一种分布式智慧建筑照明自适应节能控制方法

技术领域

本发明涉及照明控制领域，具体涉及一种分布式智慧建筑照明自适应节能控制方法。

背景技术

传统的智慧建筑照明控制方式，是通过环境光的变化来对室内灯进行照明自适应控制调节。但环境光某些时间变化较大而导致照明自适应变化频繁，容易导致内部电路不稳定而引发安全隐患；同时，若根据环境光变化对建筑物内照明整体采用相同处理，会使能耗增加且无法做到不同区域自适应。因此，需要一种分布式处理建筑物内不同区域的照明自适应控制方法，对光照变化相近的区域进行分组，结合每个组内不同时段的光照情况对不同组包括的区域内的照明设备进行自适应控制，实现分布式分组处理，保持电路稳定性的同时降低了电能消耗。

发明内容

本发明提供一种分布式智慧建筑照明自适应节能控制方法，以解决现有的照明自适应调节无法按模块分布式处理的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种分布式智慧建筑照明自适应节能控制方法，该方法包括以下步骤：

获取建筑物内部光照传感器的第一位置信息和节能灯的第二位置信息；

获取每一天每个传感器的第一光照变化序列，得到相邻传感器的第一光照变化序列之间的第一距离及每个第一距离的出现频率，根据所有第一距离的出现频率获取每一天所有第一光照变化序列的第一分割点，对所有天的第一分割点进行叠加，获取每个第一分割点的第二距离，通过对第二距离多阈值分割获取若干第一类别，根据每个第一类别中的第一分割点的第二距离获取类别可信度并与第一预设阈值比较获取若干第二分割点，根据第二分割点将所有传感器进行划分得到若干第二类别；

根据第一分割点与第二分割点获取每个第一光照变化序列的第一权重值，根据第一权重值将每个传感器的第一光照变化序列的光照数据加权得到每个传感器的第二光照变化序列，根据每个第二类别中每个传感器的第二光照变化序列之间的余弦相似度获取每个第二类别的第三光照变化序列；

将每个第三光照变化序列通过多阈值分割分别划分获取若干第三类别，根据第三类别中的光照数据以及第一位置信息获取补偿光图结构，根据第二位置信息获取节能灯图结构，将补偿光图结构和节能灯图结构根据第一位置信息和第二位置信息连接形成异构图，根据异构图获得第三类别的第二控制参数；

根据第二控制参数对建筑物内的节能灯进行控制。

可选的，所述获取建筑物内部光照传感器的第一位置信息和节能灯的第二位置信息，包括的具体方法为：

在建筑物内不同区域安装光照传感器获取不同区域的历史光照数据，所述历史光照数据包括若干天的光照数据，每个区域有多个光照传感器，每天的光照数据包含多个时间节点采集到的对应光照数据，每一天的光照数据作为历史光照数据的一个周期；根据光照传感器的第一位置信息。

可选的，所述每一天每个传感器的第一光照变化序列，表示从每个传感器采集到的历史光照数据中以每一天为周期划分得到的光照数据，每个传感器的每一天光照数据包含多个时间节点采集到的光照数据，多个时间节点的光照数据组成光照数据序列，即为每一天每个传感器的第一光照变化序列。

可选的，所述根据通过阈值分割得到的大于分割阈值的第一距离，获取每一天所有第一光照变化序列的第一分割点，包括的具体方法为：

根据第一距离出现的频率，通过OTSU阈值分割算法获取第一距离的划分阈值，得到大于划分阈值的若干第一距离，根据这些第一距离对传感器序列进行划分，对应分割点即是每一天所有第一光照变化序列的第一分割点，第一分割点将每一天的传感器划分为若干初始类别；

所述传感器序列为将传感器按照第一位置信息获取。

可选的，所述获取类别可信度，包括的具体方法为：

其中，

可选的，所述每个传感器的第二光照变化序列，具体的获取方法为：

其中，

可选的，所述第一光照变化序列的第一权重值，具体的获取方法为：

所述第一权重值由某个第一光照变化序列所属的初始类别的左右第一分割点，与该第一光照变化序列所属的第二类别的左右第二分割点的相似性均值获取。

可选的，所述获取补偿光图结构，包括的具体方法为：

将任意一个第二类别中的光照传感器以及该第二类别中的不同第三类别的光照数据作为节点信息，由第一位置信息获取到的距离作为图的边构成环境光图结构，再将节点信息中的光照数据与饱和光强作差值进行替换，获取到补偿光图结构；所述饱和光强表示使人体视觉感受良好的光强。

本发明相对于现有控制方式至少具有的有益效果是：通过对建筑物内部不同区域的历史光照数据进行采集，通过多天数据的加权求和得到代表性的每天不同区域的光照数据，所述光照数据可以对每天的不同区域的光照情况进行更好的表征；通过将随着时间变化相近的光照区域划分为同一个组，分组控制，有助于避免频繁的参数的改变，维持电路稳定性；同时，通过异构图结构神经网络对不同工作模式下的控制参数进行计算，有助于得到最佳的节能控制效果，减少电能的损耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供一种分布式智慧建筑照明自适应节能控制方法的流程示意图；

图2为历史光照数据示例图；

图3为每一天的第一分割点示意图；

图4为所有天的第一分割点叠加示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的一种分布式智慧建筑照明自适应节能控制方法流程图，该方法包括以下步骤：

步骤S001、获取建筑物内部的历史光照数据、光照传感器信息以及节能灯信息。

本实施例目的是对建筑照明进行自适应节能控制，因此首先需要分析建筑物内部的光照情况，实际情况中建筑物内部光照主要分为环境光照带来的亮度和内部照明带来的亮度，因此计算照明设备的控制参数必须考虑环境光照的影响，所述控制参数包括哪些照明设备开启以及开启亮度两个方面。受建筑结构的影响，有些区域在一天中长时间处于环境光照较亮区域，有些区域受到窗户反光等的影响，有时处于较暗情况而有时又处于较亮情况；太阳每天东升西落，受到建筑位置和建筑设计结构的影响，不同建筑的不同区域的环境光照情况不同且具有各自的规律性。内部照明通常是恒定的，建筑物内部的光照变化主要是环境光照变化引起的，因此通过分析建筑物内部的光照变化规律，就可以得到环境光照规律。得到建筑的环境光照规律后，就可以根据所述环境光照规律对建筑内不同区域的照明设备的控制参数进行计算，得到最佳节能的参数调节控制方法。

对于分析建筑物内部光照情况，具体的，在建筑物内不同区域安装光照传感器来获取不同区域的历史光照数据，每个区域中有多个光照传感器，历史光照数据中包含若干天的光照数据，每一天的光照数据由多个时间节点采集到的光照数据组成，而每一天的光照数据作为历史光照数据的一个周期；同时，每个光照传感器信息包括光照传感器的第一位置信息，并将所有光照传感器按照第一位置信息排列构成传感器序列，所述传感器序列按照楼层从低到高，同一楼层成排分布按顺序排列获取；每个照明设备即节能灯的信息包括节能灯的第二位置信息以及节能灯的相关工作参数，如节能灯照明时的光强，记为第一工作参数。请参阅图2，其示出了历史光照数据中第一天不同传感器采集到的光照数据，其中的A、B、C、D、E、F、G、H、…表示建筑内部不同区域的光照传感器，每个区域都有多个光照传感器，相邻字母传感器的位置相近，t1、t2、…、tn表示不同的时间节点；需要说明的是，以每一天的光照数据作为历史光照数据的周期，是因为每一天同一时间节点下的光照数据相近，每一天符合大多数环境光照的周期变化规律。

进一步需要说明的是，分布式智能照明控制系统就是系统按照预先设定的若干基本状态进行工作，这些状态会按设定的时间进行相互自动切换；对应的，本实施例中计算了不同时段下对应的不同的工作状态。而现有的中央集中控制系统将控制功能全部集中在中央处理器，当中央处理器一旦出现故障，整体系统即处于瘫痪，系统可靠性差；分布式控制系统将控制功能分散给系统中每一个模块，没有中央处理器，各功能模块之间可通过网络总线直接相互通信，预设参数存储在每个模块中，当系统中某个模块出现故障时，只是与该模块相关的功能失效，若模块所在回路出现故障，也不会影响其它回路的正常工作；对应的，本实施例中计算了环境光照变化相近的区域作为模块。

步骤S002、根据每个传感器的历史光照数据，获取多组环境光照变化相近的区域作为第二类别。

需要说明的是，每一天的光照情况并不完全一致，每个传感器采集到的每一天光照数据之间关系只是相近而不是完全相等，因此先利用DTW算法计算每一天中每个传感器光照数据之间的相似关系确定分割点，对传感器进行组划分，使得每个组中的传感器对应的区域，即为环境光照变化相近的区域。

具体的，将每个传感器采集到的每一天的多个时间节点的光照数据按照时序进行排列，作为第一光照变化序列，每个传感器每一天对应了一个第一光照变化序列；需要说明的是，由于常规的余弦相似度判断序列间相似关系时，对元素的前后关系没有进行限制，而在光照变化序列中，时序变化十分重要无法忽略，因此本实施例选择利用DTW算法分析相邻传感器的第一光照变化序列间的关系。

进一步的，通过计算获取同一天内每两个相邻传感器的第一光照变化序列之间的DTW距离，记为第一距离，第一距离越小则说明序列越相似，获取到同一天内的所有第一距离后，计算每个第一距离出现的频率，获取方法为某个第一距离出现的次数与所有第一距离数量的比值，本实施例中此处得到的比值保留两位小数；根据第一距离及第一距离出现的频率，通过OTSU阈值分割算法获取到对于同一天内所有第一距离的划分阈值

进一步需要说明的是，如果每一天的类别划分结果的叠加表现中，叠加后的分割点相近，则划分的两个类别中不同区域的变化相同是由于偶然性导致的概率较小；否则，如果叠加后的两个类别的分割点的距离较大，则较大概率是由于偶然性导致的，需要将该分割点去除，对不同天中都存在的分割点进行保留，所述保留的分割点才能表示对不同类别的划分。

请参阅图3及图4，图3示出了每一天的第一分割点的划分情况，图4为将所有天的第一分割点叠加后的表现；容易发现的是，其中a1、a2、a3相近，则该附近存在一个分割点的可能性较大，b1、b2、b3相近，则该附近存在一个分割点的可能性较大，c1和c3周围没有相近值，因此这两个值作为分割点的可能性较小，在图4中，b1、b2、b3属于同一个位置。

具体的，将所有天的第一分割点根据传感器序列的位置关系进行叠加，所述叠加方法可参照图3及图4，即是将每一天的第一分割点在传感器序列上的划分位置，叠加到同一个传感器序列中，获取到分割点序列，分割点序列中每个元素即为一个第一分割点，分割点序列中所有第一分割点的第二距离构成分割点距离序列；此时分割点距离序列中，第一分割点的第二距离越接近，这些相近的第一分割点越可能为对传感器序列中同一个相邻传感器之间位置的划分点。

所述某个第一分割点的第二距离的获取方法为：在传感器序列中，该第一分割点位于某两个传感器之间，传感器序列为按照传感器的第一位置信息排列，获取该第一分割点所在天数的所有相邻传感器之间的第一距离，计算该第一分割点所在位置之前，即按照从左向右排列的传感器序列中，该位置左侧的所有相邻传感器的第一距离及该第一分割点的第一距离之和，即为该第一分割点的第一距离之和，记为该第一分割点的第二距离；

进一步的，对得到的分割点距离序列进行OTSU多阈值分割，获取到若干第一类别，每个第一类别中包含多个第一分割点对应的第二距离，同一类别中的多个第一分割点作为分割点时的划分结果相近，用每个第一类别的类别可信度来表征该类别对应位置作为分割点的可能性；以获取到的第

其中，

此时，

进一步的，将每个第一类别的类别可信度与第一预设阈值

步骤S003、获取第二类别中每个传感器的第二光照变化序列，通过余弦相似度得到第二类别的第三光照变化序列。

将不同的光照传感器对应区域划分为了不同的第二类别，同一第二类别中光照数据在一天中的光照变化情况相近，应该采用相同的控制模式；所述控制模式是指照明设备的变化频率，对于光照变化较小的第二类别光照数据，一天中的照明设备的变化调整次数应该较少，对于光照变化较为频繁的第二类别光照数据来说，一天中的照明灯的变化调整的次数应该较多，因此不同的第二类别的光照数据应该被划分到不同的块中进行控制；同一个第二类别的光照数据对应同一个模块，不同模块之间互不影响，即一个模块的故障，不会影响另一个模块。

需要说明的是，由于同一个第二类别中每一个传感器都有多天的第一光照变化序列，同时第二类别中又有多个传感器，每个传感器的每个第一光照变化序列相近，而每个传感器的光照变化同样相近，为了减少计算量，需要获取一个可以表示该第二类别的一个光照变化序列，称为第三光照变化序列。

具体的，先获取同一第二类别中某个传感器的第二光照变化序列，其由该传感器的所有天的第一光照变化序列加权获得，以任意一个第二类别中任意一个传感器为例，其第二光照变化序列上第

其中，

此时，每个传感器某一天对应的光照区域的左右两个第一分割点越接近各自所属第二类别的第二分割点，则该天内光照区域的情况越接近于普遍情况，在通过多天的光照数据计算每个光照区域的值时，该天光照数据的权重应该越大，即通过加权求和的方法得到每个传感器的第二光照变化序列中的每个光照数据。

进一步的，计算每个第二类别中每个传感器的第二光照变化序列之间的余弦相似度，将每个第二类别中与其他第二光照变化序列的余弦相似度之和最大的第二光照变化序列，作为每个第二类别的第三光照变化序列，第三光照变化序列可以表示一组光照变化相近的区域的一天内的光照数据变化，减小了获取第二控制参数时所需的计算量。

至此，根据第一类别的置信度获得多个保留的第一类别，将每个保留的第一类别的类别中心作为第二分割点，并对传感器序列划分获得多个第二类别，将第二类别中的每个传感器的所有第一光照变化序列加权获取每个传感器的第二光照变化序列，根据每个传感器的第二光照变化序列之间的余弦相似度获得每个第二类别的第三光照变化序列。

步骤S004、对每个第三光照变化序列通过多阈值分割分别划分为多个第三类别，得到对于每个第三类别的第二控制参数。

将每个第二类别的第三光照变化序列通过OTSU多阈值分割的方法划分为多个部分，每个部分记为每个第三类别，每个第三类别内的光照数据相近，而不同第三类别间的光照数据相差较大，因此将同一第三类别中的光照数据作为同一工作模式的光照数据，同一工作模式下可采用同一个控制参数进行照明设备调节，记为第二控制参数；所述同一工作模式表示该工作模式下，所属的第二类别中所有传感器对应区域的光照数据相近。

具体的，对同一工作模式下的补偿光进行计算，所述补偿光即是在当前环境光照下，需要通过照明设备增加部分亮度，来使得光照区域内的人体视觉感觉良好；构建环境光图结构，图结构的节点为一个第二类别中的每个传感器，节点数据为每个传感器的同一个第三类别的光照数据，即同一工作模式下的光照数据，每个传感器之间的欧式距离作为图结构的边；进一步的，将使人体视觉感觉良好的光照数据记为

进一步的，根据该第二类别包括的传感器对应区域中所有的节能灯（照明设备）的第二位置信息构建节能灯图结构，节点为每个节能灯，边为节能灯间的欧式距离；将补偿光图结构与节能灯图结构通过第一位置信息和第二位置信息连接形成异构图，异构图上节能灯节点与传感器节点的边值仍为欧式距离，将获取到的异构图作为异构图结构神经网络的输入进行训练，得到输出结果为一个向量，向量中每个元素的值范围是[0,1]，每个元素表示每个灯的实际亮度对应最大亮度的百分比，即为每个节能灯需要提供的亮度的补偿光参数；例如：[0.1，0.7，0.6]表示对应灯的亮度分别为最大亮度的0.1倍、0.7倍和0.6倍。

进一步的，根据每个节能灯的补偿光参数与节能灯的第一工作参数，获取到一个第三类别的第二控制参数，所述第二控制参数的获取方法为：将同一个第三类别中的每个节能灯的补偿光参数与第一工作参数的乘积作为每个节能灯的第一控制参数，所述第一工作参数为节能灯开启最大亮度的工作功率，则第一控制参数为每个节能灯在同一第三类别下的工作功率，同一类别中的每个节能灯的第一控制参数组成了该第三类别的第二控制参数；按照上述方法获取每个第二类别中所有第三类别的第二控制参数。

所述异构图结构神经网络是一个NARS网络，通过本实施例中的方法对大量建筑内部的补偿光图结构进行计算，结合每个建筑内部的节能灯图结构，构建相应的异构图结构，得到异构图结构数据集。对应标签为专家试验且打分，认为每个建筑内部的每个节能灯的亮度分别是最大亮度的多大比例时，可以使得满足饱和光的要求的同时节能效果最好。

步骤S005、根据第二控制参数对建筑物内的节能灯进行控制。

一个第二类别为一组光照变化相近的多个区域，一个第三类别为一个第二类别中多个区域的相同工作模式，此时已经获取了每个第三类别的第二控制参数，将第二控制参数输入到智慧建筑照明控制系统中，当某个传感器对应的区域切换到所属第二类别中一个第三类别的工作模式下时，根据相应的第二控制参数对该区域进行节能灯的调节控制，以此来实现分布式分模块的对建筑物内的照明设备（节能灯）的自适应控制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。