高速公路隧道智能光电照明动态优化与控制机制研究

《Electronics》：Research on Dynamic Optimization and Control Mechanism of Intelligent Photoelectric Lighting in Expressway Tunnel

　　

为解决路面亮度显著波动引发的驾驶安全风险与能源浪费问题，本研究提出一种公路隧道照明环境的动态优化与智能控制方法。通过不同时空条件下的现场实验与数据分析，研究人员识别出隧道内一致的能见度变化规律。该动态优化框架综合考虑能见度、交通流量、车速、实测路面亮度及照明亮度。基于该框架，开发了一种模糊径向基函数（Fuzzy Radial Basis Function, FRBF）控制器，以能见度、交通流量和车速作为输入变量，生成所需的照明控制信号。利用多个地区公路隧道的实际测量数据，结合典型照明场景，建立了基于FRBF的公路隧道照明智能控制模型。仿真实验验证了所提方法的有效性，表明该方法能够在提高照明能效的同时，使路面亮度保持接近设计要求。

高速公路隧道照明系统需要在安全与节能之间取得平衡。隧道内外自然光差异显著，尾气和粉尘导致能见度持续下降，实时变化的交通流量和车速也进一步放大了传统静态照明方案的缺陷。已有优化系统主要存在两方面不足：一是环境感知维度单一，多数研究仅采集交通流量和车速，忽略了能见度衰减对透光效率的影响；二是缺乏多参数耦合建模和分场景动态补偿机制，尤其对能见度最低、安全风险最高的隧道中间段，未建立针对性的亮度损失补偿策略。为此，研究人员将隧道视觉量化技术与模糊神经网络结合，构建了面向异质环境的隧道照明动态优化模型，相关成果发表在《Electronics》。

在关键技术方法方面，研究人员在重庆万州区长冲隧道（Changchong Tunnel）等多个区域高速公路隧道开展现场测量，采集能见度、交通流量、车速和路面亮度数据，覆盖晴、阴、雨及昼夜工况。基于《公路隧道照明设计细则》（JTGTD70/2-01-2014）标准亮度值，拟合了不同交通流量区间下随车速变化的节能基线亮度模型；通过实测能见度-亮度数据建立能见度相关亮度衰减模型，拟合优度R²=0.958，误差控制在5%以内。在此基础上，采用五层模糊径向基函数（FRBF）神经网络，以能见度、交通流量、车速为输入，输出优化目标亮度，将80个典型照明场景映射为80条模糊规则；利用124组实测数据（99组训练、25组独立测试）训练和验证模型，并使用SUMO交通流仿真与DIALux三维照明模拟评估控制效果。

研究结果部分包括以下主要内容。

（1）FRBF预测性能。在25个独立测试样本上，FRBF模型的R²达到0.9924，均方根误差（RMSE）为0.1691 cd/m²，平均绝对百分比误差（MAPE）为2.80%，表明该网络能够准确复现动态优化模型得到的亮度目标。

（2）SUMO时间序列控制验证。利用2024年3月长冲隧道现场数据，在SUMO中构建24小时运行序列，以30分钟为间隔生成48个运行工况。与传统仅响应交通流量和车速的调光策略相比，新方法将路面亮度标准差从0.47 cd/m²降至0.09 cd/m²，使亮度稳定在设计值附近。

（3）DIALux照明仿真与控制性能。在三维隧道模型中，传统控制在14:00时的平均路面亮度仅为0.30 cd/m²，而在2:00时升至1.73 cd/m²，造成不必要的能耗；新方法在不同工况下使路面亮度保持接近设计目标，整体亮度均匀度始终高于0.40，并在高能见度条件下实现34.1%的节能。

（4）消融研究。控制变量实验表明，完整FRBF模型的预测误差最低（MAPE=2.80%）。去除能见度补偿后，MAPE升至5.68%，低能见度照明质量符合率从95.8%降至37.5%；将自适应模糊规则替换为固定规则后MAPE升至4.31%；去除分层FRBF结构后MAPE升至6.13%。这说明能见度补偿是维持低能见度照明质量的主导因素，而自适应模糊规则和分层结构则提高了预测一致性。

讨论部分进一步指出，去除能见度补偿虽然表现出更高的名义节能率（41.6%），但这实际上是由于欠照明造成的，其最低路面亮度和均匀度分别降至0.19 cd/m²和0.28，不能视为更优方案。完整模型在保持目标亮度和均匀度的同时实现了34.1%的高能见度节能，验证了整体框架的合理性。

研究结论可翻译如下：本研究系统研究了高速公路隧道照明系统，兼顾“照明质量提升”和“能效提升”双重目标。通过现场测量、模型开发、算法优化和仿真验证，研究人员得出三个关键发现：（1）隧道能见度与路面亮度呈显著正相关；（2）亮度增长率随能见度提高而减缓，并在关键阈值后趋于稳定；（3）夜间能见度高于白天，雨天优于阴天。基于《公路隧道照明设计细则》，建立了两个核心模型：一是融合交通流量和车速的节能照明亮度计算模型，二是基于能见度的动态亮度补偿模型。通过整合124组不同地区隧道实测数据和80个典型照明场景，开发了FRBF神经网络控制模型，训练集99组、测试集25组，模型R²=0.9924，RMSE=0.1691，平均相对误差2.8%。经SUMO和DIALux验证，该方法将路面亮度标准差从0.47 cd/m²降至0.09 cd/m²，稳定满足1.0 cd/m²设计标准，低能见度下照明质量符合率95.8%，高能见度下节能34.1%，验证了方法在提升照明质量和能效方面的有效性。未来研究应扩大数据覆盖范围，纳入不同区域、多种隧道类型和气候条件下的照明数据，以增强方法的普适性和鲁棒性。