[发明专利]基于神经网络的灯具利用系数及照明参数计算方法

说明书

本发明涉及一种基于神经网络的灯具利用系数及照明参数计算方法。其主要包括：S100：由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练；S200：将训练完成的BP神经网络模型用于计算灯具的利用系数。上述方法通过训练完毕的BP神经网络模型可计算灯具的利用系数以及相应的照明参数。整个计算过程快捷方便，且计算结果较为准确。

技术领域

本发明涉及灯具的利用系数及照明参数计算方法，特别是涉及基于神经网络的灯具利用系数及照明参数计算方法。

背景技术

照度计算是照明工程中必不可少的重要环节。照度计算的任务是：根据照度标准的要求及其他已知条件(如灯具型式及布置、室内环境条件等)，来确定灯具的数量和光源的功率；或是在灯具形式及布置等都已确定的情况下，计算已知照明系统在被照面上产生的照度，用以校验被照平面上的照度能否达到设计标准的要求；或是在照度和灯具形式及布置等都已确定的情况下，计算可调光灯具的输出光通量，用于可调光灯具的控制。

在室内一般照明系统中，多数场所都要求工作平面上具有较均匀的照度，此时往往是以工作面上的平均照度值为指标来评价照明的数量和质量，因而照度标准中规定的不同场所参考面上的照度推荐值大多是指平均照度。

平均照度的计算通常采用利用系数法(也称为光通法或流明法)。由于利用系数法既要考虑由灯具直接投射到工作平面上的光通量，又要考虑室内多个表面(墙壁、顶棚、地板等)之间光通量的多次反射影响，因此，在符合使用条件的场所下，该方法能得到比较准确的计算结果。

用利用系数法能够在房间特性和照度要求已知的情况下，计算出所需灯具的数量。利用系数法的基本公式如下：

其中，E_av为工作平面上的平均照度，单位为lx；A为工作平面的面积，单位为m²；Φ为每个灯具中光源的总光通量，单位为lm；U为利用系数；K为维护系数。

传统方法中，灯具的利用系数需要根据当前的有效墙面反射比、有效顶棚反射比、有效地板反射比和室空间系数查表获得。查表法中存在的问题如下：

(1)需先根据有效墙面反射比、有效顶棚反射比和室空间系数，在灯具对应的利用系数表中查得地板反射比为0.2时的利用系数，在根据有效墙面反射比、有效顶棚反射比、有效地板反射比和室空间系数，在利用系数修正系数表中查地板反射比不为0.2时的利用系数修正系数，最后将两者相乘，得到最终的利用系数。

(2)表格只提供部分离散的取值，实际使用中需要使用插值法才能得到精确的取值，利用系数表有3个输入参数，至多需要进行7次插值计算，利用系数修正系数表有4个输入参数，至多需要进行15次插值计算，总计至多22次差值计算，差值方法复杂。

发明内容

基于此，有必要针对传统的灯具的利用系数计算方法较为复杂的问题，提供一种基于神经网络的灯具利用系数计算方法。

一种基于神经网络的灯具利用系数计算方法，包括：

S100：由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练；

S200：将训练完成的BP神经网络模型用于计算灯具的利用系数。

上述方法通过训练完毕的BP神经网络模型可计算灯具的利用系数。整个计算过程快捷方便，且计算结果较为准确。

在其中一个实施例中，所述步骤S100中，由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练，具体为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；