基于BIM技術的變電站室內照明系統照度測算方法

王紫雷， 王夢薇， 劉鑫， 單嬋， 郭斌彬

(國網上海市電力公司經濟技術研究院， 上海 200002)

0 引言

變電站中的操作房間往往是無窗的，為了保證相關工作人員在操作時不會出現錯誤，需要保證變電站中房間照度符合相關要求[1-3]，所以需要進行室內照明系統的照度測算，而對照度測算的研究近年才起步[4]。早期國外對照度測算的方法均為單位容量法與系數法，利用這兩種方法獲得大致估算的照度數值，但是這種方法缺乏智能性。我國的研究雖然起步較晚，但由于相關領域較為發達，我國研究者研究出了利用光電探測器建立起的照明測試系統，可以將操作房間中關鍵工作臺的照度進行測算，但無法實現對房間整體照度的測算[5-6]。而BIM利用多種建筑學信息軟件對建筑內部和外部進行模擬，同時也可以利用該技術建立光環境模型，進一步地對室內光照情況進行模擬，在此基礎上進行變電站室內照明系統照度測算，以此進一步提升變電站建設質量。

1 變電站室內照明系統照度測算

1.1 基于BIM技術的室內光環境模擬

BIM技術可以通過三維形式對建筑結構進行模擬，從而解決復雜工程問題[7]。在本文中，利用BIM技術模擬光環境，進而對室內光環境的相關參數進行確定，其中選擇BIM技術中的Revit系列軟件作為光環境模擬的技術核心，室內光環境模擬過程如圖1所示。

在進行變電站室內光環境模擬前，需要對場地還原，利用模擬場地實現參數驅動。而對變電站室內光照參數導入則需要依靠燈具光譜對照明范圍進行分層處理，將照明范圍

分為3個區域[8-9]，即光照直射區、光照有效區以及光照影響區，如圖2所示。

圖2 光照模擬圖

通過對場地以及光照的還原并將相關參數導入BIM平臺軟件中，獲得變電站室內所測區域的光環境[10]。

1.2 光照測量接收模型

在對變電站室內照度測量過程中，需要利用光探測器接收光度，通過物理光度接收設備可以正確地給出其測量值，但在實際測量時，由于光源尺寸和光源表面距離較小，容易造成點光源的接收效果不佳[11-12]。因此，本文運用距離平方反比定律來構建光源測量模型，由于上文運用了BIM技術完成了變電站室內光環境的模擬，可以據此確定點光源的發光強度，這里將該點光源的發光強度設為I，同時在距離點光源的l位置設有一個與點光源光線方向垂直的面元dA，則存在：

dΦ=I·dΩ=IdA/l2

(1)

式中，dΦ代表面元dA下點光源的張角，dΩ則代表面元dA下點光源的立體角，則得到單一點光源的照度[13]為

E=I/l2

(2)

但當接收到的光線是非垂直光線時，設受光面的法線和照射光線之間的夾角為θ，則照度可以表示為

E=Icosθ/l2

(3)

而在上述公式中，僅能對變電站室內單一點光源的照度進行測算[14]，無法對室內的整體照度進行測算，因此需要進一步的運算，以獲取整體照度。

1.3 基于神經網絡的照度測算

(4)

本文采用神經網絡中的后向傳播學習運算，當學習樣本輸入后，神經網絡需要沿著網絡權值以及閾值函數式向著負梯度方向修正，函數式如式(5)：

xk+1=xk-αkgk

(5)

(6)

計算誤差函數對輸出層權值的導數，結果表示為

(7)

針對上述所產生的誤差函數導數，可對隱層的權重更新過程進一步推斷，更新方程為

(8)

利用式(8)對隱層權重值進行更新，即可通過設置合理的權重值來降低神經網絡的誤差值。在進行照度測算過程中，利用上文中的光照測量模型，獲得單個點光源的數據輸入至神經網絡中，將樣本輸入后，計算神經網絡中間各層單元的輸入sj，并利用sj的傳遞函數來計算中間層單元的輸出bj。計算完成后，對中間層中的輸出bj、連接權值wij和閾值θij進行計算，獲取各層單元內的輸出lj，同時利用傳遞函數來計算神經網絡輸出層中單元節點的響應值ct，在得出ct后利用神經網絡的目標期望值以及實際輸出值通過式(6)以及式(7)計算出神經網絡誤差，并應用式(8)進行權重調整。選擇下一個輸入樣本，直到所有輸入樣本完成訓練，在神經元運算中，通過誤差對比來確定隱層神經元的個數，并根據神經網絡綜合所有輸入值測算出變電站室內照明系統的整體照度。

2 實驗論證分析

為了驗證本文所設計的基于BIM技術的變電站室內照明系統照度測算方法能夠滿足設計需求，在某變電站中選擇一個無窗操作房間，該房間的長12 m，寬7 m，高3.5 m，所需照度需要達到250 lx，利用本文方法來確認該房間中室內照明系統的照度是否滿足需求。

2.1 實驗場景參數

采集變電站房間內影響照度的相關參數，將這些參數作為實驗樣本，實驗樣本值如表1所示。

表1 實驗樣本值

由于采集到的樣本參數不同，本文在進行運算中選擇其平均值，燈具效率為0.83，燈具高度為3.5 m，天花板反射比為0.375，地板反射比為0.225，墻面反射比為0.45，房間面積為84 m2，熒光燈光通量為2 451 lm。

2.2 實驗運算設備

在實驗過程中，使用PC主機來搭載神經網絡以及BIM相關平臺和軟件，PC主機硬件配置如下：主板型號為華南H61、顯卡型號為GTX 1050 Ti 4GV1、顯存容量為4 GB、位寬128 bit、硬盤型號為WD 1TB、硬盤容量為1TB、內存型號為HX424C15FB/8、內存容量8 GB。

2.3 實驗測算方法訓練

本文主要利用神經網絡進行變電站室內照明系統照度測算，在確認相關輸入參數后，需要先對神經網絡進行訓練，首先通過訓練來確定神經網絡中的隱層神經元個數，神經網絡訓練過程中的神經元誤差如下。

表2 神經網絡訓練過程中的神經元誤差

在訓練過程中，當神經元數量達到12后訓練時間過高，而當神經元個數為9時，最大誤差和最小誤差的值最小，同時訓練時間在要求范圍內，因此本次實驗中神經元網絡中的隱藏層神經元數量為9。確定神經元個數后，即可將通過BIM技術以及光照測量接收模型所獲取的參數作為輸入樣本進行訓練，考慮到不同訓練函數對神經網絡的性能存在一定影響，因此采用不同訓練函數進行訓練，本文采用traingdx對網絡進行訓練得出的結果如圖3所示。

圖3 采用traingdx函數訓練神經網絡的結果

分析圖3可知，采用traingdx函數訓練神經網絡的誤差為[-0.004 3 0.051 7; -0.078 -0.014 6; -0.042 7 -0.016 2; -0.041 2 0.012 7; -0.027 1 -0.015 8]，在運用traingdx函數進行訓練后，采用traingdm對神經網絡進行進一步的訓練，訓練結果如圖4所示。

圖4 traingdm函數對神經網絡的二次訓練結果

分析圖4可知，此時神經網絡誤差為[0.019 7 0.024 6; 0.007 4 0.031 8; 0.014 1 0.012 6; -0.014 1 -0.016 1; -0.031 1 -0.048 7]符合誤差要求。在完成訓練后，將所有參數輸入神經網絡，并測算變電站室內照明系統的照度，計算過程中部分程序如圖5所示。

圖5 測算過程部分程序

在圖5程序中，最終得出Y1=[12 0.265]，代表在燈具數量為12的情況下該房間的整體照度值為265 lx，而265 lx>250 lx證明該房間中的室內照明系統照度滿足該變電站操作房間的照度要求。同時實驗也證實本文方法可以對房間整體照度進行測算，滿足設計要求。

3 總結

本文主要通過BIM技術進行變電站室內光環境模擬，同時利用神經網絡完成對室內照明系統的照度測算方法的設計，最后通過實驗也證明了本文所設計方法的可行性。但本文所使用的神經網絡訓練樣本較少，可能會造成照度測算結果存在一定的誤差，因此需要在后續的研究中增加樣本數量或測量參數，也可以通過三維坐標來確定布置位置，并進行智能的燈具布置設計，這些都是未來研究的主要方向。