基于改進粒子群算法的智能照明控制策略研究

馮冬青，潘 磊

(鄭州大學 電氣工程學院，河南 鄭州450001)

0 引言

照明系統的設計需要考慮系統的節能舒適性，綜合利用太陽光和人工光已經成為智能照明領域研究的熱點問題［1-4］． 目前國內外照明界提出的控制策略主要包括時間表控制策略、晝光(自然光)控制策略、維持光通量控制策略、明暗適應策略、局部光環境控制策略(按個人要求調整光照)、平衡照明日負荷曲線控制策略等［5］．其中，Wang 等［3］研究了利用模糊控制算法調控窗簾的開啟． Yin 等［4］研究了PWM 調光、定時調光和自適應調光等多種調光模式． 但是將粒子群算法應用于控制太陽光和人工光的研究卻很少． 筆者將粒子群算法引入到室內智能照明中，并對其進行了改進，通過合理地利用太陽光和人工光，實現節能和舒適的綜合最優．

首先，考慮人眼舒適性，根據相關參數計算出太陽高度角的變化．在太陽高度角較大時，調節窗簾的長度以遮擋直射的太陽光，從而保證人眼的舒適性，同時保證人員不在的區域充分利用太陽光．當人所在區域的照度不能滿足需求時，調節燈具的亮度進行人工補光． 在燈具亮度的調節過程中采用改進的粒子群算法對控制策略進行優化，在滿足照度的情況下，使得燈具的能耗最小，達到舒適和節能的綜合最優．最后，通過實際的辦公室模型進行了模擬仿真，驗證了控制策略的有效性．

1 模型的建立

1．1 窗簾模型的建立

太陽的位置決定了太陽射來的方向，太陽的位置由太陽高度角和太陽的方位角決定． 太陽高度角h 以及太陽方位角A 的計算如式(1)、(2)．

h=arcsin(sinφsinσ+cosφcosσcost); (1)

式中:φ 表示該地區的緯度，北緯為正，南緯為負;σ 表示太陽的緯度;t 表示時間角度，t 等于15°與距離正午時間小時數的乘積;n 表示一年的第n 天．

窗戶的方位角ω 的取值如下:在正南方窗戶方位角為0°，在正東方窗戶方位角為90°．從人的角度看到的太陽高度角h1由式(4)計算．

下面舉例分析，窗簾模型如圖1 所示，窗戶底端距地面高度以及桌面離地高度均為d1，最近的辦公桌距離窗戶d2，窗簾的總長度為y，窗簾實際開啟長度y1的調節模型如式(5)．

人看到的太陽高度角小于hmax較為舒適． 當人看到的太陽高度角小于hmax時，窗簾全部開啟，充分利用太陽光;當人看到的太陽高度角大于等于hmax時，如圖1 中h2＞hmax時，調節窗簾的長度遮擋直射的太陽光，在保證光照舒適性的同時，充分利用窗臺到辦公桌之間的太陽光．

圖1 窗簾模型示意圖Fig．1 The sketch of curtain model

1．2 照度模型的建立

以采用近似點光源的燈具為前提，假設室內各個墻面的反射光所產生的照度對檢測點照度的影響很小，并且每一點的水平照度是由各個燈具在該處產生的水平照度的線性組合．如圖2 所示，燈具A 在P 點產生的水平照度計算如式(6)［6］．

圖2 點光源與P 點照度計算示意圖Fig．2 The sketch of calculation between point light and illumination of P point

圖3 辦公室燈具以及辦公桌分布示意圖Fig．3 The distribution sketch of office lamp and office table

燈具的最大亮度為4 500 lm，燈具內部可以實現0 ～4 500 lm 的多級調光，實驗中將燈具分4 500級調光．辦公室長8 m，寬5 m，辦公桌面與燈具的垂直高度H 為3 m，1 ～8 號燈具與1 ～6 號辦公桌面的水平距離L 如表1 所示． 用I1～I8表示燈具1 ～8 的亮度，E1～E6表示1 ～8 號燈具在1 ～6 號辦公桌面產生的水平照度，則燈具在1 ～6號辦公桌面產生的水平照度模型如式(7)．

表1 燈具與辦公桌水平距離表Tab.1 the table of the horizontal distance between lamp and office table m

式中:I(θ)表示燈具A 配光曲線θ 方向的光強，lm;E 表示燈具A 在P 位置產生的水平照度，lx;H表示燈具A 到P 點的垂直距離，m;L 表示燈具A與P 點的水平距離，m．

辦公室燈具以及辦公桌分布如圖3 所示．

式中:f1=0．133 6;f2=0．062 466;f3=0．019 33;f4=0．116 5;f5=0．055 175;f6=0．016 221．

2 改進的粒子群算法

粒子群算法［7-8］是一種進化計算技術，由Eberhart 博士和kennedy 博士于1995 年提出．粒子群優化算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解．粒子群算法的優勢在于簡單、容易實現，并且沒有過多參數的調節，目前已被廣泛應用于神經網絡訓練、參數優化、系統建模等領域［9-10］．筆者對粒子群算法進行了改進:傳統的粒子群算法是對所有的個體進行智能搜索，而筆者將3/4 個體進行智能搜索，1/4 個體進行隨機搜索．隨機搜索是指在解空間內隨機搜索，這樣可以保證粒子的多樣性，避免陷入局部最優．粒子更新的速度與位置計算如式(8)、(9)．

式中:vi表示當前所有燈具亮度變化的速度組合;ω表示慣性因子，ω 的計算如式(10)，迭代初期較大的慣性因子使算法保持了較強的全局搜索能力，而迭代后期較小的慣性權重有利于算法進行更精確的局部搜索;ξ，η 是［0，1］區間內均勻分布的隨機數;pi表示某一燈具亮度組合經歷的最佳值;gi表示群體中所有燈具亮度組合經歷的最佳值;xi表示當前燈具的亮度組合;ωmax表示慣性因子最大值;ωmin表示慣性因子最小值;kmax表示粒子群迭代的最大次數;k 表示粒子群當前的迭代次數．

1 ～6 號辦公桌面需求照度為750 lx，誤差允許范圍為±1%，在誤差允許范圍內搜索能耗最小的燈具亮度組合進行調光，用f 表示粒子的適應度，1/f 表示目標函數值(燈具的能耗)，粒子的適應度函數如式(11)．

式中:Ii表示第i 盞燈具的亮度度值，無量綱;n 表示燈具的個數．

改進的粒子群算法步驟如下:

Step1:初始化一群微粒，包括隨機燈具的亮度和速度;

Step2:評價每個微粒的適應度;

Step3:根據新的適應度值更新個體最優pi和群體最優gi;

Step4:隨機選取3/4 的粒子根據式(8)、(9)調整燈具亮度變化的速度和位置，其余1/4 粒子在搜索空間中重新隨機賦值;

Step5:未達到結束條件則轉Step2．

3 實驗仿真

子迭代次數kmax=50，加速因子c1=0．8，c2=0．8，慣性因子最大值ωmax=0．9，慣性因子最小值ωmin=0．4．原始的粒子群算法搜索出1 ～8 號燈具亮度值分別為1 026，325，448，1 389，1 476，806，616，1 234 lm．開啟燈具補光后室內6 個辦公區域的照度分別為758，756，752，754，746，758 lx，滿足照度需求．改進的粒子群算法搜索出1 ～8 號燈具亮度值分別為1 014，304，446，1361，1462，794，612，1 226 lm．開啟燈具補光后室內6 個辦公區域的照度分別為746，752，748，749，741，755 lx，滿足照度需求．

原始的粒子群算法以及改進的粒子群算法運行的結果如圖4 所示，從圖4 可以看出，在滿足照度需求的情況下，改進的粒子群算法比原始的粒子群算法能更快地搜索出最佳燈具亮度組合，并且改進的粒子群算法搜索出的燈具能耗小，驗證了改進粒子群算法的優越性．

圖4 粒子群優化算法進化示意圖Fig．4 The sketch of evolution of particle swarm optimization

每隔5 s 采集燈具亮度值，利用改進的粒子群算法求出一天之內各燈具亮度隨時間調整曲線如圖5 所示．

圖5 各燈具亮度調整曲線Fig．5 the regulation curves of every lamp’s luminance

在MATLAB2012 環境下進行實驗仿真，以中午11:20 為例，其中初始化粒子個數M =500，粒

從圖5 可以看出，早上8:30 到11:00 左右，隨著自然光照的增強，燈具的開啟等級逐漸減小，當11:00 左右時，由于人眼所看到的太陽高度角超過上限值，窗簾需要遮擋直射的太陽光，此時室內的自然光強減弱，因此需要增大燈具的開啟級別進行補光．同時，每一時刻燈具的最佳的亮度組合保證能耗最小，大大節省了電能．

4 結論

首先，通過計算人眼所處位置的太陽高度角來調節窗簾的長度以遮擋直射的太陽光，這樣就滿足了人眼的舒適性的要求．然后，通過運用改進的粒子群算法實現舒適和節能的綜合最優． 在同時滿足照度需求的情況下，改進的粒子群算法比原始的粒子群算法能夠較快地搜索出燈具亮度組合，并且燈具能耗較小，驗證了改進粒子群算法的優越性． 最后，通過實驗驗證了控制策略的有效性，可應用于智能大廈以及普通的辦公室照明．另外，該控制策略在滿足智能化以及信息化的同時，實現了電能的節約．

［1］ PAN Meng-shiuan，YEH Lun-wu，CHEN Yen-ann，et al． A WSN-based intelligent light control system considering user activities and profiles［J］． Sensor Journal，2008，8(10):1710 -1721．

［2］ BELLIDO-OUTEIRINO F J． Building lighting automation through the integration of DALI with wireless sensor networks［J］． Consumer Electronics，2012，58(1):47 -52．

［3］ WANG Ya-ning，WANG Zhao-feng． Design of intelligent residential lighting control system based on zigbee wireless sensor network and fuzzy controller［C］//IEEE International Conference on Machine Vision and Human-machine Interface． Los Alamitos: IEEE compnter Society，2010:561 -564．

［4］ YIN Jun，WANG Wei． LED lighting control system based on the zigbee wireless network［C］//International Conference on Digital Manufacturing ＆ Automation．Los Alamitos:IEEE computer Society，2010:892-895．

［5］ 陳勇旗，譚冠政．無線遙控智能照明系統［J］． 電氣應用，2005，24(2):53 -56．

［6］ 李農，楊燕． 照明手冊［M］． 北京:科學出版社，

2003:84 -85．

［7］ 曾建潮，介婧，崔志華．微粒群算法［M］．北京:科學出版社，2004．

［8］ KENNEDY J，EBERHART R． Particle swarm optimization［C］//Proceedings of the IEEE International Conference on Neural Networks． Piscataway，NJ:IEEE Press，1995:1942 -1948．

［9］ 田雨波，潘朋朋． 粒子群算法優化神經網絡結構的研究［J］．現代電子技術，2011，34(2):100 -112．

［10］ 徐敏，袁建洲，劉四新，等．基于改進粒子群優化算法的短期風電功率預測［J］．鄭州大學學報:工學版，2012，33(6):32 -35．