Повышение энергоэффективности систем внутреннего освещения является ключевой стратегией снижения энергопотребления без ущерба для зрительного комфорта. В статье представлено исследование эффективности моделей прогнозирования дневного света на основе искусственного интеллекта (ИИ) для управления внутренним освещением по разомкнутому контуру (без использования обратной связи от датчиков освещённости), а также сравнение их энергосберегающего эффекта с эталонной системой с замкнутым контуром. В основу анализа легли реальные данные о естественном освещении (ЕО), собранные в течение двух лет в общественном здании.
Система с замкнутым контуром использует датчики освещённости в каждой точке измерения, тогда как альтернативная система с разомкнутым контуром опирается на модели прогнозирования ЕО, построенные на методах машинного обучения и учитывающие такие параметры, как размеры помещения, коэффициент отражения поверхностей стен, площадь остекления, расстояние точки измерения от окон и пространственная ориентация здания.
Было разработано и оценено восемь регрессионных моделей прогнозирования; наивысшую точность показала модель на основе метода опорных векторов для регрессии (Support Vector Regression, SVR), а наименьшую – регрессор Тейла – Сена (Theil – Sen Regressor).
Анализ энергопотребления проводился исключительно по статье расхода электроэнергии на искусственное освещение. Результаты показали, что системы управления с замкнутым контуром способны сократить годовое потребление электроэнергии на освещение до 52 %, тогда как системы с разомкнутым контуром обеспечивают экономию в диапазоне от 33 % до 40 %.
Несмотря на более высокую эффективность, системы с замкнутым контуром связаны со значительными затратами на установку и эксплуатацию, что приводит к сроку окупаемости порядка 8–10 лет. Полученные результаты подчёркивают потенциал основанных на использовании ИИ систем управления освещением по разомкнутому контуру как экономически выгодного решения при реконструкции существующих зданий.
1. Mantzourani, K., Doulos, L., Kontadakis, A., & Tsangrassoulis, A. (2020). The effect of the daylight zone on lighting energy savings. In IOP Conference Series: Earth and Environmental Science (p. 012099). IOP Publishing volume 410.
2. Wong, L. (2017). A review of daylighting design and implementation in buildings. Renewable and Sustainable Energy Reviews, 74, 959–968.
3. Seyedolhosseini, A., Masoumi, N., Modarressi, M., & Karimian, N. (2020). Daylight adaptive smart indoor lighting control method using artificial neural networks. Journal of Building Engineering, 29, 101141.
4. Yin, C., Stark, B., Chen, Y., Zhong, S.-m., & Lau, E. (2015). Fractional-order adaptive minimum energy cognitive lighting control strategy for the hybrid lighting system. Energy and Buildings, 87, 176–184.
5. Ngarambe, J., Adilkhanova, I., Uwiragiye, B., & Yun, G. Y. (2022). A review on the current usage of machine learning tools for daylighting design and control. Building and Environment, 223, 109507.
6. Le-Thanh, L., Nguyen-Thi-Viet, H., Lee, J., & Nguyen-Xuan, H. (2022). Machine learning-based real-time daylight analysis in buildings. Journal of Building Engineering, 52, 104374.
7. Bunjongjit, S., Ananwattanaporn, S., Ngaopitakkul, A., Jettanasen, C., & Patcharoen, T. (2020). Design and application of daylight-based lighting controller on led luminaire. Applied Sciences, 10, 3415.
8. Beykaei, S. T., Mozaffari Ghadikolaei, F., & Ebrahimi, A. (2024). Application of machine learning to predict daylight glare probability. International Journal of Nonlinear Analysis and Applications, 15, 229–236.
9. Bi, G., Liu, J., Gao, G., & Zhao, L. (2023). Near-optimal adaptive predictive control model study for roller shades in office spaces. Journal of Building Engineering, 68, 105998.
10. Kim, Y. S., Shin, H. S., & Park, C. S. (2022). Model predictive lighting control for a factory building using a deep deterministic policy gradient. Journal of Building Performance Simulation, 15, 174–193.
11. Harris, B., & Montes, J. (2021). A sensor-less daylight harvesting approach using calibration to reduce energy consumption in buildings. In World Congress on Engineering Asset Management (pp. 47–56). Springer.
12. Sanjeev Kumar, T., Kurian, C. P., & Shetty, S. (2020). A data-driven approach for the control of a daylight – artificial light integrated scheme. Lighting Research & Technology, 52, 292–313.
13. Borile, S., Pandharipande, A., Caicedo, D., Schenato, L., & Cenedese, A. (2017). A data-driven daylight estimation approach to lighting control. IEEE Access, 475 5, 21461–21471.
14. Warnakulasooriya, K., Jayasuriya, Y. P., & Sudantha, B. (2018). Generic iot framework for environmental sensing researches: Portable iot enabled weather station. In 2018 International Conference on System Science and Engineering (ICSSE) (pp. 1–5). IEEE.
15. Zhang, F., & O’Donnell, L. J. (2020). Support vector regression. In Machine learning (pp. 123–140). Elsevier.
16. Haji, S. H., & Abdulazeez, A. M. (2021). Comparison of optimization techniques based on gradient descent algorithm: A review. PalArch’s Journal of Archaeology of Egypt/Egyptology, 18, 2715–2743.
17. van Wieringen, W. N. (2015). Lecture notes on ridge regression. arXiv preprint arXiv: 1509.09169.

• Предыдущая статья
• Следующая статья

• адаптивные системы освещения
• прогнозирование естественного освещения
• энергоэффективность
• внутреннее освещение
• управление по разомкнутому контуру
• регрессионная модель