室内自然光照度自适应神经模糊预测方法研究[3]

　　2. 2. 2 建立ANFIS 模型

　　建立DIPSB 模型的第二步就是训练一系列单独的ANFIS 模型，并计算其测试误差。本文首先将从

　　EnergyPlusTM软件中模拟的2340 个小时的ANFIS 的输入和输出数据分为训练和测试2 个数据集，其中，训练数据集占总数据的80%，测试数据集占总数据的20%。

　　训练ANFIS 模型采用批量训练方法来更新权值和阈值。用均方根误差( Root mean square error，RMSE) 评价ANFIS 模型的性能。RMES 的计算公式如下:

　　其中P 指预测照度即通过ANFIS 模型预测的照度值，T 指目标照度即通过EnergyPlusTM软件获得的照度值，n 指样本数据的个数。当迭代次数大于2000 或RMSE 值小于1. 0 时停止训练。通过计算测试误差来评价ANFIS 模型的通用性，测试误差越小则ANFIS 模型的通用性越强。

　　2. 2. 3 检验DIPSB 模型的准确性

　　本文使用照度百分比误差( Illuminancepercentage error，IPE) [7]测量DIPSB 模型预测的照度误差。通过ANFIS 模型预测出百叶帘特定块在不同叶片角度的照度后，利用公式( 1) 计算出百叶帘三部分的总预测照度。然后结合从EnergyPlusTM软件中获得的实际照度，计算出一年中所有时间的IPE，IPE 的计算公式如下:

　　其中: P ( i ) 指DIPSB 模型的预测照度，A ( i) 指从EnergyPlusTM 软件中获得的实际照度，i指一年中任一特定时间。

　　3 实验分析

　　本文利用EnergyPlusTM 软件模拟办公空间模型，获得建立DIPSB 模型需要的照度数据，该办公空间地点设为郑州市( 东经113. 65，北纬34. 72) 。模拟出一年2340 个小时的太阳高度角Hs、太阳方位角As、外表面水平光束照度Ex、水平散射照度Ed及其对应的SP1 和SP2 处的水平照度Et，Em，Eb。EnergyPlusTM软件的照度模拟过程如图3 所示。

　　Hu 等[6]研究表明如果已知SP2 处的实际照度，则SP1 处的照度预测的结果会非常准确。然而，SP2 处的实际照度是未知的，不能够直接作为输入变量。因此，本文考虑将SP2 处的预测照度代替SP2 处的实际照度作为SP1 处的第5 个输入变量。ANFIS 模型的输入变量均采用高斯型隶属函数，其个数均为3[8]。

　　在训练前，对全部数据采用6 倍交叉验证寻找最优参数集，即在寻找最优参数集的过程中，针对一参数集，将整个训练数据随机等分为6 份，然后依次使用任5 份进行训练，另外1 份进行预测，直至训练集中的任一实例都经过预测，最终得到全部数据的预测正确率，从而根据使用不同参数集得到的不同结果来判断最优参数集。在实验中，从这2340 个小时的数据中随机选取1872 ( 2340 × 80%)组数据进行训练，其余的数据进行测试。数据的运算与处理均在MATLAB 7. 6. 0 ( R2008a) 环境中进行。

　　对于已经训练过的ANFIS 模型，本文预测了一年中所有时间的SP1 和SP2 处的预测照度，并计算了其IPE 的值。计算结果显示，SP1 和SP2 的平均IPE 为5. 2%，因此，DIPSB 模型预测照度的能力为94. 8%。对一年所有使用时间的SP1 和SP2 落入不同误差范围的IPE 进行分析，如表2 所示。从表中可知，一年中大约90% 的时间，SP1 和SP2 的IPE小于10%。因此，利用DIPSB 模型预测的照度能够合理逼近实际的照度。