机器学习在室内智能照明工程中的应用研究

摘要

照明系统作为建筑的重要组成部分，正随着智能建筑的兴起而迅速发展。照度计算是照明系统工程中的必要环节，可用于照明系统设计，室内照度校验和灯具的控制，而传统的照度计算方法——利用系数法由于利用系数查表过程复杂，给照明系统的设计和控制带来了不便。机器学习作为人工智能中的研究热点，善于解决分类和回归问题，在照明工程中也有了广泛的应用。 本文将机器学习方法应用到照明工程中，使用机器学习方法改进了利用系数法，在保证计算精度的同时简化灯具利用系数计算过程，并基于聚类算法和改进的照度计算方法设计了一种室内智能照明控制系统。主要研究内容包括以下三个部分： （1）针对传统利用系数法中灯具利用系数查表法过程复杂且计算结果不精确的问题，提出了使用机器学习方法拟合灯具的利用系数表，以改进照度计算方法。以YG1-1型荧光灯管的利用系数为数据集，分别建立了基于神经网络的利用系数计算模型、基于支持向量机的利用系数计算模型和基于随机森林的利用系数计算模型，使用交叉验证和控制变量法进行模型超参数的调节。同时对三种模型的计算精确度进行比较，找出最优的模型。使用训练好的模型进行灯具利用系数的计算，以简化计算过程，提高计算精度。 （2）对基于神经网络的利用系数计算模型进行优化，以降低计算结果的相对误差率，提高收敛速度。优化途径主要包括模型的权值初始化方法优化、更新算法优化和网络结构优化。在权值初始化方法优化中，提出了使用粒子群优化算法寻找初始权值，同时将结果与其他初始化方法进行比较。在更新算法优化中，比较并分析了多种梯度下降法训练模型后的相对误差率。在网络结构优化中，提出了使用两个神经网络分别计算有效地板反射比为0.2时的利用系数和有效地板反射比不为0.2时的利用系数修正系数，以充分利用灯具利用系数表中的所有数据。最后，通过比较性实验验证了三种优化途径在基于神经网络的利用系数计算模型上的有效性。 （3）针对传统照明系统无法实时、智能地控制照明区域，导致电能浪费的现象，设计了一种基于改进DBSCAN算法的智能照明控制系统。使用传感器获取室内人员位置信息。将位置信息转化为照明平面上的二维坐标数据并使用改进后的DBSCAN聚类算法对数据进行聚类分析，找出人员分布相对密集的区域；使用利用系数法在每个区域上进行照度计算，计算每个区域需要开启的灯具个数或开启灯具的光通量。在照度计算过程中，使用（2）中提出的神经网络模型进行利用系数计算，以简化计算，提高计算精度。通过对照明区域的实时控制，有效减少电能消耗。

目录

声明

第一章 绪 论

1.1 问题的提出及研究意义

1.2 国内外研究和发展现状

1.3 研究内容

第二章 照明系统工程

2.1 照明概述

2.2 照度计算

2.3 利用系数

2.4 智能照明控制

2.5 本章小结

第三章 机器学习算法

3.1 梯度下降

3.3 神经网络

3.4 决策树与随机森林

3.5 支持向量机

3.6 DBSCAN

3.7 本章小结

第四章 基于机器学习的利用系数计算方法

4.1数据处理

4.2 基于神经网络的利用系数计算方法

4.3 基于支持向量机和随机森林的利用系数计算方法

4.4 对比实验及结果分析

4.5 本章小结

第五章 利用系数计算模型优化

5.1 初始权值优化

5.2 更新算法优化

5.3 网络结构优化

5.4 对比实验及结果分析

5.5 本章小结

第六章 基于DBSCAN算法的智能照明系统

6.1 改进DBSCAN算法

6.2 系统框架

6.3 控制器设计

6.4 仿真测试结果

6.5 本章小结

第七章 总结

参考文献

图 表 目 录

致谢

作者简历