DLCs中用于工作面照度估计与光电传感器布置评估的机器学习技术对比分析

《Energy》：Comparative analysis of Machine Learning techniques for workplane illuminance estimation and photosensor placement assessment in DLCs

　　比拉尔·沙里夫|亚历山德罗·比翁迪|玛丽娜·博诺莫洛|文森佐·迪迪奥|马西米利亚诺·迪利贝尔托|马尔科·贝卡利 意大利巴勒莫大学工程系

摘要
与日光相关的控制系统能够带来诸多优势。然而，多种因素（如传感器位置和调试配置）会显著影响系统的性能。为找到工作面照度与某一表面测得照度之间的良好关联，可运用人工智能技术，尤其是机器学习方法。本研究开发了七种用于在日光相关控制系统中估算工作面照度的机器学习模型，并对其进行了比较。分析中通过两种天花板传感器配置情况，具体评估了光传感器位置对估算精度的影响。所研究的机器学习算法包括XGBoost、梯度提升、LSTM、FFANN、随机森林、决策树和KNN，这些算法均通过MAE、RMSE等关键性能指标进行评估。为与日光相关控制系统的实际运行情况相契合，研究还在300–1000勒克斯的适用范围内进行了基于阈值的评估，并在500勒克斯处评估了基于设定值的调光/不调光决策效果。研究结果表明，XGBoost模型在全部照度数据集上展现出最佳的回归性能，不同测试场景下的测试值均高于0.97。此外，基于设定值的分析显示，在两种传感器配置下，KNN在500勒克斯阈值附近具有最高的调光决策精度，这表明即便回归性能相近的模型，其在控制可靠性方面可能存在差异。这些发现为日光相关控制系统的模型选择提供了以控制功能和实际应用为导向的视角，而非仅关注算法的通用性能对比。

引言
全球范围内，建筑消耗了大量的能源。预计2010年至2040年间，全球能源消耗量将增长56%[1]。建筑在能源消耗中占比颇高，这凸显出深入研究提升建筑能效的必要性。随着全球面临能源危机，包括照明在内的各个领域都亟需大幅降低能耗。研究表明，商业建筑中的照明系统约占总用电量的20–45%[2]、[3]。技术进步提升了照明装置的能效，也为建筑行业专业人士提供了更先进的照明控制策略。此外，采用高效照明控制措施可显著降低商业建筑的能耗[4]。

可调光发光二极管、人体感应器、光传感器以及控制设备是日光相关控制系统的核心组成部分。这些智能照明组件通过有线或无线通信协议相互连接。通常，人工照明系统包含一个控制单元，该单元会根据各区域的视觉任务类型、占用情况以及光探测器的检测结果来调整灯具的调光程度。由于智能室内照明系统本质上具有时变性和非线性特征，设计有效的控制方法颇具挑战性[5]。此外，来自不可预测光源的环境光也难以准确建模[6]。周围物体还可能多次反射光源光线。由于难以快速构建出可用于控制的精确空间光照分布模型，人们通常采用简化方法，依据天花板上的光传感器测得的照度值与工作面测得的照度值之间的关系来进行估算。另外，传感器的安装往往遵循一些简单实用的规则，而这些规则并不一定与精度要求直接相关。正是这些挑战促使人们开发出各种方法和工具，以辅助确定光传感器的最佳安装位置，并提高日光相关控制系统工作面照度估算的精度。此外，针对日光相关控制系统的实地研究显示，调试质量以及光传感器和灯具的配置会对实际性能及相应的照明能耗产生重大影响，因为配置不当可能导致照度持续过高或过低，无法达到设定值[7]。在基于日光的调光控制系统中，只要在日照充足的时段适当降低照明强度，同时保持工作面所需的照度水平，就能实现节能效果。因此，调光设定值附近的控制可靠性直接关系到能源节约效果。

要确保日光相关控制系统稳定运行，就必须能够在调光阈值/设定值附近准确估算工作面照度。然而，天花板光传感器测得的数值与工作面照度之间的关系并非线性且会随时间变化，还会受到太阳位置、天空状况、玻璃材质、遮阳装置以及室内反射等因素的影响。因此，简单的线性校准规则和手动调试流程可能会导致控制误差（过度调光或调光不足），并增加调试成本。正因如此，数据驱动的机器学习模型显得十分重要，因为它们能够基于现有的测量数据（如天花板照度、辐照度以及太阳角度），快速建立预测模型，从而为实时调光决策提供依据。本研究聚焦于日光相关控制系统的实际应用场景，即系统调试和实时调光决策，而非设计阶段的日光模拟。所开发的机器学习模型可作为数据驱动的映射工具，将传感器测得的数值与工作面照度联系起来，从而为围绕调光设定值的控制决策提供支持。

已有大量研究致力于室内日光性能及太阳辐射强度的估算。为打造能在用户舒适度与能源节约之间取得平衡的智能照明控制系统，软计算技术被用来有效描述日光的非线性动态变化[8]。在涉及人工照明系统的研究中，机器学习仍属于相对较新的技术，目前只有少数算法的性能得到了深入研究。Kazanasmaz等人[9]利用包含气候条件和建筑设计参数的实地数据，构建了一个人工神经网络模型，用于估算办公空间的日间光照强度，该模型的估算准确率达到了98%。Ahmed等人[10]则研究了人工神经网络和随机森林算法在估算教室日光强度方面的效果，他们发现随机森林模型的估算精度更高，其测试值对应的准确率为0.98，而人工神经网络的准确率为0.97。

Lorenz等人[11]展示了基于人工神经网络算法的能力，这类算法能够根据不同的窗户设计，并考虑外部障碍物带来的阴影影响，来估算日光自主性。他们所开发的技术可将实际日光自主性与预期值之间的平均误差控制在三个单位以内。此外，Zhou和Liu[12]研究了主成分分析作为一种特征筛选方法，结合人工神经网络和支持向量机算法，用于估算有用日光照度，他们认为人工神经网络的表现优于支持向量机。Beccali等人[13]则利用人工神经网络研究了室内光照强度的测量方法，以及如何为日光相关控制系统的设计和调试确定光传感器的最佳安装位置。另有部分早期研究采用基于机器学习的时间序列建模方法，用于预测未来某一时期的室内照度水平。Waheeb等人[14]研究了四种时间序列建模方法在估算光管式日光输送系统所提供的室内日光照度方面的效果，这四种方法分别为季节性自回归积分移动平均模型、季节性朴素模型、三角函数季节性模型、Box–Cox变换模型、ARMA误差模型、趋势模型以及基于LOESS方法的季节性-趋势分解模型。他们的研究结果表明，LOESS方法在估算室内日光照度方面表现最优。

本文的研究是在“西西里微型纳米技术研究与创新中心‘SAMOTHRACE’”项目中开展的。该项目的总体目标是开发基于创新方法的装置，用于监测配备日光相关控制系统的室内环境中的照明参数。这类系统旨在借助机器学习等技术，帮助专业人士更准确地设计、安装、调试以及后续监控照明控制系统。本文的研究目的是寻找快速且可靠的算法，利用安装在其他环境表面（如天花板、墙壁等）上的传感器所测得的数据，来计算工作面的照度值。

尽管机器学习在日光相关控制系统中具有诸多潜在优势，但目前仅有少量研究系统地比较了多种机器学习/深度学习算法在不同日光条件下的工作面照度估算性能。而且，模型比较往往主要通过通用的回归指标来完成，很少有研究从控制功能和实际应用角度来具体分析估算性能，比如光传感器的安装位置、系统运行时的设定值以及调试过程中的注意事项。因此，本研究并非着眼于通用算法的性能对比，而是从控制功能和实际应用的角度，对光传感器的安装位置以及基于机器学习的 work面照度估算方法进行评估。研究通过对比两种天花板传感器配置情况、在300–1000勒克斯的适用范围内进行性能评估、在500勒克斯处评估基于设定值的调光/不调光决策效果，以及探讨日光相关控制系统的实际应用注意事项，从而实现这一目标。

本研究的目标是开发并验证基于数据驱动的方法，利用在其他室内表面（如天花板、墙壁）上采集的传感器数据来估算工作面照度，以此为日光相关控制系统的调试和实时运行提供支持。研究共分析了七种机器学习算法，并对其进行了比较，以选出最适合此类以控制为目标的任务的模型。本研究的主要贡献包括：
• 对XGBoost、GBoost、FFANN、LSTM、随机森林、决策树和KNN这七种算法在日光相关控制系统中用于估算工作面照度的性能进行了比较分析；
• 利用涵盖不同日光条件的实测数据集，包括SolarLab实验数据以及另一个特定房间的验证数据，来评估这些算法的稳健性及其在实际应用中的适用性；
• 从日光相关控制系统的应用需求出发，对这些算法进行了全面评估，包括其在整个照度范围内的性能、在300–1000勒克斯范围内的性能，以及在500勒克斯阈值处的调光/不调光决策精度；
• 通过特征分析，明确了各输入变量对估算结果的影响，为实际应用提供参考；
• 以MAE、RMSE和决定系数作为核心回归指标，同时结合基于控制功能的评估标准，对算法性能进行综合评价。

本文的其余结构如下：第2节简要介绍所研究的七种机器学习算法；第3节阐述实验案例及实测数据情况；第4节介绍研究方法；第5节展示仿真结果并进行分析；第6节讨论研究的局限性及模型在其他场景中的适用性；最后，第7节对全文进行总结。

机器学习算法简述
本节将对用于估算工作面照度的七种机器学习算法进行介绍。这些算法可分为三类：基于树的结构化方法（第2.1–2.4节），这类方法的复杂程度逐渐提高，从单一决策树发展为经过优化的集成提升模型；基于实例的学习方法（第2.5节），这是一种截然不同的非参数方法；以及神经网络架构（第2.6–2.7节），这类方法能够捕捉复杂的非线性关系。

实验案例与实测数据
本研究的数据采集工作是在巴勒莫大学工程系的9号楼三楼设立的SolarLab实验室中进行的。该实验室是本研究中进行多模型比较分析的主要实验场所，其空间尺寸约为18.37米×6.51米×3.70米，总面积约为119.6平方米。为保证实验结果的重复性，本研究中所采用的几何参数、坐标系以及传感器坐标均列于表1中。

研究方法
本节详细介绍了如何将各种机器学习技术应用于照明数据集，从而估算工作面的照度水平。其中提到了模型参数，包括输入特征和输出目标变量。此外，还阐述了数据预处理、异常值处理、特征选择、特征工程以及特征标准化等方法。为避免数据泄露，特征标准化/转换操作会在数据分割之后进行。

结果与讨论
本节分析了七种机器学习算法在照明系统数据集上的应用效果，这些算法被用于估算工作面照度，并确定天花板上光传感器的最佳安装位置。研究共设置了两种测试案例：
测试案例1：以C1位置的照度数据以及其他特征作为输入，输入到机器学习算法中；
测试案例2：以C2位置的照度数据以及其他参数作为输入，输入到机器学习算法中。

机器学习方法的应用结果

模型在其他场景中的局限性及泛化能力
本研究报告的主要多模型比较结果是基于单个房间配置下的实测数据得出的，因此，将这些结果直接推广到不同类型的建筑、建筑立面、玻璃材质以及不同的日光条件时需谨慎对待。当窗户的几何形状、朝向、遮阳装置、室内表面的反射率、传感器布局以及当地气候条件与研究中的设置不同时，模型的性能也可能会发生变化。

SolarLab数据集涵盖了较为广泛的范围……

结论
在日光相关控制系统的设计与应用中，准确地在空间内分配光线是一个至关重要的因素。此外，自动化日光相关控制系统的性能也会受到用于控制灯具的光传感器安装位置的显著影响。实际上，光传感器通常被放置在不会妨碍工作人员工作的区域，远离工作面。由于难以快速模拟光线分布，simpleCRediT作者贡献声明如下：Marco Beccali：撰写——审阅与编辑、指导。Massimiliano Di Liberto：验证、软件开发。Bilal Sharif：撰写——初稿、验证、数据整理。Vincenzo Di Dio：撰写——审阅与编辑、指导。Alessandro Biondi：可视化、验证、软件开发、形式分析、数据整理。Marina Bonomolo：撰写——审阅与编辑、指导、方法论、研究设计、资金获取、概念构思。

利益冲突声明：作者们声明不存在可能影响本文所述工作的任何财务利益或个人关系。

数据可用性：数据将应要求提供。

利益冲突声明：? 作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：Marco Beccali的报告由欧盟委员会提供资助；Marina Bonomolo的报告也由欧盟委员会提供资助。其他作者则声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。

致谢：本研究得到了欧盟“下一代欧洲计划”下的国家复苏与韧性计划（NRRP）的支持，具体项目为第四任务组第2部分——投资4.1；DM 351 4.1 generici - 研究生学位计划PNRR - CUP - B76E22000130007 - DOT1320917。此外还得到了“西西里微纳技术研究与创新中心”SAMOTHRACE（MUR, PNRR-M4C2, ECS_00000022）以及巴勒莫大学“S2-COMMs——用于智能可持续社区的微纳技术”项目的支持。