关键词：建筑节能  智能照明  传感器  控制策略  日光  光环境

　　2030年“碳达峰”、2060年“碳中和”是我国政府向全世界做出的庄严承诺^[1]。当前，全社会正在进行着一场围绕“双碳”的科学技术革命。建筑全过程（含材料生产、施工、运行、拆除）碳排放总量占全国碳排放比重的40%，其中建筑运行中照明系统能耗所对应的建筑运行碳排放占据较高的份额^[2-3]。因此，建筑中照明系统整体设计、控制方式选择以及对室外气候的有效利用，对低碳节能建筑甚至零能耗建筑的营造具有重要意义^[4-5]。

　　在人员密集的办公楼、写字楼等建筑中对照明的质量要求也越来越高，使用适当的照明控制技术不仅能提高人眼的视觉功效，还能降低能耗。LED灯连续可调、节能等特点为智能照明奠定了基础^[6]。其次，照明控制系统方式也由传统的手动控制阶段发展到智能化控制阶段，在空间和时间的范围内分布式、自适应的智能照明控制策略以及合理的利用室外气候条件如日光等也成为学者研究的热点。论文通过对相关英文文献的题目、摘要和关键词进行单词云分析（如图1所示），可看出室内照明系统研究主题集中在智能照明系统、控制策略和光环境等方面；研究方向包括建筑节能、控制策略设计、个性化照明、日光估计等；高频词分别是控制、智能照明、建筑节能、传感器、办公建筑、日光、仿真模拟、预测等。在聚类结果上，室内智能照明研究主要关注控制策略、能耗、传感设备等，研究的对象有办公建筑、商业建筑和大开间建筑以及住宅等。

　　一个合理有效的智能照明系统框架如图2所示，其中数据采集和控制策略的设计是两大核心模块。数据采集需要利用传感器实现，不同的放置方式会影响照明的效果^[7]。控制器则是通过特定的控制策略对传输的照明数据进行分析计算和调控。目前控制策略除了传统的开关控制、定时控制外，还有集中型控制，分布式控制和自适应智能控制等，各种控制策略的应用场景、应用尺度以及优点各有不同。

图1  室内智能照明系统的研究单词云

图2  智能照明系统框架

　　论文从室内智能照明系统中数据采集的传感器布置方式、不同控制方式和节能用日光估计模型等方面进行了梳理和归纳，以期能为未来不同场景下智能照明系统的进一步研究和发展提供参考借鉴。

　　各种传感器技术已广泛用于智能照明控制^[8]。传感器作为智能照明系统的重要组成部分，能够感知周围环境变化，反馈用户的需求，通过设计最优的布置方案，赋予其更加灵活的照明效果，营造出更人性化和更智能化的应用场景^[9]。在照明系统中使用的传感器主要包括：被动式红外传感器、光照度传感器、超声波传感器等。传感器的选择和使用，要综合传感器精度、抗干扰能力、经济成本等多方面因素^[10]；同时传感器的布置方式和布置数量也需要通过一些研究实验，得出最佳方案。目前室内传感器的布置方式主要分为传感器在工作平面和传感器在天花板附近，然而也有少数设计方案将传感器同时布置在工作平面和天花板或墙面上。传感器的布置方式如图3所示。

图3  传感器的三种布置方式

1.1  传感器在工作平面

　　有研究表明，光传感器最适宜的位置是工作空间平面，如图3（a）所示。文献[11]为对中央控制照明系统中的每个工作面分别配备有照度传感器向中央控制器提供工作面照度信息。中央控制器通过对传感器反馈值和用户的期望照度输入值进行分析，并利用约束控制算法确定灯具的最佳调光值。文献[12]将光传感器放置在工作平面，利用传感器测量反馈并通过无线通信方式将信息传输到控制器。此外，也有学者利用智能算法寻找工作平面布置传感器最佳位置。Beccali M等人利用神经网络的人工智能技术，为寻找工作平面照度与另一表面测量照度之间的关系提供了一种方法，该方法可找到与工作平面最佳照度预测相关联的光传感器位置^[13]。Wang L提出了一种基于传感器网络的工业建筑照明控制系统的设计方法，构建了传感器布置在工作平面与天花板平面之间的照明映射模型，生成了传感器布置规则^[14]。Yuan G等人提出了照度矩阵（I-矩阵）的概念，并将其建模为照度的精确表达式，利用径向基函数神经网络，从多个分布式光传感器获取目标工作平面的I-矩阵，然后利用遗传算法建立优化模型，以提高精度和减少传感器数量^[15]。Wagiman K R等人提出了一种基于数量和位置的照明系统最佳光传感器放置方法，以最小化成本（即初始安装成本和后期使用费用），同时以保持视觉舒适度为约束，以新的光源调光等级为目标函数，建立了照明中心网格的数学模型，并根据粒子群优化算法优化照度偏差模型，有效地确定了工作面传感器布置的最佳位置^[16]。传感器放置在工作平面上是一种常见的传感器放置方式，此方案可准确的感知和采集数据，从而更好地满足用户的照度需求，但是安装在工作平面上的传感器容易受到办公物体或人体活动遮挡，会影响检测数据的准确性，在工业建筑中可能由于受到干扰而不可靠。而在照度传感器受遮挡的情况下，系统不能正常调光使工作面上的照度水平达到要求，如果长时间处于不理想的工作光环境中，会给用户带来极大的不适，也会导致电能的浪费。如何减少外部环境对传感器的干扰，提高数据的准确性将是此布置方式未来的研究方向之一。

1.2  传感器在天花板附近

　　由于传感器布置在工作平面上存在一定的局限性，有学者提出了将传感器布置在天花板附近从而实现照度或者用户占用信息数据的采集，如图3（b）所示。Caicedo D等人设计了将光传感器放置于光源上（即天花板处）的照明系统，通过标定获得天花板处光传感器测量到的照度值与工作平面上的平均照度值之间的关系，通过中央控制器将工作空间平面的照度约束转换为天花板平面的照度约束^[17-18]。文献[19]提出一种区域控制的智能照明系统方法，将雷达安装于天花板上，采用雷达技术精确定位人员的实时位置，以克服照明控制系统节能效果不佳、误判率高、反应时间长等缺陷。实验结果表明，该系统定位误差在3cm以内，LED照明误判率低于1%，电量平均减少23.8%。文献[20]研究了一种日光和占用自适应控制系统，系统中的每个灯具都有一个安装在天花板平面的光传感器、占用传感器和无线接收机，光传感器和占用传感器分别确定其传感器视野内的净平均照度和占用信息，并将值发送给中央控制器，由中央控制器进行调节，实现照明节能。

　　安装在天花板附近的光传感器测量的照度是由灯具和从办公室的物体（如家具）反射的日光的组合照度。天花板安装的红外传感器等可检测用户的在场信息，更好地捕捉用户的位置，实现准确的照明控制，即使在静态用户中也能工作。但是放置于天花板处的传感器增加了设备安装和调试的难度，这无疑会增加安装与调试设备的成本^[21]，而放置在天花板处的传感器会受到室内环境改变的影响，室内环境的改变会影响日光映射条件，从而导致测量的总照度不准确。此外，安装在天花板附近的传感器并不能准确得知工作平面的哪一部分接收到的光最多。因此，为了使得工作平面的照度具备一定的均匀性，需要更全面的照度相关参数来获得精确的光分布，这也是研究用户视觉舒适度、工作效率和非视觉生物效应的关键内容之一。

1.3  传感器同时在工作平面和天花板或墙面上

　　除了以上两种布置方式外，还有一种布置方式是传感器同时在工作平面和天花板或墙面上，如图3（c）所示。

　　该种布置方式有效融合了在天花板和工作平面上安装传感器的优点。Rossi M将光传感器放置于天花板和工作平面上，利用来自工作空间和天花板灯传感器的反馈信息设计了日光照度预测器，有效地保证工作空间的照明需求^[22]。Borile S等人设计了基于数据驱动的日光估计的照明控制系统。在训练阶段，位于工作面和天花板处的传感器同时收集日光值，然后使用这些数据估计天花板测量点和工作场所控制点之间的映射关系^[23-24]。文献[25]提出了室内照度变化传递比的概念以及由墙面设置照度传感器替代工作面照度传感器的方法。笔者通过仿真和实验手段研究了传感器在墙面上布置时，传感器与被调光源的方位关系对照度变化传递比的影响，得出了适用于办公和阅览场所调光系统照度传递比的两个约束条件。满足该约束条件即可获得室内墙面传感器的有效放置位置及所需数量。通过墙面照度传感器设置方法在教室照明调光控制系统中的应用，证明了该方法的有效性。文献[26]提出了超声阵列传感器解决方案，超声波阵列传感器可以提供精确的定位信息，该信息传输到照明控制器，根据控制算法来优化多个LED光源的调光级别以实现所需的照度需求，节约了大量能源。位于天花板和工作平面上的光传感器用于实时提供照明信息反馈，来自天花板上的占用传感器提供用户在场信息，该布置方式结合了在天花板和工作平面上安装传感器的优点，有利于照明系统的智能控制。通过文献分析可知传感器布置的研究方向逐渐趋向通过新技术不断优化设计方案，在减少传感器数量的基础上提高传感器采集数据的准确性。

　　控制部分是智能照明系统的中枢，接收来自传感器的数据并通过特定的照明控制策略在满足约束条件的基础上输出控制信号，调整照明灯具的调光水平。不同的场景适用不同的控制策略，常用的控制策略主要可分为三种：集中型控制、分布式控制、自适应智能控制。

2.1  集中型控制

　　集中型照明控制策略的主要研究方向在于优化中央控制算法，集中型控制框架如图4所示。其通常以具有多个灯具的中央控制照明系统为研究对象，每个灯具均配备光传感器和智能设备。传感器采集相关照度数据，智能设备用于用户设定期望照度值。传感器检测的照度值和用户请求的照度值发送到中央控制器，而中央控制器通过控制算法获取灯具的调光水平，再经由集中型控制器发送给执行器。文献[20]提出了一种集中型控制策略，首先将光传感器采集的数据上传至中央控制器，中央控制器通过一定的策略决定每个光源的调光级别。中央控制器的目标是最小化功耗，同时保持工作平面最低照度需求。文献[27]提出了利用中央控制器对传感器反馈值和用户的期望照度输入值进行分析，并利用约束控制算法确定灯具的最佳调光值，依据室外天然采光的变化和用户的个性化需求进行实时的自动调光方案，该方法显著降低了能耗。Rossi M设计了一个多变量集中反馈控制器来执行个人控制与日光和占用适应照明系统，通过优化照明误差的加权平方和与能耗的平方和，设计了集中控制器，并依据传感器反馈和用户信息利用中央控制器确定调光策略，在考虑到局部占用和光感输入的情况下，实现了精确的灯具亮度调整^[22]。Borile S设计了一种由多个光源和光传感器以及一个中央控制器组成的照明系统，通过分析每个灯具上的局部传感器信息，利用中央控制器上的控制律分别对灯具进行控制。在估计照度高于指定目标值的约束下，控制器优化了灯具的调光级别并能节约一定的能源^[23]。

　　集中型照明控制策略通过中央控制器的特定算法，能够解决照明约束、空间照度均匀性调光的问题，通过有效地对训练数据进行分析，从而减少算法的计算复杂度。不断地采集室内环境数据，训练算法模型，从而适用更多的复杂场景是集中型照明控制策略未来研究的方向之一。

图4  集中型控制框架图

图5  分布式控制框架图

2.2  分布式控制

　　自组织和自由化是智能照明系统的发展趋势，特别是商用办公环境下用户希望能够自主改变办公光照环境，不同时刻下同一个人所需的照明环境也不一样，导致用户对各种环境参数的不同偏好产生冲突，因此学者提出了分布式控制照明系统，如图5所示。分布式照明控制系统通常以具有多个灯具、多个传感器-执行器的分布式控制照明系统为研究对象，每个灯具均配备光传感器、智能设备以及执行器节点。传感器采集相关照度数据，智能设备用于用户设定期望照度值。传感器检测的照度值和用户请求的照度值发送到各分布式控制器，多个节点之间通过交互和协调获取灯具的调光水平，再经由分布式控制器发送给各个执行器。

　　Meugheuvel N设计了分布式PI照明控制系统，根据夜间校准时确定的光传感器设定值来控制照度，通过在经典PI控制器中添加联网功能，解决了邻近控制器照明不足的情况^[28]。Sun F提出了一种基于分布式多智能体框架的室内智能照明控制策略，框架采用分散星型网络架构，并通过多个异构智能体之间的交互和协调提供计算能力。同时可根据占用情况、室内和室外的光环境，对灯具和百叶窗进行控制，以达到最佳的视觉舒适度和灯具的节能^[29]。Zhang D针对带日光收获的动态照明系统，提出了一种分布式控制算法，从而更好地管理灯具的照度变化，将照度变化限制在给定的范围内，同时实现每个光源的最佳设定点^[30]。Chen Z提出了基于一致性的开放办公室分布式照明控制方法，其根据期望照度与实际照度间的偏差分布式调节LED灯的亮度，在照明满足要求情况下降低照明能耗^[31]。Caicedo D提出了一种基于分布式异步控制器的照明系统中日光估计和照度增益的方法，利用非负正交上的最佳线性无偏估计的欧几里德投影作为初始光照增益估计，得到均方误差性能的界，设计了一种照度增益变化的递归校准机制，从而使照明功耗最小化^[32]。文献[33]研究了基于传感器网络技术的智能照明分布式控制算法，该方法通过传感器网络的建立和节点的接入构建了一个完整的传感器网络，然后利用自适应加权算法对采集到的感知信息进行融合，提高数据的准确性和稳定性，获得高精度的采集数据。文献[34]介绍了一种利用信标来切换办公室占用状态的智能照明系统的新模式，通过标识占用情况来启停灯具及调整照度大小，研究表明该模式可有效地定位用户且能降低办公室照明系统的能耗。文献[35]提出了基于分布式环境光传感器信息的自适应算法控制，该系统由状态传感器、环境光传感器、光伏系统、控制卡和电池元件组成。环境光传感器和在场传感器的使用结合用户的喜好，通过分布式环境传感器调节照明强度，实现智能节能。

　　分布式控制策略可将大工作空间分为不同的照度区，通过与邻近的控制器进行数据交互，以便更好地管理灯具照度的变化，满足用户的照度需求。未来分布式控制系统的研究方向主要是考虑个人控制，即在满足总体照度要求的条件下，根据个人不同的照度需求，进行差异化调光，从而实现更舒适更节能的照明控制。

2.3  自适应智能控制

　　随着智能照明系统在建筑中的广泛应用和不同应用场合的个性化差异，传统的控制策略已经难以满足用户对室内照明更加准确、更加稳定的需求。学者将照明控制与高速发展的网络技术相结合，通过设计具有大数据采集、大数据分析和预测功能的照明方案，分析用户的使用习惯和行为方式，并对使用者的行为方式进行预测，从而达到更加精细的调节和控制，在更高层面上满足用户的照明需求和节能需求。

　　Viani F设计了一种基于ZigBee组网实现数据采集和使用进化算法的自适应控制的智能照明系统，在分析使用者的行为方式和所在位置的基础上利用粒子群算法对照明系统实时调控，结果表明在该种控制策略下节能率约为37%^[36]。Kumar A设计了一种基于ZigBee的智能LED照明系统，通过收集使用者对灯具的个性化使用情况并利用神经网络算法自动预测实现使用者的偏好，在此基础上进行控制，获得了更好视觉舒适度和节能效果^[37]。Seyedolhosseini A提出了一种智能照明系统的闭环控制方法，利用神经网络对环境区域内灯具输出通量与期望照度之间的关系进行建模，结合神经网络与线性优化的方法控制可调光源，传感器监测不可控光源，以便对照明条件或用户需求变化做出快速准确的反应^[38]。Xiong J提出了一种融合个性化视觉偏好与实时最优采光的控制策略，以满足效用和预测照明能耗为并行目标，在每个时间步上提供一组Pareto解，以便能够实时响应用户个性化需求^[39]。Kandasamy N K提出了一种闭环智能照明控制方案，采用基于人工神经网络的内部模型控制器，利用放置在工作面上的传感器的反馈信息控制灯和自动卷帘的开启，结果表明该方法可有效地响应用户照度需求^[40]。Zou设计了一种基于WiFi的智能建筑照明控制系统，该系统利用现有的WiFi基础设施，在不干扰办公者的情况下提供精细的入住信息，根据这些占用数据，服务器通过照明控制算法为每盏灯计算出适当的调光命令，旨在最大限度地减少能耗，同时满足用户的照明需求^[41]。张婷等人设计了一种新型的室内日光自适应控制策略，利用无线传感器网络检测室内外日光光源的分布，在此基础上建立了照度与百叶窗状态的预测模型，对百叶窗的下放长度及叶片角度进行调节，从而达到智能控制室内光线及优化能源消耗的目的^[42]。文献[43]介绍了一种带有参数化角度反射板的自适应百叶窗原型设计和实验验证方案，其将阳光均匀地反射到天花板上的目标位置，天花板作为房间的漫射光源，实验结果验证了所提的设计方案使得日光结合人工照明的效果更加均匀和稳定。文献[44]设计了一种基于改进DBSCAN算法的智能照明控制系统，将传感器获取的室内人员位置信息转化为照明平面上的二维坐标数据，并使用改进后的DBSCAN聚类算法对数据进行聚类分析，找出人员分布相对密集的区域；最后，用单位容量法确定每个区域需要开启的灯具个数。结果表明，通过对照明区域的实时智能控制，有效节约了电能。

　　随着新一代信息技术（大数据、云计算、5G、物联网等）的进一步发展，未来智能照明系统可以接入BAS，与能源监控、智能家居、暖通空调系统等进行信息交互，从而在更高层面上满足人的视觉舒适性和实时性要求，并减少能源消耗。

　　从建筑节能的角度来看，最大程度利用室外天然光来智能调节室内光环境有其重要意义，日光估计模型得出的数据越准确，越容易满足用户的照明需求，也更有利于调整灯具的调光水平。与传统照明系统相比，使用日光自补偿照明系统更令用户感到舒适满意^[45]。日光自补偿节能模型中最主要的是日光估计模型的建立，目前建筑节能用日光估计模型获取的方法通常有三种方式：第一种是使用DIALux等仿真软件对室内环境进行建模。通过实际模拟室内环境，布置灯具和各种家具的位置，设置空间大小、反射系数和工作面等参数，依据天气情况模拟室内自然光的分布，在此基础上，确定日光照度估计模型，便于在实践中应用实施。第二种是对天气可能会产生变化的情况进行分类，如天气晴朗、多云、雨天，依据太阳直射光与散射光对工作面的贡献建立模型^[46-47]，将窗户作为辐射源计算各工作面的辐射强度。Yoon Y等人开发并验证了一种基于光传感器性能的模拟方法以计算照明控制系统在不同日光条件下的光传感器信号，结果表明在晴朗和部分多云的天空条件下，测量值与模拟值的误差控制在10%以内^[48]。春江锋建立了将天空光模式、太阳高度角作为输入的双模糊控制器，并利用MATLAB和DIALux仿真软件，对仅采用人工照明和结合天然采光的节能效果进行了对比，证明所提出的控制方法能够取得良好的照明效果^[49]。与第一种方法相比，该方法更接近实际使用场景，缺点是天气的不可预测性造成分类不准确，从而会导致较大的误差。第三种是根据实际场景利用传感器直接采集室外自然光与办公区域内自然光分布的情况，确定映射关系，前提是办公区域环境不可变，该方法有较高的可靠性，适合对光照标准要求不高的情景。Borile S等学者利用置于开放式的办公空间中的传感器的数据，设计了基于最小二乘法的日光照度的预测器，并将其用于办公空间的照明模型中，将照明模型转化为优化问题，求得的最优解即为灯具的最佳组合^[24]。文献[31]提出了一种开放办公室分布式照明控制方法，其基于最小二乘法训练估计自然光匹配矩阵间接获取自然光对工作面照度的贡献值。此外，文献[50]中，光传感器由用户随身携带，并通过校准调试便于正确关联光传感器数据以控制灯具。文献[51-52]提出了一种利用人工神经网络预测日光的模型，结果表明利用人工神经网络建立的预测模型可提供快速、准确、可靠的照度值。

　　人工照明与日光照明结合的室内智能照明控制系统为舒适、节能、减少眩光提供了一种有效的方法，使得建筑照明系统中最大程度对室外日光的利用呈现快速增长态势^[7]。目前，日光自补偿模型用于室内照明调光系统的成果大多处于仿真模拟阶段，相关成果较少实际成熟落地应用。未来的研究需要对日光自补偿模型进行大量的估计预测、仿真、实践，以便更加精确地对室内设备进行控制和调节；此外，日光对室内照明系统的影响因素需要结合实际气候条件、建筑类型、房间区域类型、光热效应等进行研究，为室内照明和日光结合控制提供进一步的参考，以期为用户提供理想的视觉舒适度并达到节能的目的。

　　随着新一代信息技术的发展和成熟，智能照明系统已经成为智慧城市建设的重要组成部分^[53]，其主要目标是满足用户的视觉舒适度，同时降低能耗^[54]。良好的室内照度可以提高人的视觉舒适程度和健康状态甚至提高用户的幸福感^[55-57]。国内外众多学者已就室内照明系统相关问题进行了大量研究并取得诸多成果，未来可能的发展趋势总结如下：（1）室内智能照明系统中照度、占用等传感器的选择和使用，要综合传感器精度、抗干扰能力、经济成本等多方面因素，传感器布置的研究方向逐渐趋向通过新技术不断优化设计方案，在减少传感器数量的基础上提高传感器采集数据的准确性。（2）不同的场景适用不同的控制方式，如何使得控制方式适用更多的复杂场景是未来的研究方向之一；其次，在满足总体照度要求的条件下，根据个人不同的照度需求，进行差异化调光，从而实现更舒适更节能的照明控制也是未来研究热点。（3）从建筑节能的角度来看，最大程度利用日光来智能调节室内光环境有其重要意义，如何设计更加准确的日光自补偿模型实现日光采集，并使得用户获得理想的视觉舒适度是未来日光估计模型的研究方向之一；其次，多数研究中是以照度作为室内光环境的评价指标，实际上，人对光环境满意与否与空间亮度分布均匀性、颜色、色温甚至光谱等有很大关系，这有待于通过测试技术的发展和深入的调研工作，从而进一步完善相关模型。

　　为了减少建筑整体的能源消耗，也要从智能照明系统的待机耗能^[58-60]和光热平衡^[61]等角度进行分析研究。不仅要研究系统内部的最佳优化，还要综合考虑与建筑物其他相关系统的耦合制约关系，设计最佳方案，减少建筑整体能耗，最终实现节能减排，更好地为“碳中和”添砖加瓦。

参考文献：

[1]王永中.碳达峰、碳中和目标与中国的新能源革命[J/OL].人民论坛·学术前沿,2021(14):88-96[2021-08-09].https://kns.cnki.net/kns8/defaultresult/index.DOI:16619/j.cnki.rmltxsqy.2021.14.010.

[2]中国建筑节能协会.中国建筑能耗研究报告2020[J].建筑节能(中英文),2021,49(2):1-6.

[3]牟方园.民用建筑照明设计中节能技术的分析与应用研究[D].西安:长安大学,2017.

[4]林晓萍.基于视频数据分析的建筑智能照明系统研究[D].济南:山东师范大学,2020.

[5]DOULOS L T,TSANGRASSOULIS A,KONTAXIS P A,et al. Harvesting daylight with LED or T5 fluorescent lamps? The role of dimming[J]. En -ergy and Buildings,2017,140:336-347.

[6]敬舒奇,魏东,王旭,等.室内LED照明控制策略与技术研究进展[J].建筑科学,2020,36(6):136-146.

[7]VATHANAM G,KALYANASUNDARAM K,ELAVARASAN R M,et al. A review on effective use of daylight harvesting using intelligent lightingcontrol systems for sustainable office buildings in India[J]. Sustainability ,2021,13(9):4973-5005.

[8]LABEODAN T,ADUDA K,ZEILER W,et al. Experimental evaluation of the performance of chair sensors in an office space for occupancy detection and occupancy-driven control[J]. Energy and Buildings,2016,111:195-206.

[9]陶涵迤,魏颖东,曹箫洪,等.智能传感器在照明中的设计和运用[J].光源与照明,2017(3):38-40,43.

[10]晋远,燕达,安晶晶,等.基于历史在室规律的办公照明系统模型预测控制[J].建筑科学,2020,36(4):191-198.

[11]许馨尹,李淑娴,付保川.基于日光和用户需求的照明节能控制方法研究[J].建筑科学,2019,35(10):150-156.

[12]毛海明.基于无线传感器网络的移动智能照明控制系统设计与实现[D].杭州:杭州电子科技大学,2013.

[13]BECCALI M,BONOMOLO M,CIULLA G,et al. Assessment of indoor illuminance and study on best photosensors' position for design and commissioning of daylight linked control systems:A new method based on artificial neural networks[J]. Energy,2018,154:466-476.

[14]WANG L,LI H,ZOU X,et al. Lighting system design based on a sensor network for energy savings in large industrial buildings[J]. Energy andBuildings,2015,105:226-235.

[15]YUAN G,LIN Y,SUN Y. A wireless sensor network based on the novel concept of an I-matrix to achieve high-precision lighting control[J].Building and Environment,2013,2013:223-231.

[16]WAGIMAN K R,ABDULLAH M N,HASSAN M Y,et al. A new optimal light sensor placement method of an indoor lighting control system forimproving energy performance and visual comfort[J]. Journal of Building Engineering ,2020,30:101295.

[17]CAICEDO D,PANDHARIPANDE A,WILLEMS F. Daylight-adaptive lighting control using light sensor calibration prior-information[J]. Energyand Buildings,2014,73:105-114.

[18]CAICEDO D,PANDHARIPANDE A. Distributed illumination control with local sensing and actuation in networked lighting systems[J]. IEEESensors Journal,2013,13(3):1092-1104.

[19]欧海燕,范祯桂,潘鑫.基于雷达定位区域识别的智能照明节能方法[J].福建工程学院学报,2020,18(4):365-369.

[20]PERUFFO A,PANDHARIPANDE A,CAICEDO D,et al. Lighting control with distributed wireless sensing and actuation for daylight and occupancy adaptation[J]. Energy and Buildings,2015,97:13-20.

[21]罗正余.浅谈机械设备的安装与调试[J].信息周刊,2018(26):128.

[22]ROSSI M,PANDHARIPANDE A,CAICEDO D,et al. Personal lighting control with occupancy and daylight adaptation[J]. Energy and Buildings ,2015,105:263-272.

[23]BORILE S,PANDHARIPANDE A,CAICEDO D,et al. An identification approach to lighting control [C]//2016 European Control Conference(ECC). IEEE,2016.

[24]BORILE S,PANDHARIPANDE A,CAICEDO D,et al. A data-driven daylight estimation approach to lighting control[J]. IEEE Access ,2017,5:21461-21471.

[25]雍静,侯贺,曾礼强,等.室内照明调光控制系统中墙面传感器布置方法[J].重庆大学学报(自然科学版),2013,36(3):82-89.

[26]PANDHARIPANDE A,CAICEDO D. Daylight integrated illumination control of LED systems based on enhanced presence sensing[J]. Energy andBuildings,2011,43:944-950.

[27]XU X Y,WU Z T,FU B C. A novel energy conservation method for office building lighting system[J]. International Journal of Simulation and Pro -cess Modelling,2021,16(3):175-184.

[28]MEUGHEUVEL N,PANDHARIPANDE A,CAICEDO D,et al. Distributed lighting control with daylight and occupancy adaptation[J]. Energy andBuildings,2014,75:321-329.

[29]SUN F,YU J. Indoor intelligent lighting control method based on distributed multi-agent framework[J]. Optik-International Journal for Light andElectron Optics,2020,213(4):164816.

[30]ZHANG D,XIA X,YE X. Distributed illumination control of lighting systems with daylight Corresponding author :D. Zhang[J]. IFAC-PapersOnLine,2017,50(2):237-238.

[31]CHEN Z,FU B,WU Z. Average -consensus -based distributed lighting control in open offices[C]//2017 International Smart Cities Conference(ISC2). IEEE,2017.

[32]CAICEDO D,PANDHARIPANDE A,WILLEMS F M J. Illumination gain estimation and tracking in a distributed lighting control system[C]//2014IEEE Conference on Control Applications(CCA). IEEE,2014.

[33]WANG B,WANG F. Research on intelligent lighting distributed control algorithm based on sensor network technology[J]. Microprocessors andMicrosystems,2020,81(3):103729.

[34]HAJJAJ M,MIKI M,SHIMOHARA K. The effect of utilizing distributed intelligent lighting system for energy consumption in the office[J]. Ap -plied Sciences,2020,10(6):2004.

[35]魻Z覶ELIK M A. The design and comparison of central and distributed light sensored smart LED lighting systems[J]. International Journal of Pho -toenergy,2018,2018:1-14.

[36] VIANI F,POLO A,GAROFALO P,et al. Evolutionary optimization applied to wireless smart lighting in energy-efficient museums[J]. IEEE Sen -sors Journal,2017,17(5):1213-1214.

[37]KUMAR A,KAR P,WARRIER R,et al. Implementation of smart LED lighting and efficient data management system for buildings[J]. EnergyProcedia,2017,143:173-178.

[38]SEYEDOLHOSSEINI A,MASOUMI N,MODARRESSI M,et al. Daylight adaptive smart indoor lighting control method using artificial neural networks[J]. Journal of Building Engineering,2019,29:101141.

[39]XIONG J,TZEMPELIKOS A,BILIONIS I,et al. A personalized daylighting control approach to dynamically optimize visual satisfaction and lighting energy use[J]. Energy and Buildings,2019,193:111-126.

[40]KANDASAMY N K,KARUNAGARAN G,SPANOS C,et al. Smart lighting system using ANN-IMC for personalized lighting control and daylightharvesting[J]. Building and Environment,2018,139:170-180.

[41]ZOU H,ZHOU Y,JIANG H,et al. WinLight:A WiFi-based occupancy-driven lighting control system for smart building[J]. Energy and Build -ings,2018,158:924-938.

[42]张婷,张德干,高瑾馨.一种基于WSN的室内日光自适应控制方法[J].控制工程,2020,27(S1):10-14.

[43]AE A,YS A,MH B,et al. An automated louver with innovative parametrically-angled reflective slats :Prototyping and validation via using parametric control in Grasshopper along with Arduino board[J]. Energy and Buildings ,2020,231:110614.

[44]汤烨,陆卫忠,陈成,等.基于改进DBSCAN算法的智能照明控制系统[J].苏州科技大学学报(工程技术版),2017,30(4):70-75.

[45]MAHMOUDZADEH P,AFACAN Y,ADI M N. Analyzing occupants' control over lighting systems in office settings using immersive virtual environments[J]. Building and Environment,2021,196(5):107823.

[46]K譫MAR L,KOCIFAJ M. An Accurate prediction of daylight pipe harvesting of interior space[J]. Applied Sciences ,2019,9(17):3552.

[47]WANG J,WEI M,CHEN L. Does typical weather data allow accurate predictions of daylight quality and daylight-responsive control system performance[J]. Energy and Buildings,2019,184:72-87.

[48]YOON Y,LEE J H,KIM S. Development of computational algorithm for prediction of photosensor signals in daylight conditions[J]. Building andEnvironment,2015,89:229-243.

[49]春江锋.舒适性节能照明控制策略的研究[D].西安:陕西科技大学,2018

[50]YEH L W,LU C Y,KOU C W,et al Autonomous light control by wireless sensor and actuator networks[J]. IEEE Sensors Journal ,2010,10(6):1029-1041.

[51]NAVADA S G,ADIGA C S,KINI S G. Prediction of daylight availability for visual comfort[J]. International Journal of Applied Engineering Re -search,2016,11(7):4711-4717.

[52]YI Y K. Dynamic coupling between a Kriging-based daylight model and building energy model[J]. Energy and Buildings ,2016,128:798-808.

[53]AL HORR Y,ARIF M,KAUSHIK A,et al. Occupant productivity and office indoor environment quality:A review of the literature[J]. Buildingand Environment,2016,105:369-389.

[54]CHEW I,KARUNATILAKA D,TAN C P,et al. Smart lighting:The way forward? Reviewing the past to shape the future[J]. Energy and Buildings,2017,149:180-191.

[55]王庆.LED室内照明舒适性视觉评价方法及技术的研究[D].杭州:浙江大学,2015.

[56]TANG S,KALAVALLY V,NG K Y,et al. Development of a prototype smart home intelligent lighting control architecture using sensors onboard amobile computing system[J]. Energy and Buildings,2017,138:368-376.

[57]SOHEILIAN M,FISCHL G,ARIES M. Smart lighting application for energy saving and user well-being in the residential environment[J]. Su -stainability,2021,13(11):6198.

[58]BECCALI M,BONOMOLO M,BRANO V L,et al. Energy saving and user satisfaction for a new advanced public lighting system[J]. Energy Conversion and Management,2019,195:943-957.

[59]晏益力,晏真琪,朱椰,等.居住建筑能耗与室内长期热环境相关性研究[J].建筑热能通风空调,2019,38(3):41-44.

[60]GENTILE N,DUBOIS M C. Field data and simulations to estimate the role of standby energy use of lighting control systems in individual offices[J].Energy and Buildings,2017,155:390-403.

[61]罗涛,燕达,江亿,等.办公建筑照明能耗模拟方法研究(上)[J].建筑科学,2017,33(4):101-109.

来源：《苏州科技大学学报（自然科学版）》