I)视觉传感器进行测定[39，40]。开环主要利用统计数据建立的天空模型进行太阳方位的计算，输入变量为全年时刻信息[41，42]。

表2 开环调控输入变量与传感器类型

早期使用太阳方位指导智能遮阳百叶遮阳的研究可追溯至二十年前。1997年，Dibartolomeo等[43]利用劳伦斯伯克利实验室开发的太阳方位传感器获取太阳高度角，利用临界角的计算公式进行直射光的调节，并进一步通过调节百叶角度使工作水平面照度维持在一定范围内，与人工照明相结合达到了实验舱内的照度持续稳定在理想范围。2002年，Athienitis等[44]研究了采用太阳高度角进行直射光的遮挡，并结合晴天条件与阴天条件下采光传输率、百叶旋转角度与太阳入射角的先验公式，以实现工作面的天然采光最大化与视野范围最大化，并利用仿真方法进行了工作面水平照度的稳定性验证。2008年，Tzempelikos[45]通过公式推演计算了扁平百叶与曲面百叶的几何变量(形状、百叶宽度、百叶厚度与曲率、旋转角度)，与百叶户外可见比例、进入室内直射光的辐射量的关系，最终计算出满足日照方位下的临界角公式；2010年，Koo等[46]基于太阳方位角、高度角与开放办公空间使用者办公区域的平面几何投影关系，建立智能遮阳百叶采光控制机制，以控制多个百叶窗的推拉，从而保证使用区域直射眩光遮挡的同时实现室内采光最大化。2011年，Nielsen等[47]对基于太阳直射光临界角(cut-off)控制的外立面自动百叶、静态百叶与无遮阳立面进行对比仿真分析，通过分析能耗与采光系数(daylight factor)证明了智能遮阳百叶性能采光性能提升的有效性。2012年，Zhang等[48]利用公式推导出百叶高度、旋转角度与相关地理参数的几何关系，利用临界角调控设计实现了直射光的自动遮挡；同年Aste等[49]也采用同样的方法进行了位于意大利米兰一栋办公楼的仿真运用。2014年，Shen等[50]梳理了自动人工照明系统与调控遮阳百叶系统的感应信号流程，将供暖通风空气调节系统HVAC的状态与使用者使用状态纳入控制变量中，对不同百叶控制与照明控制组合下的七种控制方法进行仿真与性能比较，证明了调控百叶控制的必要性，其中百叶的控制方法采用的是基于太阳方位的临界角算法。2015年，Borowczyński等[51]利用天空扫描图像进行太阳轨迹的计算，从而进一步进行太阳方位的判断，利用几何关系推算百叶旋转角度从而实现遮阳调控。2015，Karlsen等[52]结合垂直照度临界值与辐照度临界值相结合的方式，设计出新型控制模式，从而实现室内温度与人工照明能耗的优化；2017，Touma等[53]利用卡塔尔多哈的一个实验舱对两种不同的室外遮阳百叶进行了仿真与验证，其中百叶控制系统采用了阻止室内直射光辐射的方法，百叶角度由水平角方向持续减小直至保证测试区域无直射光，并用眩光指标DGI对其室内光学舒适度进行评价，证实了其可行性。2017，Eltaweel等[54]针对反光百叶设计了一种采光调控算法，能够根据太阳高度角自动调节百叶位置，将入射直射光反射到天花板以增大室内漫反射天然采光。

2 基于智能遮阳百叶调控模型差异的分类

随着多元学科交叉的迭代升级，统计学概率论逐渐渗透于建筑性能研究中，以更好地提升建筑性能研究的科学性与准确性。受益于此，模型驱动下的智能遮阳百叶控制设计应运而生。既有研究中，模型驱动的控制方法主要分为两类：基于数学统计模型下的调控策略与基于仿真模型下的调控策略。基于数学统计模型下的调控策略设计，旨在收集使用者调节行为数据，建立“室外环境变量——使用者主动调节下的室内百叶形态”的回归模型，以预测的方式用于采光优化控制；基于仿真模型下的调控策略设计，旨在借助仿真工具生成室内光环境性能指标，获取“室外环境变量——满足室内光环境理想指标的室内百叶形态”的数据映射，构建有效的数据模型，以指导采光调控系统进行调节(表3)。

表3 智能遮阳百叶调控模型类型与算法选型

2.1 基于行为模型下的调控策略

该调控策略旨在通过构建使用者行为模型，将使用者对遮阳系统的潜在调节状况进行预测。预测模型由搜集数据集统计而成，数据集由室外环境数据与期间使用者遮阳照明操作方面的动作数据组成，两者构建映射相关性。该调控策略力求满足使用者的照度偏好，以实现室内采光舒适。早在20世纪70年代就出现过使用者采光调节行为的数据观察与统计研究[57，58]。相关学者将其扩展为预测模型[59]，并将其运用于人工照明开关智能调控上[60，61]。2004年，Reinhart等[62-64]创立了动态随机算法(stochastic algorithm)以仿真私人办公空间下的真实开关行为，该算法模型基于长期的行为观察记录所得，并记录了四种不同的使用者类型以仿真不同使用者的调控行为，该算法着眼于节约人工照明能耗。

基于人工照明行为调控策略，学者开始针对使用者对天然采光遮阳构件的调节行为进行研究，获取使用者进行调节的主要影响变量[65-67]。并结合相关统计学理论知识与算法，建构使用者天然采光行为预测模型，将预测模型用于动态调控中以实现采光优化与照明能耗的节约。2005年，Inkarojrit[68]开发了一种基于使用者百叶调节行为的预测模型，以用于能耗仿真性能评价，以及百叶自动调控系统的使用。研究者先在美国伯克利对113个办公空间使用者进行了百叶使用行为的数据调查统计，然后利用广义估计方程(generalized estimating equations)结合实测数据获取了13个采光百叶预测逻辑模型。2010年，Haldi等[69]对长达六年的测量数据集，进行了使用情形和光热参数对遮阳百叶调节行为的影响分析。从而获取精准的百叶使用行为预测模型。利用马尔可夫算法(markov)确定了百叶初始位置，室内外照度作为关键输入变量，对百叶窗的拉伸做预测，同时构建了另一个模型预测百叶遮阳覆盖率(shaded fraction)，最后对12个办公室进行了20次仿真证明了其预测模型的准确性。2014年，Gunay等[70]研究者在水平照度固定临界点调控设计的基础上，将使用者行为干预的情况考虑到自动化调控范围中，通过卡尔曼滤波器技术(kalman filter)将使用者调节时的水平面照度与临界照度(500 lx与2 000 lx)做耦合处理，使其不断进行临界值的调整修正，从而完成调控采光调节。在对10个使用者的办公空间使用情况进行仿真验证后，相较于纯人工调节与纯自动化调节，该方案减少了约80%～85%的人工干预，且减少了大量人工照明用电能耗。2017年，Gunay等[71]同时对室外环境数据和使用者手动调节动态遮阳百叶的行为数据进行长时间收集并进行数据分析，制定了一种递归算法，来开发近似离散时间的马尔可夫逻辑回归模型(approximate discrete-time markov logistic regression model)，以用来学习使用者的室内照度偏好，从而实现预测建筑物调控器内部的灯光开启和窗帘关闭行为，并将其分别运用于五个私人办公空间和一个共享空间的调节系统中进行测试，以指导调控动态采光百叶幕墙实现智能化操作。实验结果证明，该调控算法在保证使用者视觉舒适的同时，具有节约大量人工照明能耗的潜力。

2.2 基于仿真模型下的调控策略

基于仿真模型下的调控调节，则是采用仿真模型推导遮阳形态与室内天然采光性能之间的关联，在逐时甚至更小时间粒度天光气象数据的基础上构建有效的天空模型，将其用于动态百叶遮阳调控模拟，以直接指导预测模型。在仿真技术方面，早期的仿真模拟借助数学函数关系推导室内外照度与亮度的计算关系[73]，此方法难以反映光学复杂传递现象。此后，受惠于高性能光学渲染模拟引擎的技术不断突破，采光仿真模拟技术得以迅猛发展，各类仿真工具层出不穷，仿真精度也得以不断升级。研究者尝试运用采光模拟技术实现室内外采光性能非线性映射，以替代复杂的数学公式计算并同时提升仿真精度。光学模拟的关键与难点在于处理光学视觉构件的光学现象，学界常借助双向散射分布函数(Bidirectional Scattering Distribution Function，BSDF)[74-76]进行光线界面传输的计算，在实测中常用分布式光度计(goniophotometer)获取BSDF参数，在模拟中可通过光线跟踪算法(ray-tracing)替代光度计以获取BSDF的有效值[77]。目前常用于支持遮阳动态模拟的光学仿真工具为光学专家Greg Ward开发的高精度光环境模拟引擎Radiance[78]，后续增添三相位矩阵计算模块(three-phase method)可将室外、透光界面与室内的光传输量传输各自分成矩阵，以实现快速前向光线追踪[79]。

受助于此，相关学者开始广泛探索基于模拟技术下的开环式采光遮阳调控设计(simulation-based control)[80，81]。在模拟平台中将室内采光环境量化指标设定为优化目标，通过向模拟模型输入相关室外环境信息变量(譬如本地气象信息、天空亮度分布、室内使用者的使用情况等)，获取不同遮阳硬件形态下的优化目标值，并进行排序评估，获取最优解并指导系统调节遮阳形态，结合相关调控优化技术实现最优解的筛选。2016年，Xiong等[82]设计出一款基于模型的调控遮阳控制系统，利用高速处理模型算法技术实现实时室内照明性能与能耗以及眩光的仿真，并同时得出三个优化评价指标——DGP、垂直与水平照度值，从而指导调节遮阳形态。当同时满足三个指标的阈值范围后，则可确定最佳遮阳形态从而实现调控遮阳，结合自动人工照明可实现办公节能，最后进行了全年的模拟验证，证明其控制算法的有效性。2017，Katsifaraki等[83]设计了基于快速模拟技术的采光优化自动百叶系统控制方法，建立输入(input)—输出(output)下的室内外环境数据映射模型，通过输入使用办公空间下的气象数据及室内温度，获取室内工作面平均照度值与最大垂直采光照度值，以阻止室内眩光的同时获取最大天然采光，最后利用模糊算法(fuzzy logic)进行最优解的获取。其中技术实现采用了运用基于三相位矩阵(three-phase method)算法的快速预测模拟技术引擎Fener，并通过BSDF实现百叶动态模拟，每一个函数矩阵可以表示一种百叶形态。2017，Bustamante等[84]采用新型设计模拟工具mkSchedule分别对传统百叶与穿孔滤光百叶进行自动控制模拟，在控制系统设计上，采用最大垂直日照辐射(maximum incident irradiance)作为百叶角度输入变量。具体流程为首先分别计算百叶每个角度下的全年ASE2000/400h、sDA300/50%、室内温度、HVAC 能耗，随后选择满足ASE2000/400h小于20%、sDA300/50%大于50%范围内且满足最低能耗的百叶角度变量，调节后计算水平工作面照度与自动人工照明补偿值，从而实现室内理想采光照明。2019，Tabadkani等[85]开发了一种以视觉舒适为导向的调控表皮遮阳系统，利用参数化设计平台与仿真性能插件Honeybee与Ladybug建立形态控制参量与采光控制优化目标的映射关系，最终作为控制内置方法，优化目标采用有效水平照度指标UDI的变体——逐时有效水平照度(Hourly Useful Daylight Illuminance，HUDI)，旨在有效控制眩光的同时实现天然采光最大化，并利用模拟对其眩光相关指标进行了分析，证明了其有效性。

3 分析与讨论

对于智能遮阳百叶调控，反馈方式的有无赋予调控策略的多样性。而调控模型的使用则是开环调控策略进一步的衍生。不论是开环还是闭环调控，抑或行为模型与仿真模型调控策略，都具有各自的应用特征与使用局限性。

基于终端反馈的闭环调控能够根据反馈具体情况展开自适应调节，其一般与人工照明兼并为整体联动系统(daylight-linked control)，两者互补以维持工作面照度不变，保证视觉效应的同时，最大化利用天然采光，从而减少人工照明能耗。但其缺点在于安装与校正较为困难，难以普及推广[28]，特别是室内传感器在区别室内自然光照度与人工照明光照度时容易混淆产生误差，室内传感器往往安装在天花板上，所测的光照需乘以校正系数才能转化为桌面照度，而校正系数往往不准确易变化，白天与夜晚的校正系数需分别获取，这个步骤往往直接导致调控决策的不确定性[29-31]，对于大中型开放办公空间则需要为每个工作区域安装传感器，不仅成本高昂，且多个传感器协同困难，人工光源会互相干扰彼此照度捕捉，因此调控充满不确定性。另一方面，据美国LBNA相关研究表明，满足理想闭环调控策略的硬件在市场上乏善可陈，且操作系统复杂难以理解，进一步阻碍了闭环调控策略的研发设计与普及推广[32]。此外，基于图像传感器的闭环调控，易干涉户内使用者隐私，布局也影响室内空间的使用。因此既有的闭环策略，较多用于人工照明控制，在室内天然采光的控制与优化上，具有较大的局限性。

对于非模型调控下的开环调控其优点在于简单实用，利用角度与直射辐照监控下的直射光遮挡情况便可展开实时调节。然而其缺点在于它仅考虑直射光线的存在，未进一步考虑天空变化以及漫反射带来的眩光，许多研究证实其不足以调控眩光，当满足直射光遮挡时，眩光指标却往往超出舒适范围。该控制模式往往未考虑遮阳构件的材质反射率的影响，对于高反光率的百叶，受到直射光照射时，百叶等遮阳构件往往成为眩光源，其反射的直射光会成为额外的眩光来源；另一方面，早期自动百叶控制以日照辐射强度为采光优化评价指标，而既有研究对于辐射的边界条件定义各不同[55，56]，无法统一阈值，该指标往往会随着建筑室内性能需求而变化。

基于行为模型的采光调控系统学习使用者的行为习惯，在学习精度得以保证的前提下更加满足使用者的采光需求。然而该调控策略具有如下几个方面的缺陷：(1)使用者的采光选择往往受到视觉生理与心理的双重影响，在相同室外条件下决策时有不同。此外使用者常忘记或不愿及时主动调节百叶等遮阳设备，特别对于多人同时使用的开放办公空间尤其常见，随着室外光照的变化并满足开启百叶的条件时，往往会因人工照明满足室内照度需求而忽视进行百叶的及时调节[72]，因此使用者行为的数据统计结果无法完全评价室内天然采光环境的优劣，其生成的预测模型若用于采光调控系统，或造成巨大的人工照明与制冷暖通上的能耗浪费。(2)对于大中型开放办公空间而言，所有使用者的采光偏好无法统一，统计的数据往往缺乏规律，生成的预测模型会产生严重误差。这也是为何当前大多与行为有关的智能调控研究，往往集中于私人办公空间。(3)建构该预测模型前期需要实测大量的用户使用行为数据，工作量与成本较大，实际应用较为困难。(4)对于拥有多百叶窗的办公空间，人为个体的调节无法达到最有效的室内自然光环境使用，当某一使用者调节某一目标百叶窗时，往往仅满足其该处的采光区域，或造成其他使用者区域的天然采光照度过高或过低，因此无法实现多个区域的理想协同优化。

仿真模拟技术不仅能够收集全年时长的数据而无需高昂成本的数据实测，同时针对不同遮阳形态场景能够进行条件分析，从而更为全面地获取不同局部空间下的不同使用条件的采光指标，以及不同光源的照度与亮度贡献值，因此为自动遮阳百叶调控策略带来了新机遇。然而直接依赖模拟技术进行智能控制十分耗时，特别是面对高精度室内环境采光性能模拟时，无法短时间内获取室外环境、百叶形态以及室内光舒适指标的映射关系。因此基于光学仿真模型下的自动遮阳百叶调控策略仅停留于研究理论层面，无法直接应用于百叶系统的实际控制之中。虽后续有研究者通过Three phase、Five phase等相关算法通过简化计算从而减少计算时间[79，87]，但相关研究指出该类方法精度不高，误差较大[87]。Lee等[89]曾对基于BSDF的Three phase算法与Five phase算法做过不同天然采光调结构件(自然反光百叶、穿孔滤光百叶以及传统百叶)下的模拟与实测对比验证，数据以满足测量周期75%实测数据一致为标准，最终结果准确率不足20%，证实了这种简化算法无法保证模拟精度。

4 总结

智能遮阳百叶调控从传统的闭环调控天然采光遮阳控制方法，逐渐朝开环调控采光遮阳控制方法发展；从简单日照直射光遮挡型的天然采光调控策略，到整合不同采光评价指标作为复合目标下的调控采光优化方法。近年来相关研究也蓬勃展开，结合新技术也不断进行拓展优化，调控策略手段愈发成熟。然而，即便如此，在当下建筑市场调控采光遮阳控制技术依然具有瓶颈，需展开如下深入研究：

(1)空间类型研究亟需拓展。既有研究大多针对单人办公空间设计控制方法，鲜有对于多人办公的开放办公空间(open-plan office)进行调控采光遮阳控制方法的研究与思考，而开放办公空间的调控遮阳控制系统设计更为复杂且具有挑战性，其使用区域呈时空动态变化，涉及多目标协同。随着开放办公空间的广泛使用，亟需针对性地进行采光方法智能化研究，以实现更为舒适与高效的光环境调控策略与建筑节能减排。

(2)采光评价指标使用需适宜。以采光主观评价指标作为优化目标的调控遮阳调节方法，是当下主流智能化遮阳研究方向。其研究重点之一在于采用何种采光评价指标作为优化目标，不同采光评价指标的侧重点不同，对于眩光的评价往往各自具有局限性。许多控制系统常采用多个评价指标进行多目标优化，以克服单个采光评价指标的缺陷并实现更为优异采光遮阳性能，此种做法极大地增加计算量，不利于短时间内调控。对于实时调控的调控动态采光系统而言，需要分析与选择准确适宜的光环境性能指标，结合使用评价指标进行流程设计，并最小化控制变量数量，力求简化计算流程。

(3)突破仿真技术使用上的局限性。典型光环境仿真工具譬如Daysim、DesignBuilder等大多采用仿真渲染引擎Radiance，满足实测标准精度下的仿真耗时较长，无法用于实际条件下的采光调控。即使相关学者曾提出五相位算法(five-phase method)将太阳直射光与天空环境光的影响分开计算以弥补三相位矩阵仿真算法的不足[86]，其仿真精度依然无法保证[87]。需借助机器学习等相关黑箱模型，建构代理完成调控。

(4)突破优化技术快速调控上的局限性。借助仿真流程在获取“室外环境—室内指标”映射信息后，需采用合适的调控策略技术，以选择满足评价指标边界条件范围下的理想值。调控策略技术是基于模型下的动态遮阳调控系统的技术核心。常用的模糊控制逻辑(fuzzy control)[89]或是进化算法中的遗传算法(Genetic Algorithm，GA)[90]都有极大的局限性，模糊算法仅能处理二进制布尔问题(true or false)，对于连续变量的判断优化，则需对每个取值(譬如照度值)进行布尔判断，会大大增加搜索范围，极大地降低决策速度，无法实现实时控制。对于大范围的开放办公空间采光，需要多个测试点进行全局优化，既有优化算法往往捉襟见肘。亟需开发新型优化算法，满足智能遮阳百叶调控实时优化，以实现调控的需求。