具体实施方式

下面结合附图对本发明做进一步说明。

对于拥有良好天然采光的室内环境，天然采光的合理利用不仅能够减少照明能源的损耗，天然光照也有益于人的身心健康。本发明建立准确有效的天然光照度模型，给室内照明控制系统提供支持。

步骤一，数据采集；

在室内布置传感器，传感器的布置尽可能覆盖到关注的所有工作面，选取一天中某一确定时段(在有天然光条件下)采集室内天然光照度信息，以及记录测量点的位置信息，以位置信息为输入，照度信息为输出制作径向基函数神经网络的训练数据集。

步骤二，神经网络训练；

照度分布的基准模型是通过训练径向基函数神经网络获得的：

径向基函数神经网络是一个由输入层、隐层和输出层组成的三层神经网路。其中隐层又称径向基层，其每一个神经元的激活函数都是一个径向基函数，结构如图1所示。

C_u是神经元u的中心，与输入X具有相同的维数，b1是影响径向基函数形状的给定常数偏置。每个神经元计算输入向量到神经元中心的距离，然后乘以偏差b1；结果然后由传递。因此，径向基函数神经网络一般可以表示为:

本发明所采取的径向基函数神经网络的学习方法为“中心从样本输入中选取”：先初始化一个没有任何隐节点的径向基神经网络，然后逐个向网络中添加隐节点，误差达到要求时，停止添加节点。为了使隐节点尽量的少，每次都会选择能使误差下降最多的节点作为新节点。具体算法如下：

1)初始化网络。

2)预估加入以哪个样本为中心的径向基函数作为隐节点，才能使误差减少最多。

3)选用以该样本为中心的径向基函数作为新的隐节点。

4)用最小二乘法计算隐层到输出层的权值。

5)计算新网络的新误差。

6)误差是否达到要求，否则返回2)。

步骤三，布置少量传感器监测实时照度；

在模型部署时，在室内布置少数传感器监测关键点的实时照度。关键点位置的选取原则是能够反映天然光随时间照度值变化明显的工作面。

步骤四，利用监测的实时照度值对基准模型出进行修正，可以获得室内实时天然光的照度分布，其修正公式按式(2)、(3)计算。

以室内办公环境为例。通常人们关注的是工作面上的照度，因此天然光照度建模主要是针对工作面上的照度分布，在工作面上布置足够多的照度传感器(具体数量由实际应用场景及布局决定)，选取一天中某一确定时段(在有天然光条件下)，获取该时段各个传感器位置坐标及对应的测量的照度值，获得训练数据集；

基准模型是以传感器数据集进行径向基函数神经网络训练。在训练径向基函数神经网络的过程中采用的学习方法为“中心从样本输入中选取”：先初始化一个没有任何隐节点的径向基神经网络，然后逐个向网络中添加隐节点，误差达到要求时，停止添加节点。为了使隐节点尽量的少，每次都会选择能使误差下降最多的节点作为新节点。具体算法如下：

1)初始化网络。

2)预估加入以哪个样本为中心的径向基函数作为隐节点，才能使误差减少最多。

3)选用以该样本为中心的径向基函数作为新的隐节点。

4)用最小二乘法计算隐层到输出层的权值。

5)计算新网络的新误差。

6)误差是否达到要求，否则返回2。

天然光在室内的照度分布是受多种因素共同影响的结果，通过基准模型估计外部环境变化后的照度必然产生较大的偏差，无法获得实时的室内天然光照度分布的准确估计的。具体来说有如下几个方面：

1)影响室内天然光照度分布的内在因素包括：建筑所在的地理位置，建筑的朝向，窗户的位置、大小以及数量，室内墙壁和物体材料的反光特性，由窗户向室内进深越大天然光强度越弱等等。

2)影响室内天然光照度分布的外在因素主要包括：随着一天当中太阳的东升西落，天然光的辐射强度由弱变强再变弱，室内照度峰值区域也由东向西偏移；对于北半球来说，夏季的光照强烈，冬季的光照较弱；多云和阴雨天，太阳直射光被云层遮挡，室内光照不足，而晴天的时候室内光照充足。

鉴于上文所述，室内光照分布受多种因素影响，变化范围大。因此，基准模型不能反映天然光照度分布的动态变化。

在本发明的一个优选实施例中，获得照度分布的基准模型并通过关键点布置传感器进行照度测量，并以此对模型输出进行修正，从而得到动态情况下室内实时天然光照度分布。关键点位置的选取原则是能够反映天然光照度随时间变化明显的工作面；

在本发明的一个优选实施例中，基于基准模型的校准基于以下认知得到的。对于给定的室内环境，上述影响室内天然光照度分布的内在因素也是确定的。假设不考虑外在因素，此时的室内天然光照度分布将唯一确定。也即是说，室内各位置的天然光照度之间具有某种确定的关联关系，而基准模型就是利用实测的训练数据将这种关联关系拟合出来。

然而，事实是各种外在因素作用将改变室内的天然光照度分布。因此，根据关键点实时的数据来校准基准模型输出，实现外在因素变化时照度快速估计有效方法。

室内天然光照度分布具有连续性，因此距离越小，两点之间的照度值关联性越大。选取少数关键点布置照度传感器，通过实时测量的照度E_r与模型输出的照度E′_r差距反映出同一位置两个时段天然光照度的变化。

利用关键位置的照度变化，根据照度分布的连续性的特点对室内的照度分布进行修正获得室内天然光产生照度的动态变化特点，进而对模型输出修正获得实时的室内天然光照度分布。具体修正公式如下：

式中，w_r为修正参数，可计算为：

(2)式中的E'表示基准模型的输出，E表示修正后获得的实时天然光照度值，R表示设置了R个照度传感器来测量实时照度值，[x_r,y_r,z_r]定义传感器r的位置。式(3)表示w_r由目标位置与传感器之间的距离定义。

实施例：

1、实验环境

实验场所位于某实验室(北纬34.35°，东经108.92°)，实验室为一个4.5m×7.0×3.2m的空间。

室内布置有6套桌椅，建筑右下角为坐标原点，向上方向为x轴，向左方向为y轴，建立水平方向的直角坐标系(后文沿用该水平坐标系)。以桌面中心为准，6个工作桌的水平坐标如下表所示：

表1工作桌坐标

室内窗户朝南，窗台高度为0.8m，窗户的整体尺寸为5.8m×1.35m。

2、建立天然光照度分布基准模型

天然光照度分布基准模型的训练数据的采集时间是2020年11月26日11：00～11：20，天气状况为晴天。室内俯视平面图如图3所示，利用Guarda FX-101 LUX METER照度计在室内水平高度为0.75m的表面上采集30个点的照度，图中红色标记即为采集照度的点位蓝色标记为关键位置的照度传感器，水平高度统一为0.75m，分别记为s₁,s₂,s₃。

采集的照度值及水平坐标如下表所示：

表2训练数据

照度传感器的水平坐标如下表：

表3照度传感器坐标

将训练数据的坐标作为输入，照度作为输出对径向基神经网络进行训练，获得训练好的照度分布基准模型。训练完成的神经网络如图4所示，最终确定的隐层神经元数目为23个。

3、预测结果分析

获得基准模型后，选取了3、4、5号桌面的中心点作为测试点，坐标分别为#3(75cm,413cm)，#4(375cm,413cm)，#5(75cm,656cm)。利用照度计测量了2020年11月27日中不同时间的照度值，天气状况为多云。将同一时刻的关键点位置的照度传感器的数值实时输入到天然光照度模型中，进行实时天然光照度的计算，最终将计算的实时天然光照度与测量的实时天然光照度值对比分析如下表，表中照度值单位均为lx，包括s₁,s₂,s₃获取的实时照度值。

表4照度预测结果统计表

表中E′为基准模型预测的照度估计值，为照度分布模型对基准模型输出的估计值进行修正后的计算值，相对误差δ计算为：

因此，从上表的统计结果来看，模型预测的照度值的相对误差大部分都能控制在7％以内，最大不超过10％，模型能够进行较为准确的实时天然光照度估计。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。