1 引言

在我国照明用电量占全社会用电量14%以上，而作为人员聚集的办公楼更是用电量消耗的大户，越来越多的学者开始将减少办公室能源消耗作为下一步研究工作的重点。目前，降低楼宇照明能耗最为直接的方法就是采用高能效灯(高压钠、氤气灯、LED)代替低能灯(白炽灯)，这种可以达到降低40%的节能效果。同样，采用高效的照明控制策略也能降低能耗。Alice M等构建了一个无线网络照明系统，将照明控制定义为线性规划问题，在满足使用者的照明偏好技术上，采用智能算法优化最小化能耗问题，达到了节能降耗的目的。高颖等对异常天气引入模糊控制理论，提出了基于Lonworks总线技术的LED智能照明系统，解决了由于外界光照度不稳定引起的在不准确时间内开关灯、场景照明不够灵活等问题。但在实际应用中这些方法大多存在着控制效果不佳、成本过大、能耗降低不明显等问题。

为了实现高效、智能、节能的新型智能照明系统，本文构建了一套基于MOTE的无线网络照明系统，具有减少布线和节约成本的优势，并在此基础上分析传统灯光控制模型，建立了最小能耗优化函数，引入当前热门的智能进化算法混合差分进化算法用于根据环境和目标位置的照明贡献来优化每个灯具的功率设置，在保证光照度的基础下，实现了高效、智能、节能的目的。

2 基于Mote的无线网络照明系统

在传统建筑中存在有大量布线和控制所用开关，而利用无线技术可以大大降低安装和布线带来的成本。邢书剑等人对于机场航站楼存在照明用电能耗大、布线复杂的特点，设计了一套基于Zig Bee无线网络与DALI控制系统的航站楼智能照明控制系统。刘皖苏等人设计了基于GPRS传输Zig Bee传感网络技术的LED智能照明监测系统[6]。由此看出，无线技术被认为是现代建筑下一个技术应用点。同时，为了提供不同的光输出以达到节能和用户满意度，必须启用每个灯具的单独调光控制。为此本文设计出图1所示的照明系统框架。

本文选择Mote是因为其核心是一种微小的、低成本、低功耗的计算机，而其特性是易于形成网络来监控或控制一个或多个传感器和执行器。如图1所示光度传感器从办公室内获取照明数据，采用无线发送技术将光度数据传递到基于Mote的处理器上，经过运行混合差分进化算法应用程序后得到控制驱动信号。同时，基于Mote平台编程的驱动模块被设置为监听网络的驱动命令，将其当前的驱动状态报告给服务器，并与其他Mote协调形成组合网络。当驱动模块接收到发送给它的控制信号驱动命令时，通过D/A转换器将指定电平转换为电压信号。然后将该信号放大至0-10VDC调光信号来调整镇流器的电平。为了避免无线网络通信的可能中断或损坏，每次算法生成一个控制驱动命令时都会将其存入数据库中，通过监听驱动模块的状态反馈，将状态与最近的驱动历史进行比较，如果检测到任何不一致，则重新发送驱动包。

3 楼宇办公室内照明模型建立

如图2所示显示了一套办公室照明模型，Ni代表自然光对于每个传感器的贡献的照度，aij是灯j在最大工作功率下对于传感器i产生的照度，Fj表示当前j灯的功率因子百分数。假设在一个办公室内有n个灯和m个传感器，在计算光照系数时，遮住环境照明，一个接一个地关闭灯，并且在每次关闭期间，传感器从每个灯获得照明贡献aij(每次减少的照明)，从而根据总照明Ei和来自灯具aij的照明计算环境照明Ni:

同样，由式(2)可以计算出所有传感器的照度。当办公室内灯光和传感器位置固定时矩阵aij固定，而矩阵Ni随着时间变化而变化。

假设系统中每个灯都一样，Wmax作为每个灯具的最大光照度，那么整个系统的光照度W就应该为：

系统目的是使每个传感器Ei中的光照度高于目标光照度T，并使总功耗最小。式(4)是得到的以(F1,F2,…Fn)为控制参数的灯光照明成本优化函数。

然而，式(4)显然没有考虑到，灯在不同位置的重要性对于系统是不同的，显然越是中间的灯对系统越重要。因此，引入照明度的贡献量Ij如式(6)所示。大的Ij表示灯j越为重要和优先性越高，小的Ij表明灯j的惩罚度越高。式(7)为灯j的惩罚度函数。式(8)为改进后的灯光照明成本优化函数。

4 混合差分蜂群算法优化照明成本函数

人工蜜蜂群体(Artificial Bee Colony,ABC)和差分进化(Differential Evolution,DE)是两种非常受欢迎和有效的元启发式算法，这两种算法都被广泛应用于各种科学和工程优化问题中。然而，算法存在着早熟收敛、易于陷入局部最优、有时收敛速度慢等问题。算法可以通过修改其位置更新方程或将其与其他有前途的优化算法杂交来改进。在本文中，提出ABC算法和DE算法的混合，称为差分进化混合人工蜂群算法。

4.1 人工蜂群算法

ABC算法是一种基于群智能的全局优化算法。在ABC中，蜜蜂的食物来源被称为解决方案。ABC由三类蜜蜂组成，即雇佣蜂、跟随蜂和侦察蜂。ABC蜂群由相同数量的受雇蜜蜂和旁观蜜蜂组成。雇佣蜂在蜂巢周围寻找食物来源，并将相关信息储存在记忆中。跟随蜂从雇佣蜂那里收集信息，以选择食物来源来进一步提取花蜜。如果食物来源中的花蜜量低或耗尽，那么侦察蜂就会在搜索空间中随机地寻找新的食物来源。ABC算法的步骤描述如下：

(1)群体的初始化

初始解xi(i=1,2,…,NP)使用如下均匀分布来生成群体：

式中：xi是群体中的第i个潜在解，xmaxj和xminj是xi在第j维中的上下界，rand[0,1]是区间[0,1]中的均匀分布随机数。

(2)雇佣蜂阶段

在这个阶段，每个蜜蜂通过式(2)移动到食物来源，来搜索新的解：

式中：i是当前解，k是在群体中随机选择解(k≠i),j是随机选择的维度。是区间[-1,1]中的随机数。标准ABC算法应用贪婪算法从新的可能解和原来的解中保留最好的解。

(3)跟随蜂阶段

在跟随蜂阶段，基于概率公式(11)来选择解方案，以便在它们的邻域中进一步生成新的解。

式中：fitnessi是第i个解的适应度，maxfit是目前为止最好的解。在选择解之后，使用相同的式(2)生成新的邻域解。在当前位置和原位置之间再次应用贪婪选择，以便旁观的蜜蜂记住其中一个位置。

(4)侦察蜂阶段

如果在一个预先确定的持续时间或迭代中，任何解都无法自我更新，那么它将被视为废弃的解，相应的蜜源将被丢弃。相关联的蜜蜂使用等式(1)在搜索空间中随机搜索新的食物源。

4.2 差分进化算法

在DE中，初使用均匀分布，在搜索区域生成大小为NP种群，每个个体Xi=(xi,1,xi,2,…,xi,D)(i=1,2,…NP)是一个D维向量，也是一个可行解。经过变异、交叉、选择三个阶段不断产生下一个种群。整个过程的关键和关键部分是子代向量的生成，子代向量包含两个操作：变异操作和交叉操作。最后在父代和子代之间进行贪婪选择，为下一代选择最佳矢量。本文采用DE的DE/best/1/bin格式。算法步骤如下：

(1)变异操作

对于群体中的每一个成员，变异操作生成一个试验变量。为了生成试验变量，选择当前种群中的最优解xbest,j(g)作为目标向量，并用加权差分进行变异。将父代个体xi,j(g)往试验个体uij(g)的突变过程进行如下：

式中：xi1和xi2是随机从种群中生成的个体，且i1≠i2≠i;g是当前迭代的次数；F∈(0,1)为变异因子，用于控制差异向量的缩放。

(2)交叉操作

试验个体uij(g)与父代个体xij(g)交叉操作产生新生子代vi,j(g)过程如下：

式中：CR∈[0,1]为交叉概率，控制新生子代中每个维度j存在父代信息的多少。rand(1,D)是[1,D]之间的一个随机整数，保证交叉操作生成子代vi中至少保留一个维度信息由试验个体ui提供。

(3)选择操作

式(14)中将经过变异和交叉操作生成的新个体vi,j(g)与父代个体xi,j(g)进行选择操作，如果vi,j(g)的适应度更优，则vi,j(g)代替xi,j(g)进入下一代，否则，维持父代个体不变，直接进入下一代。

4.3 混合差分蜂群算法优化成本函数

在HABCDE中，进行二次修改，如下所示：

(1)雇佣蜂阶段：从位置更新公式(10)可以清楚地看出，在基本ABC中，使用当前群的随机解xkj的信息来更新解。这种方式当算法后期种群陷入局部最优或者多样性降低，对更新后的解的质量有造成很大影响。为此，为了平衡ABC算法的探索(由于随机解)和开发(由于存在最佳解)能力的。该算法中使用的位置更新方程为：

式中：ybest,j为最优个体的j维变量，φi,j是(0,C)之间随机数，C是常数。

(2)跟随蜂阶段：由于DE算法的收敛速度相对优于ABC算法，因此在ABC算法的跟随蜂的阶段采用DE算法的位置更新过程。首先根据式(12)从群体中随机选择两个解来对当前群的最优解进行变异，生成一个试验解。然后，使用式(13)将二项式交叉算子应用于试验解和当前解来创建新解。最后，将贪婪选择应用到当前和子代解决方案中，得到更好的解。

采用HABCDE算法优化灯光照明成本函数，需要将待寻优的n个灯的功率因子F组合成个体x(F1,F2,…,Fn),n为变量的维度D。适应度函数采用式(8)。其次，设定种群规模NP、j维的上下界xmaxj和xminj、常数C、变异因子F、交叉概率因子CR、最大迭代次数G。最后，基于HABC-DE算法优化灯光照明成本函数流程如图3所示。

5 实验验证

实验在一个模拟的8m×10m×2.50m的会议室进行，如图4测试系统包含一个基于Mote的无线控制模块、6个无线照度传感器和16各带驱动模块的照明荧光灯。电度表可以获取系统实际功耗，照度传感器能够采集到检测位置的实际照度，将计算机连接到系统控制模块来检测照度数据和控制命令。

根据国家对于办公室照明度的要求，我们将传感器照度设定为300Lux，确保办公室有足够的亮度。系统的工作原理是：根据来自传感器和照明控制设备的反馈消息发送设备搜索消息和配置，然后，系统转入光照数据测量状态。在计算光照系数时，照明控制装置接收到一个接一个地关闭灯的信息，并且在每个时间段内，传感器从每盏灯中获得照明贡献(每次减少照明)，从而根据总照明和灯具照明计算环境照明。其次，应用混合差分蜂群算法的控制程序使用照明数据获得16个灯的最佳功率因子设置参数。最后，控制模块将驱动信号发送到照明控制装置实现对灯的调控。

设定实验用HABCDE算法参数：NP=50、j维的上下界xmaxj=100%和xminj=0%、D=16、常数C=1.5、变异因子F=0.7、交叉概率因子CR=0.6、最大迭代次数G=1000。图5显示在实验中某一时段采集到得优化数据。图6是混合差分蜂群算法优化过程中适应度值随迭代次数得变化。图7是在一天当中采集得12组6个传感器照度数据曲线。

数据表明：当系统16个灯100%全打开时，传感器照度数据都达到800lux，能耗为1000w，而经过优化后得照明控制系统能耗为650w，节能率为35%。

同时，我们比较了式(5)和式(8)作为不同适应度函数对于最佳功率因数设定参数分布得影响，表1显示分布得不同。式(5)只考虑了的传感器之间得相互重叠照明，中间位置收到重叠影响多，导致中间传感器得照明度不高。而修改后的适应度函数(8)，由于考虑了灯位置得重要性，使得其调光效果更佳均匀。

6 结束语

本文设计了一套基于Mote的无线办公照明智能节能系统，并在此基础上利用混合差分进化算法对办公照明系统进行成本优化。该系统可根据实时环境照明和使用情况，合理设置灯具的调光比，节省了成本和能耗。在模拟办公空间进行的实验，在保证单位面积光照强度300lux的前提下，系统达到了降低能耗的目的。