天然采光優化導向下的辦公空間智能遮陽百葉調控策略綜述

駱肇陽，齊軒寧

(哈爾濱工業大學建筑學院，黑龍江 哈爾濱 150000)

引言

智能遮陽百葉指由智能控制系統操縱下，遵循某種自動響應機制的活動式機械百葉系統[1]。作為辦公建筑室內外日光調節媒介，智能遮陽調控系統可契合地域氣候與環境特征，改善暖通空調能源的使用，以降低碳排、緩解低能耗；避免室內直射光眩光，以提升室內環境的視覺健康[2，3]。

智能遮陽百葉相關研究最早起源于20世紀60年代，在20世紀70年代能源危機的推動下，以美國勞倫斯伯克利國家實驗室(Lawrence Berkeley National Laboratory，簡稱LBNL)為主的研究機構對其展開深度研究[4，5]。發展至今，不同智能遮陽調控方法得以相繼提出，并具有不同的特征屬性以及應用條件。為能充分發揮其在指定場景中的調控潛力，亟需對其展開類型與方法上的系統梳理，明晰不同調控策略潛在的使用條件。

本文基于文獻搜索，對既有智能遮陽百葉調控策略研究的重要文獻進行梳理，按照調控反饋有無和模型驅動類型兩類標準對相關研究展開分類，對其調控邏輯進行簡述與分析，為智能遮陽后續控制工具、傳動設計選型提供依據。

1 基于智能遮陽百葉調控反饋有無的分類

根據控制系統反饋的有無，智能遮陽百葉調控可分為兩大類：一類是閉環調控方式(closed-loop control)，另一類為開環調控方式(open-loop control)[6-8]。

1.1 閉環調控策略

閉環調控方式通常也稱作反饋式(feedback)調控模式，其核心思想為基于室內實測光環境指標探測值與理想參考值(set-points)之間的比較，其差值作為反饋信號持續傳遞給調控器從而不斷減少差值進行室內采光照明優化。

根據相關室內實測光環境指標研究統計[9]，其可用評價指標下的調控策略可進一步細分為：基于水平天然采光量化指標下的閉環調控策略與基于眩光相關評價指標下的調控策略(表 1)。

表1 閉環調控策略類型

1.1.1 基于水平天然采光量化指標下的調控策略

早期典型的商業閉環調控系統通常擁有一系列室內水平桌面照度傳感器(photosensors)并搭載調光器(dimmer)，以維護工作桌面到理想照度范圍內[10]。研究者常利用室內水平天然采光量化指標，對工作面對室內天然采光質量進行量化評價。常用的指標有工作面水平照度(horizontal illuminance)與有效水平照度指標(Useful Daylight Illuminance，UDI)[11]等。2008年，Mahdavi[12]利用基于天空亮度掃描下的及時采光仿真技術，設計出天然采光響應調控原型，結合天然采光有效水平照度指標，計算工作面及時水平照度值與理想閾值范圍的偏離系數，并將其最小化，并進一步結合自然照明與制冷能耗整合為綜合優化目標，以實現調控策略。2012，Olbina等[13]設計了一款自動垂直分段百葉遮陽系統，利用UDI所規定的閾值范圍制定優化目標，保證離窗戶較近區域的水平照度低于2 000 lx而離窗戶較遠處的工作區域水平照度值時間百分比最大，從而保證室內天然采光照度最大化的同時避免窗戶周邊眩光，最后通過對比獲取了該自動百葉設計優化下的調控性能量化指標，譬如不同時間段內、不同閾值范圍內的有效水平照度百分比、天然采光眩光指數，以及指定時間段內的暖通與人工照明能耗，證明了該方案性能提升的有效性。2018，Bueno等[14]立足于地方采光需求，針對大窗墻比采光辦公空間研發了整合工作面平均水平照度、垂直照度與室內溫度臨界值的自動百葉控制系統，以實現采光、得熱與眩光的綜合室內協調控制。

基于水平天然采光量化的短期指標簡單實用，便于測量監控，但由于其研究對象為工作面，其缺點在于未考慮垂直墻面的照度與亮度所帶來的眩光干擾，故大多適用于伏案辦公等文書工作(paper work)。

1.1.2 基于眩光相關評價指標下的調控策略

為有效量化與評價室內眩光，近年來一系列眩光指標相繼被提出，譬如視覺舒適概率(Visual Comfort Probability，VCP)[15]、CIE眩光指數(CIE Glare Index，CGI)[16]、統一眩光指數(Unified Glare Rating，UGR)[17]、眩光發生指數(Daylight Glare Index，DGI)[18]以及眩光發生概率(Daylight Glare Probability，DGP)[19]等，這些指標結合公式推導，借助視覺樣本統計并進行相關性研究而推導獲得。在此基礎上，相關調控百葉遮陽系統嘗試直接采用眩光優化指標進行實時動態遮陽控制，其中使用較為廣泛的評價指標為垂直亮度、垂直照度、DGI與DGP。2009年，Newsham[20]等采用低分辨率的CMOS相機獲取室內空間照度圖像，直接利用照度(luminance)邊界范圍作為眩光判斷依據，從而指揮百葉系統的升降判斷。2012，Oh等[21]采用DGI作為不同反射率面的百葉控制優化目標，結合室外逐時輻射檢測進行百葉的高度與角度調節。2012，Chan等[22]提出了基于傳輸照度(transmitted illuminance)臨界值的調控模式，將經過采光系統后的垂直照度(vertical transmitted illuminance)與DGP進行相關性研究，從而獲取垂直照度的邊界條件以更為簡潔有效地調控百葉調節，并與傳統的臨界角調控設計與直射光垂直遮擋的調控設計做全年眩光發生率的仿真對比，驗證了前者的有效性。2016年，Karlsen等[23，24]開發出一種寒冷地區辦公空間新型智能遮陽百葉遮陽調控系統，其工況可根據空間使用情況進行調節，在使用期間，結合垂直照度與太陽直射光臨界角控制模式進行逐步調節，保證天然采光的同時減少室內眩光。在非使用期間，根據季節性需要決定百葉的開啟與閉合，從而降低空調暖通能耗。2017，Hoffmann等[25]整合Radiance、EnergyPlus與Window 7三種仿真工具為組合工具平臺，對十二種不同類型的綜合窗戶系統(complex fenestration system)進行了性能評價，其中每個系統包含一個不同屬性的外片裝遮陽系統與一個內部遮陽卷簾，卷簾控制系統采用逐時DGP與DGI作為優化指標，通過分析比較獲取最佳室外百葉臨界角以及相關材料反射率的結論。2017，Iwata等[26]整合平均采光窗面亮度與視野范圍創建了新眩光量化指標(Predicted Glare Sensation Vote，PGSV)，該指標僅需室外水平直射光照度值與天空照度值，從而避免室內亮度計的使用，最終利用該指標作為百葉系統優化控制變量，并進行了驗證實驗，在滿足室內采光舒適的條件下減少了30%的照明能耗同時實現了46%～50%的室外視野滿意時間比。2019，Babu等[27]設計一款調控遮陽分段百葉系統，上段負責自然光反射，下段負責眩光控制，其中眩光控制采用DGP評價指標進行最佳百葉形態的確定，采用采光窗朝向的數碼相機攝取多幅照片合成HDR-I并利用采光分析軟件Evaglare計算實時DGP。并將該調控百葉系統與一自動人工照明調控進行整合，在某新加坡熱帶實驗室對該系統在不同人工照明設備條件、不同朝向下進行了性能測試，最終在保證視覺舒適的條件下實現了75%的北向節能與63%的南向節能，證明了其有效性。

1.2 開環調控策略

開環調控方式也叫做直向式(feedforward)調控模式，直接通過室外傳感器感知室外天然采光量化指標的變化，向調控器傳遞信號以激活與調節機械百葉裝置，無需使用反饋機制。最早且研究最為廣泛的開環型調控百葉調節方法為：直射光遮擋型的動態遮陽調控策略。該方法將太陽直射光視為眩光源，阻止直射光輻射進入室內，其調控工作原理為：(1)利用室外直射光輻射臨界指標，進行直射光存在的判斷；(2)若直射光存在，確定太陽地理方位，利用幾何空間關系，計算太陽相對于使用空間的可視方位以及直射光的室內分布，從而推導與確定遮陽形態的有效幾何變化，以避免工作區域受到太陽直射光的影響。在傳感器方面，太陽直射光可用室外輻射強度計測量室外直射輻照度(direct irradiance或beam radiation)進行感知判斷，常設立輻照度邊界條件。而太陽方位可通過太陽追蹤器(solar tracker)[33，34]實施捕捉，其種類隨感應原理而不同(表2)。根據Nsengiyumva等[35]學者對太陽追蹤的分類綜述，太陽追蹤同樣可分為閉環與開環調控模式。開環型太陽追蹤器主要利用傳感器信號反饋，譬如基于氣象太陽熱量計(pyrheliometer)的太陽追蹤器[36]、以照度追蹤為基礎的太陽追蹤器[37]、以亮度計(luminometer)[38]以及其他高動態亮度范圍圖片(High Dynamic Range Image，HDR-I)視覺傳感器進行測定[39，40]。開環主要利用統計數據建立的天空模型進行太陽方位的計算，輸入變量為全年時刻信息[41，42]。

表2 開環調控輸入變量與傳感器類型

早期使用太陽方位指導智能遮陽百葉遮陽的研究可追溯至二十年前。1997年，Dibartolomeo等[43]利用勞倫斯伯克利實驗室開發的太陽方位傳感器獲取太陽高度角，利用臨界角的計算公式進行直射光的調節，并進一步通過調節百葉角度使工作水平面照度維持在一定范圍內，與人工照明相結合達到了實驗艙內的照度持續穩定在理想范圍。2002年，Athienitis等[44]研究了采用太陽高度角進行直射光的遮擋，并結合晴天條件與陰天條件下采光傳輸率、百葉旋轉角度與太陽入射角的先驗公式，以實現工作面的天然采光最大化與視野范圍最大化，并利用仿真方法進行了工作面水平照度的穩定性驗證。2008年，Tzempelikos[45]通過公式推演計算了扁平百葉與曲面百葉的幾何變量(形狀、百葉寬度、百葉厚度與曲率、旋轉角度)，與百葉戶外可見比例、進入室內直射光的輻射量的關系，最終計算出滿足日照方位下的臨界角公式；2010年，Koo等[46]基于太陽方位角、高度角與開放辦公空間使用者辦公區域的平面幾何投影關系，建立智能遮陽百葉采光控制機制，以控制多個百葉窗的推拉，從而保證使用區域直射眩光遮擋的同時實現室內采光最大化。2011年，Nielsen等[47]對基于太陽直射光臨界角(cut-off)控制的外立面自動百葉、靜態百葉與無遮陽立面進行對比仿真分析，通過分析能耗與采光系數(daylight factor)證明了智能遮陽百葉性能采光性能提升的有效性。2012年，Zhang等[48]利用公式推導出百葉高度、旋轉角度與相關地理參數的幾何關系，利用臨界角調控設計實現了直射光的自動遮擋；同年Aste等[49]也采用同樣的方法進行了位于意大利米蘭一棟辦公樓的仿真運用。2014年，Shen等[50]梳理了自動人工照明系統與調控遮陽百葉系統的感應信號流程，將供暖通風空氣調節系統HVAC的狀態與使用者使用狀態納入控制變量中，對不同百葉控制與照明控制組合下的七種控制方法進行仿真與性能比較，證明了調控百葉控制的必要性，其中百葉的控制方法采用的是基于太陽方位的臨界角算法。2015年，Borowczyński等[51]利用天空掃描圖像進行太陽軌跡的計算，從而進一步進行太陽方位的判斷，利用幾何關系推算百葉旋轉角度從而實現遮陽調控。2015，Karlsen等[52]結合垂直照度臨界值與輻照度臨界值相結合的方式，設計出新型控制模式，從而實現室內溫度與人工照明能耗的優化；2017，Touma等[53]利用卡塔爾多哈的一個實驗艙對兩種不同的室外遮陽百葉進行了仿真與驗證，其中百葉控制系統采用了阻止室內直射光輻射的方法，百葉角度由水平角方向持續減小直至保證測試區域無直射光，并用眩光指標DGI對其室內光學舒適度進行評價，證實了其可行性。2017，Eltaweel等[54]針對反光百葉設計了一種采光調控算法，能夠根據太陽高度角自動調節百葉位置，將入射直射光反射到天花板以增大室內漫反射天然采光。

2 基于智能遮陽百葉調控模型差異的分類

隨著多元學科交叉的迭代升級，統計學概率論逐漸滲透于建筑性能研究中，以更好地提升建筑性能研究的科學性與準確性。受益于此，模型驅動下的智能遮陽百葉控制設計應運而生。既有研究中，模型驅動的控制方法主要分為兩類：基于數學統計模型下的調控策略與基于仿真模型下的調控策略?；跀祵W統計模型下的調控策略設計，旨在收集使用者調節行為數據，建立“室外環境變量——使用者主動調節下的室內百葉形態”的回歸模型，以預測的方式用于采光優化控制；基于仿真模型下的調控策略設計，旨在借助仿真工具生成室內光環境性能指標，獲取“室外環境變量——滿足室內光環境理想指標的室內百葉形態”的數據映射，構建有效的數據模型，以指導采光調控系統進行調節(表3)。

表3 智能遮陽百葉調控模型類型與算法選型

2.1 基于行為模型下的調控策略

該調控策略旨在通過構建使用者行為模型，將使用者對遮陽系統的潛在調節狀況進行預測。預測模型由搜集數據集統計而成，數據集由室外環境數據與期間使用者遮陽照明操作方面的動作數據組成，兩者構建映射相關性。該調控策略力求滿足使用者的照度偏好，以實現室內采光舒適。早在20世紀70年代就出現過使用者采光調節行為的數據觀察與統計研究[57，58]。相關學者將其擴展為預測模型[59]，并將其運用于人工照明開關智能調控上[60，61]。2004年，Reinhart等[62-64]創立了動態隨機算法(stochastic algorithm)以仿真私人辦公空間下的真實開關行為，該算法模型基于長期的行為觀察記錄所得，并記錄了四種不同的使用者類型以仿真不同使用者的調控行為，該算法著眼于節約人工照明能耗。

基于人工照明行為調控策略，學者開始針對使用者對天然采光遮陽構件的調節行為進行研究，獲取使用者進行調節的主要影響變量[65-67]。并結合相關統計學理論知識與算法，建構使用者天然采光行為預測模型，將預測模型用于動態調控中以實現采光優化與照明能耗的節約。2005年，Inkarojrit[68]開發了一種基于使用者百葉調節行為的預測模型，以用于能耗仿真性能評價，以及百葉自動調控系統的使用。研究者先在美國伯克利對113個辦公空間使用者進行了百葉使用行為的數據調查統計，然后利用廣義估計方程(generalized estimating equations)結合實測數據獲取了13個采光百葉預測邏輯模型。2010年，Haldi等[69]對長達六年的測量數據集，進行了使用情形和光熱參數對遮陽百葉調節行為的影響分析。從而獲取精準的百葉使用行為預測模型。利用馬爾可夫算法(markov)確定了百葉初始位置，室內外照度作為關鍵輸入變量，對百葉窗的拉伸做預測，同時構建了另一個模型預測百葉遮陽覆蓋率(shaded fraction)，最后對12個辦公室進行了20次仿真證明了其預測模型的準確性。2014年，Gunay等[70]研究者在水平照度固定臨界點調控設計的基礎上，將使用者行為干預的情況考慮到自動化調控范圍中，通過卡爾曼濾波器技術(kalman filter)將使用者調節時的水平面照度與臨界照度(500 lx與2 000 lx)做耦合處理，使其不斷進行臨界值的調整修正，從而完成調控采光調節。在對10個使用者的辦公空間使用情況進行仿真驗證后，相較于純人工調節與純自動化調節，該方案減少了約80%～85%的人工干預，且減少了大量人工照明用電能耗。2017年，Gunay等[71]同時對室外環境數據和使用者手動調節動態遮陽百葉的行為數據進行長時間收集并進行數據分析，制定了一種遞歸算法，來開發近似離散時間的馬爾可夫邏輯回歸模型(approximate discrete-time markov logistic regression model)，以用來學習使用者的室內照度偏好，從而實現預測建筑物調控器內部的燈光開啟和窗簾關閉行為，并將其分別運用于五個私人辦公空間和一個共享空間的調節系統中進行測試，以指導調控動態采光百葉幕墻實現智能化操作。實驗結果證明，該調控算法在保證使用者視覺舒適的同時，具有節約大量人工照明能耗的潛力。

2.2 基于仿真模型下的調控策略

基于仿真模型下的調控調節，則是采用仿真模型推導遮陽形態與室內天然采光性能之間的關聯，在逐時甚至更小時間粒度天光氣象數據的基礎上構建有效的天空模型，將其用于動態百葉遮陽調控模擬，以直接指導預測模型。在仿真技術方面，早期的仿真模擬借助數學函數關系推導室內外照度與亮度的計算關系[73]，此方法難以反映光學復雜傳遞現象。此后，受惠于高性能光學渲染模擬引擎的技術不斷突破，采光仿真模擬技術得以迅猛發展，各類仿真工具層出不窮，仿真精度也得以不斷升級。研究者嘗試運用采光模擬技術實現室內外采光性能非線性映射，以替代復雜的數學公式計算并同時提升仿真精度。光學模擬的關鍵與難點在于處理光學視覺構件的光學現象，學界常借助雙向散射分布函數(Bidirectional Scattering Distribution Function，BSDF)[74-76]進行光線界面傳輸的計算，在實測中常用分布式光度計(goniophotometer)獲取BSDF參數，在模擬中可通過光線跟蹤算法(ray-tracing)替代光度計以獲取BSDF的有效值[77]。目前常用于支持遮陽動態模擬的光學仿真工具為光學專家Greg Ward開發的高精度光環境模擬引擎Radiance[78]，后續增添三相位矩陣計算模塊(three-phase method)可將室外、透光界面與室內的光傳輸量傳輸各自分成矩陣，以實現快速前向光線追蹤[79]。

受助于此，相關學者開始廣泛探索基于模擬技術下的開環式采光遮陽調控設計(simulation-based control)[80，81]。在模擬平臺中將室內采光環境量化指標設定為優化目標，通過向模擬模型輸入相關室外環境信息變量(譬如本地氣象信息、天空亮度分布、室內使用者的使用情況等)，獲取不同遮陽硬件形態下的優化目標值，并進行排序評估，獲取最優解并指導系統調節遮陽形態，結合相關調控優化技術實現最優解的篩選。2016年，Xiong等[82]設計出一款基于模型的調控遮陽控制系統，利用高速處理模型算法技術實現實時室內照明性能與能耗以及眩光的仿真，并同時得出三個優化評價指標——DGP、垂直與水平照度值，從而指導調節遮陽形態。當同時滿足三個指標的閾值范圍后，則可確定最佳遮陽形態從而實現調控遮陽，結合自動人工照明可實現辦公節能，最后進行了全年的模擬驗證，證明其控制算法的有效性。2017，Katsifaraki等[83]設計了基于快速模擬技術的采光優化自動百葉系統控制方法，建立輸入(input)—輸出(output)下的室內外環境數據映射模型，通過輸入使用辦公空間下的氣象數據及室內溫度，獲取室內工作面平均照度值與最大垂直采光照度值，以阻止室內眩光的同時獲取最大天然采光，最后利用模糊算法(fuzzy logic)進行最優解的獲取。其中技術實現采用了運用基于三相位矩陣(three-phase method)算法的快速預測模擬技術引擎Fener，并通過BSDF實現百葉動態模擬，每一個函數矩陣可以表示一種百葉形態。2017，Bustamante等[84]采用新型設計模擬工具mkSchedule分別對傳統百葉與穿孔濾光百葉進行自動控制模擬，在控制系統設計上，采用最大垂直日照輻射(maximum incident irradiance)作為百葉角度輸入變量。具體流程為首先分別計算百葉每個角度下的全年ASE2000/400h、sDA300/50%、室內溫度、HVAC 能耗，隨后選擇滿足ASE2000/400h小于20%、sDA300/50%大于50%范圍內且滿足最低能耗的百葉角度變量，調節后計算水平工作面照度與自動人工照明補償值，從而實現室內理想采光照明。2019，Tabadkani等[85]開發了一種以視覺舒適為導向的調控表皮遮陽系統，利用參數化設計平臺與仿真性能插件Honeybee與Ladybug建立形態控制參量與采光控制優化目標的映射關系，最終作為控制內置方法，優化目標采用有效水平照度指標UDI的變體——逐時有效水平照度(Hourly Useful Daylight Illuminance，HUDI)，旨在有效控制眩光的同時實現天然采光最大化，并利用模擬對其眩光相關指標進行了分析，證明了其有效性。

3 分析與討論

對于智能遮陽百葉調控，反饋方式的有無賦予調控策略的多樣性。而調控模型的使用則是開環調控策略進一步的衍生。不論是開環還是閉環調控，抑或行為模型與仿真模型調控策略，都具有各自的應用特征與使用局限性。

基于終端反饋的閉環調控能夠根據反饋具體情況展開自適應調節，其一般與人工照明兼并為整體聯動系統(daylight-linked control)，兩者互補以維持工作面照度不變，保證視覺效應的同時，最大化利用天然采光，從而減少人工照明能耗。但其缺點在于安裝與校正較為困難，難以普及推廣[28]，特別是室內傳感器在區別室內自然光照度與人工照明光照度時容易混淆產生誤差，室內傳感器往往安裝在天花板上，所測的光照需乘以校正系數才能轉化為桌面照度，而校正系數往往不準確易變化，白天與夜晚的校正系數需分別獲取，這個步驟往往直接導致調控決策的不確定性[29-31]，對于大中型開放辦公空間則需要為每個工作區域安裝傳感器，不僅成本高昂，且多個傳感器協同困難，人工光源會互相干擾彼此照度捕捉，因此調控充滿不確定性。另一方面，據美國LBNA相關研究表明，滿足理想閉環調控策略的硬件在市場上乏善可陳，且操作系統復雜難以理解，進一步阻礙了閉環調控策略的研發設計與普及推廣[32]。此外，基于圖像傳感器的閉環調控，易干涉戶內使用者隱私，布局也影響室內空間的使用。因此既有的閉環策略，較多用于人工照明控制，在室內天然采光的控制與優化上，具有較大的局限性。

對于非模型調控下的開環調控其優點在于簡單實用，利用角度與直射輻照監控下的直射光遮擋情況便可展開實時調節。然而其缺點在于它僅考慮直射光線的存在，未進一步考慮天空變化以及漫反射帶來的眩光，許多研究證實其不足以調控眩光，當滿足直射光遮擋時，眩光指標卻往往超出舒適范圍。該控制模式往往未考慮遮陽構件的材質反射率的影響，對于高反光率的百葉，受到直射光照射時，百葉等遮陽構件往往成為眩光源，其反射的直射光會成為額外的眩光來源；另一方面，早期自動百葉控制以日照輻射強度為采光優化評價指標，而既有研究對于輻射的邊界條件定義各不同[55，56]，無法統一閾值，該指標往往會隨著建筑室內性能需求而變化。

基于行為模型的采光調控系統學習使用者的行為習慣，在學習精度得以保證的前提下更加滿足使用者的采光需求。然而該調控策略具有如下幾個方面的缺陷：(1)使用者的采光選擇往往受到視覺生理與心理的雙重影響，在相同室外條件下決策時有不同。此外使用者常忘記或不愿及時主動調節百葉等遮陽設備，特別對于多人同時使用的開放辦公空間尤其常見，隨著室外光照的變化并滿足開啟百葉的條件時，往往會因人工照明滿足室內照度需求而忽視進行百葉的及時調節[72]，因此使用者行為的數據統計結果無法完全評價室內天然采光環境的優劣，其生成的預測模型若用于采光調控系統，或造成巨大的人工照明與制冷暖通上的能耗浪費。(2)對于大中型開放辦公空間而言，所有使用者的采光偏好無法統一，統計的數據往往缺乏規律，生成的預測模型會產生嚴重誤差。這也是為何當前大多與行為有關的智能調控研究，往往集中于私人辦公空間。(3)建構該預測模型前期需要實測大量的用戶使用行為數據，工作量與成本較大，實際應用較為困難。(4)對于擁有多百葉窗的辦公空間，人為個體的調節無法達到最有效的室內自然光環境使用，當某一使用者調節某一目標百葉窗時，往往僅滿足其該處的采光區域，或造成其他使用者區域的天然采光照度過高或過低，因此無法實現多個區域的理想協同優化。

仿真模擬技術不僅能夠收集全年時長的數據而無需高昂成本的數據實測，同時針對不同遮陽形態場景能夠進行條件分析，從而更為全面地獲取不同局部空間下的不同使用條件的采光指標，以及不同光源的照度與亮度貢獻值，因此為自動遮陽百葉調控策略帶來了新機遇。然而直接依賴模擬技術進行智能控制十分耗時，特別是面對高精度室內環境采光性能模擬時，無法短時間內獲取室外環境、百葉形態以及室內光舒適指標的映射關系。因此基于光學仿真模型下的自動遮陽百葉調控策略僅停留于研究理論層面，無法直接應用于百葉系統的實際控制之中。雖后續有研究者通過Three phase、Five phase等相關算法通過簡化計算從而減少計算時間[79，87]，但相關研究指出該類方法精度不高，誤差較大[87]。Lee等[89]曾對基于BSDF的Three phase算法與Five phase算法做過不同天然采光調結構件(自然反光百葉、穿孔濾光百葉以及傳統百葉)下的模擬與實測對比驗證，數據以滿足測量周期75%實測數據一致為標準，最終結果準確率不足20%，證實了這種簡化算法無法保證模擬精度。

4 總結

智能遮陽百葉調控從傳統的閉環調控天然采光遮陽控制方法，逐漸朝開環調控采光遮陽控制方法發展；從簡單日照直射光遮擋型的天然采光調控策略，到整合不同采光評價指標作為復合目標下的調控采光優化方法。近年來相關研究也蓬勃展開，結合新技術也不斷進行拓展優化，調控策略手段愈發成熟。然而，即便如此，在當下建筑市場調控采光遮陽控制技術依然具有瓶頸，需展開如下深入研究：

(1)空間類型研究亟需拓展。既有研究大多針對單人辦公空間設計控制方法，鮮有對于多人辦公的開放辦公空間(open-plan office)進行調控采光遮陽控制方法的研究與思考，而開放辦公空間的調控遮陽控制系統設計更為復雜且具有挑戰性，其使用區域呈時空動態變化，涉及多目標協同。隨著開放辦公空間的廣泛使用，亟需針對性地進行采光方法智能化研究，以實現更為舒適與高效的光環境調控策略與建筑節能減排。

(2)采光評價指標使用需適宜。以采光主觀評價指標作為優化目標的調控遮陽調節方法，是當下主流智能化遮陽研究方向。其研究重點之一在于采用何種采光評價指標作為優化目標，不同采光評價指標的側重點不同，對于眩光的評價往往各自具有局限性。許多控制系統常采用多個評價指標進行多目標優化，以克服單個采光評價指標的缺陷并實現更為優異采光遮陽性能，此種做法極大地增加計算量，不利于短時間內調控。對于實時調控的調控動態采光系統而言，需要分析與選擇準確適宜的光環境性能指標，結合使用評價指標進行流程設計，并最小化控制變量數量，力求簡化計算流程。

(3)突破仿真技術使用上的局限性。典型光環境仿真工具譬如Daysim、DesignBuilder等大多采用仿真渲染引擎Radiance，滿足實測標準精度下的仿真耗時較長，無法用于實際條件下的采光調控。即使相關學者曾提出五相位算法(five-phase method)將太陽直射光與天空環境光的影響分開計算以彌補三相位矩陣仿真算法的不足[86]，其仿真精度依然無法保證[87]。需借助機器學習等相關黑箱模型，建構代理完成調控。

(4)突破優化技術快速調控上的局限性。借助仿真流程在獲取“室外環境—室內指標”映射信息后，需采用合適的調控策略技術，以選擇滿足評價指標邊界條件范圍下的理想值。調控策略技術是基于模型下的動態遮陽調控系統的技術核心。常用的模糊控制邏輯(fuzzy control)[89]或是進化算法中的遺傳算法(Genetic Algorithm，GA)[90]都有極大的局限性，模糊算法僅能處理二進制布爾問題(true or false)，對于連續變量的判斷優化，則需對每個取值(譬如照度值)進行布爾判斷，會大大增加搜索范圍，極大地降低決策速度，無法實現實時控制。對于大范圍的開放辦公空間采光，需要多個測試點進行全局優化，既有優化算法往往捉襟見肘。亟需開發新型優化算法，滿足智能遮陽百葉調控實時優化，以實現調控的需求。