基于BIM的建筑光环境神经网络控制方法与流程

本发明涉及一种建筑光环境控制方法，具体涉及一种基于bim的建筑光环境神经网络控制方法，属于智能建筑。

背景技术：

1、bim(建筑信息化模型)技术在设计、施工、运维阶段的应用中，运维应用起步最晚，当前应用的局限性也最大。目前，bim技术在运维阶段的应用主要体现在信息存储及运行维护的可视化体验方面。bim模型中大量的信息要么在轻量化过程中被过滤掉，要么因为没有挖掘到应用场景而被闲置。本技术利用bim技术在运维中对光环境和能耗的利用，增加了bim技术在运维阶段的应用。

2、同时，现有技术将bim技术应用与建筑光环境神经网络相关研究几乎没有。现有的智能建筑的管理仅针对建筑内部的固有的物理特征、技术特性、使用特征做出智能判断和执行，只能应用于建筑内部的火灾报警、安防监控、空气质量监控等极端情况的应用领域，缺少对日常人的使用环境的调节和控制，缺少对建筑物外部光环境、热环境、风环境、声环境、空气环境的变化的实时调节和控制。本发明将bim技术，能耗计算软件，城市热环境系统软件和神经网络技术结合并应用到建筑中，使bim技术除了在极端情况的应用领域，也能在对日常人的使用环境的调节和控制。

技术实现思路

1、现有技术将bim技术应用与建筑光环境神经网络相关研究几乎没有。现有的智能建筑的管理仅针对建筑内部的固有的物理特征，只能应用于建筑内部的火灾报警、等极端情况的应用领域，本发明提供了一种基于bim的建筑光环境神经网络控制方法，试图将bim技术，能耗计算软件，城市热环境系统软件和神经网络技术结合并应用到建筑中，使bim技术除了在极端情况的应用领域，能对日常的使用环境调节和控制，可对建筑物外部光环境、热环境、风环境、声环境、空气环境的变化的实时检测和应对。

2、本发明是这样实现的：

3、一种基于bim的建筑光环境神经网络控制方法，包括如下步骤：

4、步骤一、建筑光环境信息采集；

5、步骤二、bim环境创建；

6、步骤三、利用revit建立bim模型，利用城市热环境系统软件en vi-met，将收集的周边环境信息输入到软件内，模拟周边环境数据的变化对建筑物的影响；

7、步骤四、根据光环境分析，确定光环境方案方式，精细化控制。

8、本发明采用bim技术对已建建筑地址的周围不同建筑进行环境相关信息和建筑相关信息的模拟计算和比较，获取到最低能耗建筑的光环境措施，进而智能化操作建筑，从而提高实际建筑光环境使用效率，有利于降低建筑总体能耗。

9、更进一步的方案是：

10、步骤一具体包括：

11、确定光环境采集范围。在以建筑为中心方圆1公里内采用3m*3m方格网划分光环境采集区域，在每个采集区域内分别采集采光系数和照度，分析光舒适性。

12、建筑光环境信息采集的复杂性来源于室内环境舒适度、建筑采暖及空调能耗控制的复杂、多样性需求：不同建筑群组之间的相互影响、建筑群组内不同建筑单体之间的相互影响、单体建筑内不同居室的不同朝向、同一朝向各居室不同的外围护形式及材料等因素，都会使得光环境信息采集需求变得区域化、复杂化和多样化。并且，随着区域划分的精细化加强，其复杂多样化随之增加。因此光环境系数的采集采用相对精确的3m*3m方格网划分。

13、建筑外部光环境信息获取装置称之为光环境信息采集器(以下简称采集器)，由采集器组成建筑外部光环境采集系统：采集器由传感器及防护遮挡构造组成，传感器以感知光线强弱的传感器为主，辅助以一定光谱范围内的辐射能量监测传感器。

14、采集器构造设置合理的受光角度并选择合理的安装环境，只采集太阳直射光线及能量辐射，避免或大幅减少局域环境光、反射光的影响。

15、太阳直射光遮挡和环境光影响等外因影响采集的精度，采集器中的传感器采取多种措施以排除任何外因影响信息采集的精度及持续性。具体措施如下：

16、为排除天空飘落异物、飞禽息落遮挡，一处采集点采用两个保持一定间距(3m)的采集器，并可互为比对，一旦数据出现3次以上差异明显，需启动第3个采集点，再次测量，判断采集数据的差异性，若再次出现差异，需进行人工干预，警并示对采集器进行维护。

17、因现实生活中，采集器布置无法避免周围建筑物及环境光遮挡(例如，大寒日无法避免日间无遮挡)时，这也是实际采用采集器的意义。

18、在有积雪的地区，进行定制化采集器设置，在采集器上设置融雪装置并采用融雪构造可避免积雪。

19、因传感器数量有限，且位于最高点，无法收集到本体建筑每一个部位的光环境信息，因此传感器仅限于太阳直射光的采集，周围建筑幕墙对光环境的影响采用bim模拟的方式采集参数。针对周边建筑幕墙光污染，由于幕墙一次反射光污染的入射方向和太阳直射方向正好相反，且影响时间、污染强度具有固定特性，对采集器进行特殊设计，一个采集器采用多传感器组合并遮挡分隔，每个传感器负责一定受光角，多传感器组合成完整的受光角。见附图5和6。

20、通过计算机对每个传感器采集数据进行识别、过滤及算法组合，以排除、减弱环境光污染源的影响。

21、采集器的布局与神经网络的服务范围及服务对象是相对应的。保证采集信息的准确性，保证太阳光环境信息的精准；保证全局性。

22、服务范围可由多各采集区域联合集成构成，由大到小为一片城市片区、一个街区、一个小区、一个建筑单体。可以多个建筑神经网络共享一个服务范围。采集器放置于服务范围内的制高点。

23、更进一步的方案是：

24、步骤二具体包括：

25、基于bim技术的辅助，可使建筑光环境采集系统变得单一化、全局化。bim环境包括建筑物、构筑物、地面及道路、绿化及景观等一系列具备固定特性的物体。bim环境是建筑神经网络服务对象本体及环境采用bim技术进行虚拟化的成果，它由建筑物自身和各种影响建筑物外部光环境的bim模型组成。利用revit建立bim模型，利用城市热环境系统软件envi-met，将收集的周边环境信息输入到软件内，模拟周边环境数据的变化对建筑物的影响，实现真正意义上的数字孪生。

26、更进一步的方案是：

27、步骤三具体包括：

28、利用revit建立bim模型，利用城市热环境系统软件en vi-met，将收集的周边环境信息输入到软件内，模拟周边环境数据的变化对建筑物的影响。在建筑外部光环境采集系统、bim环境搭建之后，需根据建筑光环境模拟需要，深化和补充建筑bim模型光环境数据神经网络的组建。并在结合各种执行机构之后，可以实现智能调节作用。

29、主要以临近服务本体的建筑物、构筑物、地面、道路、景观、绿化，以及远距离会对服务本体产生光污染的物体。

30、当服务环境范围较大时，服务环境模型可基于已有的地域性gis系统获取其基础信息，选取潜在影响对象，例如一栋远在服务本体几公里之外的高层玻璃幕墙建筑，将其的光环境数据进行精细调节，将其纳入服务环境bim模型创建范围。在1公里范围外在软件内采用函数渐变网格，将贝赛尔曲线网格和渐变公式联系起来，增大网格间距。

31、服务本体的精度远远大于服务环境精度，应综合全部的建筑运维需求来确定，一般模型精度≥lod500，lod500对应竣工阶段，模型可用于竣工结算，以及作为中心数据库整合到建筑运维系统。建筑本体模型(包括装修)的创建是此步骤中最重要内容，重点是门窗等遮阳遮光构件，需建立窗户的可调节性；除材质信息之外，还包括围护结构的热阻值、蓄热系数等物理信息。同时应注意，服务本体同时也会成为服务环境的影响因素之一。

32、将所得数据实时链接到bim模型中，利用design builder软件对带有周边景观及建筑光环境结构进行室内热能模拟计算，得到光环境能耗模拟数据。利用spss数据分析软件对光环境模拟数据进行分析，得到光环境比较结果。

33、

34、自然界中，lsg取得最大值2.13，最小值0.77

35、比较通过透光围护结构的热传导，日射得热和得热量，通过传热系数k和光热比lsg这两个指标评估窗户在冬季的保温隔热性能和夏季的采光遮阳性能。同时对具体模型在bim中模拟的数据进行比较，得到能耗比较结果，对数据进行分析，在能耗比较和遮光要求相违背的情况下，例如能耗小的，遮光就大，疏散性就小，两者存耦合关系，利用bim能耗对窗户的模拟，比较最优的3组光环境方的能耗模拟数据。

36、围护结构性能可以用冬季的保温隔热性能k和夏季的采光遮阳性能lsg两个参数来综合评价，通过k值的大小调节窗户是否开启和开启角度，窗帘采用半透明形式，还是全透明形式，室内是否需要开启空调，进行智能化家居的设定，保证室内光线充足，若不足，自动开启局部光源进行智能控制，既保证了内部采光需求，也降低了能耗的需求。

37、据不同的气候区不同，采用不同需求，以冬冷夏热地区为例，模拟模型中传热系数和光热比指标，传热系数可调的方案为最优选项。根据建筑敏感度，建立光环境策略和光环境组合方案，例如敏感度高区叠加重组综合式光环境方案，例如人工光环境自然光环境统一考虑，空间的光环境统一考虑。相应的敏感度低区采用基础光环境方案。

38、(4)根据光环境预测及推演分析，确定光环境方案方式持续反馈，持续调节。

39、构建模糊神经网络控制系统，模糊神经网络控制系统包括神经网络预测模型和模糊控制器；神经网络预测模型以实际采集器的光照强度、bim模拟的光照强度、可见光透过率和传热系数为输入向量，以采取相应遮阳措施后实际光照强度为输出向量，以此预测遮阳措施的有效性；模糊控制器以采取相应遮阳措施后实际光照强度与预期想达到的光照强度(以专家经验和国家照度标准为参考)偏差lux以及偏差变化率luxc作为输入量，以遮阳面积差值△s和室内温度差值△t为输出量，由此得到遮阳面积偏差值△s，其与遮阳面积s相加得到最终遮阳面积s+△s，并作为神经网络预测模型下一循环输入的遮阳面积值。模糊控制器采用语言式模糊系统推理方法的综合生成法得出模糊结果。

40、神经网络预测模型采用误差反传误差反向传播算法的学习过程的bp算法，为三层结构，第一层为输入层，节点数为4个，分别为实际采集器的光照强度、bim模拟的光照强度、可见光透过率和传热系数；第二层为隐含层，节点数为4个；第三层为输出层，节点数为1个，即取相应遮阳措施后实际光照强度。

41、神经网络预测模型隐含层传输函数采用s型传输函数logsig；带动量的批处理梯度下降法(traingdm)来训练函数触发；训练算法采用拟牛顿法；最大训练次数设置为103次；训练目标为10-2；通过第一次计算拟牛顿训练方向优化参数，然后再寻找适当的学习速率。

42、bp算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。

43、建立数据库，数据库中存储有放置在建筑屋顶传感器获取的传感数据，神经网络预测模型从中选取具有代表性的数据并不断进行自主学习。

44、根据(3)中分析评价出的最优方案，进行实时控制，采取相应光环境措施。将光环境效果通过传感器实时反馈到建筑bim模型中。根据光环境舒适度要求，确定光环境组合方案若干个。将所得数据实时链接到bim模型中，利用bim模拟微环境日照强度变化对建筑能耗的影响，比较不同光环境组合方案的能耗模拟数据，同时对数据进行比较，得到能耗比较结果，在同时满足光环境舒适度要求和能耗最少的情况下，确定最终的光环境方案，并传递到已有建筑上，进行实时控制，采取相应光环境措施。通过正反馈和负反馈，随时调整光环境的策略和方式。

45、在后续的计算机深度学习的编程模型的构架中，通过深度学习和增加影响因子，建筑光环境神经网络系统可结合季节因素、天气预报、其他类型传感器装置等综合信息实现高度的智能性：

46、情景1雪后服务环境中积雪部位分布情况，智能调节该区域表皮材质的反射信息及颜色信息；光环境能耗模拟数据是积雪部位分布情况，光环境比较结果是积雪多的地方和积雪少的地方地表材质的反色信息不同，确定光环境方案是夜间雪后室外照灯具照度大小，通过连接运营平台进行的控制。

47、情景2落叶乔木随季节变化的环境模型变化，智能调节落叶乔木冬夏两季透光率及色彩信息；光环境能耗模拟数据是冬夏两季因不同落叶下透光率的情况，光环境比较结果是冬夏两季透光率的大小，确定光环境方案是进行冬季补光方案，及区别冬季和夏季灯具不同照度的调节，通过连接公共运营平台进行的控制。

48、情景3对于多云天气下，外部光环境频繁地大幅度地变化时，可作为特殊情况输出信息，根据不同的需求和应用场景做出适用的执行方案；光环境能耗模拟数据是积雪部位分布情况、光环境比较结果是积雪多的地方和积雪少的地方地表材质的反色信息不同，确定光环境方案是夜间雪后室外照照度大小，通过连接运营平台进行的控制。

49、情景4对于建筑光环境神经网络系统不适用的情况可以智能排除：例如采集器仅在安装在超高层建筑顶部时，存在建筑上半部在云雾层之外、下半部在云雾层之内的外部光环境迥异的特殊情。采取增加分布式辅助采集器的方法解决。光环境能耗模拟数据是分别比较云雾层以下的室内光环境分布情况，光环境比较结果是云雾层以下的室内光是否满足光环境需要，确定光环境方案是采用局部照明和补光的方式，通过连接运营平台进行的控制。

50、情景5行驶或停泊车辆玻璃产生的光污染入射到采集器等不可预见性光环境因素可在设置模型边界条件时排除。光环境能耗模拟数据是排除行驶或停泊车辆玻璃产生的光污染入射光线，光环境比较结果是去掉这些不稳定因素的稳定的光环境结果，确定光环境方案是室内光环境处理方式，例如开窗，开窗帘等，通过连接运营平台进行的控制。

51、极端情况，对于采集系统异常情况存在的可能性，应有智能判断、应急措施。针对不同的执行终端的应用特性，输出经过过滤、处理后的执行信息，实现保护执行机构及终端的目的。

52、本发明至少具有如下突出的有益效果：

53、通过在建筑最高点设置采集器，进而使光环境采集更准确，从而实现更好的控制。通过采用bim模型进行模拟，找到满足光环境舒适度要求的情况下能耗最低的最佳方案，可作用于如下领域：

54、1)居室光环境调节：在不需要居室独立传感器的情况下，可根据外部光环变化实时自动对室内人工照明进行启闭或调节；对遮阳系统进行调节以改善眩光、调整自然光照度及光线特性；对有规律的光污染进行自动遮蔽。

55、2)建筑热工性能调节：可调节遮阳措施，形成可以改善建筑物夏季外围护结构热工性能为目标的建筑自适应遮阳系统；参与集热墙的装置调节，实现集热墙智能调节目的。

56、通过采用建筑光环境神经网络技术，能建筑光环境神经网络系统预留可定制入口，预留差异化的可定制选项，针对智能公共建筑、智能居住建筑的特点，制定不同执行方案，以保证不同功能空间对光环境的不同需求。

57、可以标准的格式输出信息，满足各独立功能空间的使用客户自行搭建更细腻的神经网络及执行机构的需求。

58、建筑光环境神经网络系统可记录用户定制数据及使用过程中用户人工进行辅助干预、调节的数据，并掌握其中的规律，以便逐步体现用户的使用习惯，减少用户人工调节、干预的频率。

59、将神经网络控制和模糊控制结合起来的智能基于bim的建筑光环境控制系统，实现了光环境控制系统的自适应性和自主学习，为后续光环境智能家具和智能制造结合奠定了坚实的基础，为光环境智能控制提供了一种新的途径。