基于多模态生成代理模型的集成日光与电光照明系统实时调光控制

《BUILDING AND ENVIRONMENT》：Real-Time Dimming Control of Integrated Daylight and Electric Lighting Systems Using a Multimodal Generative Surrogate Model

　　

# 摘要

日光利用可以降低人工照明能耗并提升视觉舒适度，但其时空变化也可能导致局部过照、照度不足以及眩光。光环境一体化系统旨在通过可调人工照明输出来补偿日光变化，然而持续变化的日光场使得实时调光控制十分困难。本研究提出了一种基于机器学习的实时调光控制（ML-RDC）框架，用于光环境一体化系统。该框架采用经验证的仿真生成人工照明贡献样本，训练一个多模态代理模型实现全场预测，并将代理模型与启发式搜索相结合以确定灯具功率设置。代理模型在测试集上取得了较低的预测误差，且每个控制周期内的调光决策可在毫秒级完成。在24个全年工况下，与半功率基线相比，ML-RDC将照明能耗降低了33.8%，同时遮阳条件下的舒适照度占比达到86.89%。该框架在插值工况下同样适用，并支持分区照度目标设置，展现了其在个性化日光响应照明控制方面的潜力。

# 引言

建筑与建造行业约占全球终端能源需求的32%和能源及工艺相关CO?排放的34%[1]，是节能减排的重点领域。尽管建筑材料和施工过程的隐含环境影响日益受到重视，但运营阶段的能耗仍然是大多数常规建筑全生命周期能源需求的主要组成部分，通常占总能耗的80%–90%[[2], [3], [4]]。降低运营能耗需要更加关注建筑主要末端用途。在办公建筑中，人工照明尤为重要，可能占电力消耗的20%–40%[5,6]。高效照明灯具（尤其是发光二极管）的广泛采用已对降低照明能耗做出了重大贡献。然而，光电转换效率和光传递的物理极限限制了仅通过光源替换所能获得的额外节能空间[7]。进一步节能需要超越光源级效率提升，转向系统级照明设计与控制。在此背景下，日光与人工照明的综合应用提供了更为有效的策略。可利用的日光可以补充或部分替代人工照明，使一体化系统在维持所需室内照度和视觉环境的同时减少不必要的人工照明输出[8,9]。此外，日光还提供了时变的照度、光谱组成和色相关温度[10]，这些因素与视觉舒适度、心理反应、昼夜节律调节及睡眠质量相关[[11], [12], [13]]。光环境一体化设计将照明能效与维持高质量室内光环境的更广泛目标联系起来。

要建立一体化照明系统，必须根据实际日光条件实时控制建筑围护结构引入的日光和人工照明输出。近期关于自动百叶、遮阳帘和遮阳系统的研究表明，改变叶片角度、开启状态或遮阳位置可以在引入有用日光的同时减少过量阳光和眩光[[14], [15], [16]]。这类遮阳动作还可以快速改变室内日光的量与空间分布[17,18]，从而改变房间不同部位所需的人工照明。因此，人工照明必须对由此产生的日光条件做出响应，以在避免不必要的能耗的同时维持所需照度。

现有人工照明控制方法包括基于传感器的开关和调光、分区控制，以及基于照度或 occupancy 测量的比例-积分-微分（PID）或其他反馈控制[[19], [20], [21]]。这些方法首先检测测量值与目标光环境条件之间的偏差，然后相应地调整灯具输出。然而，其性能取决于光敏传感器的数量及布置位置[18,20,22]。数量有限的光敏传感器仅能表征少数局部位置的照度，因此可能无法反映多个工位间的全场照度分布。靠近窗户的传感器可能导致控制器高估整个房间可利用的日光量，而房间深处的传感器则可能低估较亮外周区域的日光可用性，从而可能导致不必要地高人工照明输出。增加光敏传感器可以改善空间覆盖范围，但会增加硬件、安装和调试成本。在遮阳或天气变化引起日光快速变化后，基于误差的控制器可能需要数个传感与调节周期才能趋近目标。传感、通信和执行延迟会拖慢这一过程，而反复修正则可能引起照度波动或可感知的闪烁[23,24]。一种更为直接的策略是从灯具功率与工作平面照度之间的映射关系推断所需的调光调整。因此，近期研究采用贡献或响应模型来估算不同灯具设置下的工作平面照度[[25], [26], [27]]。然而，这些模型通常针对特定房间几何形状、灯具布置、传感器位置和日光条件开发。在空间非均匀日光、灯具贡献叠加或不同分区照度需求的情况下，其精度和可迁移性可能下降。因此，在这些条件下实现可靠控制需要在整个工作平面上准确预测人工照明贡献。

室内照度分布可以通过基于光线追踪的物理仿真直接评估。经过数十年的发展，此类方法可以为复杂光环境提供可靠的照度和亮度评估[[28], [29], [30]]。然而，物理仿真计算成本高昂，特别是在涉及不规则房间几何形状、非均匀表面反射率、密集计算网格或重复评估时。这使得直接仿真难以用于实时控制。因此，机器学习（ML）模型被用作照明仿真的快速代理[31,32]。机器学习已广泛应用于建筑能源预测和性能优化[33,34]，照明研究也将其用于日光预测、照度估算和照明控制[[35], [36], [37]]。其中许多研究将照度预测构建为基于点的回归任务，即模型预测选定传感器或工作平面位置的照度值[38,39]。这类预测有助于维持目标照度、支持日光利用或在预设位置做出调光决策[[40], [41], [42]]，但它们无法描述照度在这些点之间的变化情况。因此，在选定位置满足目标并不能保证其他工位或区域满足其照明需求。

因此，近期研究转向了照度场预测，其中机器学习模型生成全年照度矩阵、照度分布图或基于网格的光性能图像[[43], [44], [45]]。基于图像的生成模型特别适合此类任务，因为平面图、房间几何形状和灯具位置都可以编码为图像，从而将光性能生成为相应的空间分布图[[46], [47], [48]]。然而，照度场还依赖于二维图像无法完全表征的数值描述符。这些包括房间和窗户高度、表面反射率、灯具光色特性以及室外日光条件。多模态模型将基于图像的空间编码与向量输入相结合，以纳入这些变量并提高预测精度[49,50]。照度场预测还有潜力为实时控制器提供超越单个光敏传感器位置的空间信息。借助这些信息，控制器可以同时考虑不同工位或区域的照明需求，并在调整之前评估候选灯具设置的空间效应。然而，现有照度场模型主要用于快速光环境评估或早期设计支持[44,45,47]，其在协调实时调光中的应用仍然有限。

为弥补这一空白，本文提出了一种面向光环境一体化系统的基于机器学习的实时调光控制（ML-RDC）框架。经过实验验证的光线追踪工作流为多模态代理模型生成训练样本，该模型可近乎即时地预测候选灯具功率组合下的人工照明贡献场。一个启发式优化器将这些预测与当前总照度场及目标照度分布相结合，直接确定最优灯具功率组合。与传统的基于误差的控制不同，ML-RDC通过单次协调调整应用计算得到的设置。更新后的总照度场随后为下一个控制周期提供反馈，因此该框架在周期层面仍保持闭环。本文其余部分组织如下：第2节介绍所提出的方法，包括人工照明场仿真与验证、代理模型构建以及日光响应控制策略。第3节通过数值算例验证所提出的框架。第4节讨论所提出框架的优化效率、鲁棒性、可迁移性及剩余局限性。第5节总结主要结论。

# 章节片段

## 总体流程

所提出的ML-RDC根据测量的工作平面照度分布和目标照度需求确定灯具功率设置，旨在维持所需的照度分布同时减少电力消耗。如图1所示，ML-RDC由三个功能子系统组成：光场测量系统、调光决策系统和电气自动化系统。测量系统采集总照度分布跨工作平面区域的数据。

## 结果

本节从两方面评估所提出的ML-RDC框架。首先，使用经验证仿真工作流生成的数据集训练和测试MResUNet模型。其次，将训练好的模型嵌入实时调光优化策略，并应用于24个全年数值算例。结果用于检验代理模型的预测精度、代表性日光条件下的调光响应以及照明全年性能。

## 优化收敛与计算速度

对于实时调光，优化过程必须在短暂的决策区间内提供可用的解决方案。在全年仿真中，每个工作小时记录独立优化，图12总结了各Case 1–18的收敛历史。由于目标值随照度水平、房间规模和日光条件变化，采用归一化适应度值 $J_n$ 进行比较：

$$J_n(g) = \frac{J(g) - J_{\text{final}}}{J_{\text{initial}} - J_{\text{final}}}$$

其中 $J(g)$ 是在 $g$ 条件下的最优目标值。

## 结论

本研究开发了一种面向光环境一体化系统的基于机器学习的实时调光控制（ML-RDC）框架。该框架将实时调光构建为光场补偿问题，并利用代理模型加速调光决策过程。主要结论总结如下：

(1) 所提出的框架为光环境一体化系统提供了一种直接的控制思路。ML-RDC确定最优灯具……

## 数据可用性声明

支持本研究结果的数据可在合理请求下向通讯作者获取。

## CRediT作者贡献声明

曾强：原始草稿撰写、可视化、形式化分析、数据整理、概念化。

王涛：审阅与编辑、可视化、数据整理、概念化。

张莹莹：审阅与编辑、监督、资源。

朱少军：调查研究。

徐俊浩：调查研究、数据整理。

赵宇帅：可视化、调查研究。

曾强 | 王涛 | 张莹莹 | 朱少军 | 徐俊浩 | 赵宇帅

中国矿业大学力学与土木工程学院，江苏徐州221116，中国