CN104134097A - 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 - Google Patents
一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 Download PDFInfo
- Publication number
- CN104134097A CN104134097A CN201410307462.8A CN201410307462A CN104134097A CN 104134097 A CN104134097 A CN 104134097A CN 201410307462 A CN201410307462 A CN 201410307462A CN 104134097 A CN104134097 A CN 104134097A
- Authority
- CN
- China
- Prior art keywords
- office building
- energy consumption
- module
- bim
- severe cold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法。本发明应用遗传优化算法(GA)将神经网络模型(ANN)与建筑信息模型(BIM)结合起来,实现了基于能耗数据的办公建筑形态生成过程,达成了对严寒地区办公建筑形态解空间的连续、量化搜索;本方法所建构的GANN-BIM平台引入了神经网络模型(ANN)进行能耗预测,相比既有物理模拟平台具有模拟耗时短、精度高的特点,令本方法相比既有严寒地区办公建筑形态节能设计方法具有更好的效率和精度。
Description
技术领域
本发明涉及一种办公建筑形态节能设计方法。具体涉及一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法。
背景技术
我国办公建筑空间面积增长迅速,单位面积能耗巨大。由于严寒地区气候恶劣,冬季室内外温差大,相比其他气候区寒地公共建筑冬季采暖能耗尤为巨大。国务院于2006年发布了《关于加强节能工作的决定》,提出对公共建筑强制执行节能50%的设计标准,对直辖市及有条件的地区则实施节能65%的标准,极大地提升了建筑节能设计标准。2011年财政部、住房和城乡建设部颁发了《关于进一步推进公共建筑空间节能工作的通知》(财建[2011]207号),提出强化公共建筑能耗指标控制,并要求在规划、设计阶段约束建筑体形系数,避免建筑形态设计不合理引发的高能耗现象。建筑形态作为建筑功能与环境影响的能量交互界面,首当其冲地成为了公共建筑节能设计的重要对象。
既有建筑形态节能设计方法多基于建筑能耗模拟软件输出的能耗数据来评价建筑能耗情况,并由建筑设计人员通过主观判断调整建筑形态设计参数,以降低建筑能耗。既有方法应用的建筑能耗模拟软件主要包括EnergyPlus、Ecotect、Design Builder和DOE-2,上述软件基于物理模拟过程,模拟耗时长。
因此,既有建筑形态节能设计方法存在两方面问题,首先建筑设计人员的主观判断属于对解空间的离线求解,通过“试错”方法得出的建筑形态设计方案不能保证是解空间内的最优节能设计方案。同时,既有模拟软件耗时较长,制约了建筑设计人员应用其展开大量方案比对的可能性,客观上影响了办公建筑形态设计方案的节能优化设计效率。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法,构建GANN-BIM严寒地区办公建筑形态节能设计模型,应用该模型实现对于严寒地区办公建筑能耗的快速预测和最优办公建筑节能形态的生成。
所述方法首先分析严寒地区办公建筑能耗影响因素,抽样调查建筑形态参数,在Grasshopper平台中建立建筑形态BIM模块,应用EnergyPlus对该模型进行模拟,得出不同建筑形态下的建筑能耗数据,应用Matlab软件建构严寒地区办公建筑能耗神经网络预测模块(ANN),并应用前述能耗数据对该模型进行训练,应用遗传算法(GA)耦合典型BIM模块和神经网络预测模块(ANN),完成GANN-BIM模型建构;随后,启动GANN-BIM模型在GANN-BIM模型中的BIM模块中生成初始办公建筑形态,应用GANN-BIM模型中的神经网络预测模块(ANN)预测初始办公建筑形态的全年能耗,能耗数据作为评价标准输入GANN-BIM模型中的遗传算法模块(GA),该模块生成新的建筑形态参数组合,并将其传导至GANN-BIM模型中的BIM模块生成新的办公建筑形态,完成一次迭代计算;经过多次迭代计算后,GANN-BIM模型搜索到建筑能耗最低的严寒地区办公建筑形态方案。
为了达到上述目的,本发明采取了如下技术方案:
一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法,其特征在于包括如下步骤:
步骤一、严寒地区办公建筑能耗构成与影响因素分析
从气候环境因素对办公建筑能耗的动态影响和办公建筑室内舒适度功能要求两方面阐释影响严寒地区办公建筑能耗的外部影响和内部需求,结合对能耗计算模型的分析,从态、热工设计和设备设计参数入手,对影响建筑能耗的设计参数进行详细解析,归纳总结出影响建筑能耗的参量类型;
步骤二、严寒地区办公建筑形态、热工与设备参数采集
根据步骤一提出的严寒地区办公建筑能耗影响参量,采用三阶段抽样调查法,第一阶段将根据我国热工规范指定的严寒气候区分类标准,采用分类抽样与随机抽样结合的方法,在每组严寒气候区中随机抽取城市样本;第二阶段中,为使抽取的办公建筑遍及城市的各个方位,且具有代表性和普遍性,根据重点调查的思想在被调查城市市区下属的每个行政分区中选取2至4个办公建筑分布均匀的城市街区;第三阶段采用抽样调查与分类调查结合的方法,首先按照高层、多层办公建筑对所选街区内的办公建筑进行分类,随后在分类建筑中随机抽取采集样本建筑。最后,应用统计学分析对采集的数据进行回归分析,提出严寒地区办公建筑形态、热工和设备参量的典型参数值域;
步骤三、建构严寒地区办公建筑形态典型参数模块(BIM)
基于分析得出的典型参数值域,在Grasshopper平台中建立严寒地区办公建筑形态典型参数BIM模型,即GANN-BIM平台中的BIM模块;
步骤四、针对BIM模块展开能耗模拟
应用Energyplus平台对步骤三中建构的严寒地区办公建筑形态典型参数BIM模型进行能耗模拟,获得不同建筑形态参数组合下的严寒地区办公建筑全年能耗数据;
步骤五、建构严寒地区办公建筑能耗预测神经网络模块(ANN)
在Matlab中建立神经网络模块结构,以步骤一中确定的能耗影响因素为输入参量,以建筑全年能耗为输出参量,建立三层BP神经网络,应用步骤四中获得的能耗模拟数据对该网络进行训练与检验,输入神经元与隐含层神经元之间通过tansig传递函数相互联系,隐含层第i个神经元的输出函数关系为:
a1i=tansig(∑w1ijPj+b1i)公式(1)式中a1i——隐含层第i个神经元的输出函数;w1ij——输入层与隐含层间的网络计算权重矩阵;Pj——输入参数矩阵;b1i——输入层与隐含层间的网络计算偏差矩阵;j——输入层神经元编号;i——隐含层神经元编号;
隐含层与输出层之间通过purelin传递函数连接,输出层第k个神经元的输出函数为:
a2k=purelin(∑w2ki a1i+b2k)公式(3)其中a2k——第k个神经元的输出函数;w2ki——隐含层与输出层间的网络计算权重矩阵;b2k——隐含层与输出层间的网络计算偏差矩阵,k——输出层神经元编号;
通过遗传算法(Genetic Algorithm)与BP神经网络的耦合计算来修正权重矩阵w,,提高网络模型整体预测精度,完成神经网络模块(ANN)建构。
步骤六、应用遗传优化模块(GA)整合ANN模块与BIM模块
基于遗传算法原理,应用Galapagos引擎建立遗传优化模块(GA),该模块以ANN模块能耗输出参数为评价标准,以BIM模块输出参数为调整基因组;应用Excel软件,以txt、xsl为数据交互格式,应用Grasshopper编程功能编写接口程序,实现遗传优化模块(GA)、ANN模块与BIM模块的数据交互,完成GANN-BIM平台建构;
步骤七、严寒地区办公建筑形态能耗最优方案搜索
启动GANN-BIM模型在GANN-BIM模型中的BIM模块中生成初始办公建筑形态,应用GANN-BIM模型中的神经网络预测模块(ANN)预测初始办公建筑形态的全年能耗,能耗数据作为评价标准输入GANN-BIM模型中的遗传算法模块(GA),该模块生成新的建筑形态参数组合,并将其传导至GANN-BIM模型中的BIM模块生成新的办公建筑形态,完成一次迭代计算;经过多次迭代计算后,GANN-BIM模型搜索到建筑能耗最低的严寒地区办公建筑形态方案。
本发明的优点在于:本发明应用遗传优化算法(GA)将神经网络模型(ANN)与建筑信息模型(BIM)结合起来,实现了基于能耗数据的办公建筑形态生成过程,达成了对严寒地区办公建筑形态解空间的连续、量化搜索;本方法所建构的GANN-BIM平台引入了神经网络模型(ANN)进行能耗预测,相比既有物理模拟平台具有模拟耗时短、精度高的特点,令本方法相比既有严寒地区办公建筑形态节能设计方法具有更好的效率和精度。
附图说明
图1是基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法应用流程
具体实施方式
下面结合附图与实施方式对本发明的技术方案作进一步描述:
步骤一、严寒地区办公建筑能耗构成与影响因素分析
从气候环境因素对办公建筑能耗的动态影响和办公建筑室内舒适度功能要求两方面阐释影响严寒地区办公建筑能耗的外部影响和内部需求,结合对能耗计算模型的分析,从态、热工设计和设备设计参数入手,对影响建筑能耗的设计参数进行详细解析,归纳总结出影响建筑能耗的参量类型。
步骤二、严寒地区办公建筑形态、热工与设备参数采集
根据步骤一提出的严寒地区办公建筑能耗影响参量,采用三阶段抽样调查法,第一阶段将根据我国热工规范指定的严寒气候区分类标准,采用分类抽样与随机抽样结合的方法,在每组严寒气候区中随机抽取城市样本;第二阶段中,为使抽取的办公建筑遍及城市的各个方位,且具有代表性和普遍性,根据重点调查的思想在被调查城市市区下属的每个行政分区中选取2至4个办公建筑分布均匀的城市街区;第三阶段采用抽样调查与分类调查结合的方法,首先按照高层、多层办公建筑对所选街区内的办公建筑进行分类,随后在分类建筑中随机抽取采集样本建筑。最后,应用统计学分析对采集的数据进行回归分析,提出严寒地区办公建筑形态、热工和设备参量的典型参数值域。
步骤三、建构严寒地区办公建筑形态典型参数模块(BIM)
基于分析得出的典型参数值域,在Grasshopper平台中建立严寒地区办公建筑形态典型参数BIM模型,即GANN-BIM平台中的BIM模块。
步骤四、针对BIM模块展开能耗模拟
应用Energyplus平台对步骤三中建构的严寒地区办公建筑形态典型参数BIM模型进行能耗模拟,获得不同建筑形态参数组合下的严寒地区办公建筑全年能耗数据。
步骤五、建构严寒地区办公建筑能耗预测神经网络模块(ANN)
在Matlab中建立神经网络模块结构,以步骤一中确定的能耗影响因素为输入参量,以建筑全年能耗为输出参量,建立三层BP神经网络,应用步骤四中获得的能耗模拟数据对该网络进行训练与检验,输入神经元与隐含层神经元之间通过tansig传递函数相互联系,隐含层第i个神经元的输出函数关系为:
a1i=tansig(∑w1ijPj+b1i)公式(1)式中a1i——隐含层第i个神经元的输出函数;w1ij——输入层与隐含层间的网络计算权重矩阵;Pj——输入参数矩阵;b1i——输入层与隐含层间的网络计算偏差矩阵;j——输入层神经元编号;i——隐含层神经元编号。
隐含层与输出层之间通过purelin传递函数连接,输出层第k个神经元的输出函数为:
a2k=purelin(∑w2ki a1i+b2k)公式(3)其中a2k——第k个神经元的输出函数;w2ki——隐含层与输出层间的网络计算权重矩阵;b2k——隐含层与输出层间的网络计算偏差矩阵,k——输出层神经元编号。
通过遗传算法(Genetic Algorithm)与BP神经网络的耦合计算来修正权重矩阵w,,提高网络模型整体预测精度,完成神经网络模块(ANN)建构。
步骤六、应用遗传优化模块(GA)整合ANN模块与BIM模块
基于遗传算法原理,应用Galapagos引擎建立遗传优化模块(GA),该模块以ANN模块能耗输出参数为评价标准,以BIM模块输出参数为调整基因组;应用Excel软件,以txt、xsl为数据交互格式,应用Grasshopper编程功能编写接口程序,实现遗传优化模块(GA)、ANN模块与BIM模块的数据交互,完成GANN-BIM平台建构。
步骤七、严寒地区办公建筑形态能耗最优方案搜索
启动GANN-BIM模型在GANN-BIM模型中的BIM模块中生成初始办公建筑形态,应用GANN-BIM模型中的神经网络预测模块(ANN)预测初始办公建筑形态的全年能耗,能耗数据作为评价标准输入GANN-BIM模型中的遗传算法模块(GA),该模块生成新的建筑形态参数组合,并将其传导至GANN-BIM模型中的BIM模块生成新的办公建筑形态,完成一次迭代计算;经过多次迭代计算后,GANN-BIM模型搜索到建筑能耗最低的严寒地区办公建筑形态方案。
Claims (1)
1.一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法,其特征在于包括如下步骤:
步骤一、严寒地区办公建筑能耗构成与影响因素分析
从气候环境因素对办公建筑能耗的动态影响和办公建筑室内舒适度功能要求两方面阐释影响严寒地区办公建筑能耗的外部影响和内部需求,结合对能耗计算模型的分析,从态、热工设计和设备设计参数入手,对影响建筑能耗的设计参数进行详细解析,归纳总结出影响建筑能耗的参量类型;步骤二、严寒地区办公建筑形态、热工与设备参数采集
根据步骤一提出的严寒地区办公建筑能耗影响参量,采用三阶段抽样调查法,第一阶段将根据我国热工规范指定的严寒气候区分类标准,采用分类抽样与随机抽样结合的方法,在每组严寒气候区中随机抽取城市样本;第二阶段中,为使抽取的办公建筑遍及城市的各个方位,且具有代表性和普遍性,根据重点调查的思想在被调查城市市区下属的每个行政分区中选取2至4个办公建筑分布均匀的城市街区;第三阶段采用抽样调查与分类调查结合的方法,首先按照高层、多层办公建筑对所选街区内的办公建筑进行分类,随后在分类建筑中随机抽取采集样本建筑。最后,应用统计学分析对采集的数据进行回归分析,提出严寒地区办公建筑形态、热工和设备参量的典型参数值域;
步骤三、建构严寒地区办公建筑形态典型参数模块(BIM)
基于分析得出的典型参数值域,在Grasshopper平台中建立严寒地区办公建筑形态典型参数BIM模型,即GANN-BIM平台中的BIM模块;
步骤四、针对BIM模块展开能耗模拟
应用Energyplus平台对步骤三中建构的严寒地区办公建筑形态典型参数BIM模型进行能耗模拟,获得不同建筑形态参数组合下的严寒地区办公建筑全年能耗数据;
步骤五、建构严寒地区办公建筑能耗预测神经网络模块(ANN)
在Matlab中建立神经网络模块结构,以步骤一中确定的能耗影响因素为输入参量,以建筑全年能耗为输出参量,建立三层BP神经网络,应用步骤四中获得的能耗模拟数据对该网络进行训练与检验,输入神经元与隐含层神经元之间通过tansig传递函数相互联系,隐含层第i个神经元的输出函数关系为:
a1i=tansig(∑w1ijPj+b1i)公式(1)式中a1i——隐含层第i个神经元的输出函数;w1ij——输入层与隐含层间的网络计算权重矩阵;Pj——输入参数矩阵;b1i——输入层与隐含层间的网络计算偏差矩阵;j——输入层神经元编号;i——隐含层神经元编号;
隐含层与输出层之间通过purelin传递函数连接,输出层第k个神经元的输出函数为:
a2k=purelin(∑w2ki a1i+b2k)公式(3)其中a2k——第k个神经元的输出函数;w2ki——隐含层与输出层间的网络计算权重矩阵;b2k——隐含层与输出层间的网络计算偏差矩阵,k——输出层神经元编号;
通过遗传算法(Genetic Algorithm)与BP神经网络的耦合计算来修正权重矩阵w,,提高网络模型整体预测精度,完成神经网络模块(ANN)建构。
步骤六、应用遗传优化模块(GA)整合ANN模块与BIM模块
基于遗传算法原理,应用Galapagos引擎建立遗传优化模块(GA),该模块以ANN模块能耗输出参数为评价标准,以BIM模块输出参数为调整基因组;应用Excel软件,以txt、xsl.为数据交互格式,应用Grasshopper编程功能编写接口程序,实现遗传优化模块(GA)、ANN模块与BIM模块的数据交互,完成GANN-BIM平台建构;
步骤七、严寒地区办公建筑形态能耗最优方案搜索
启动GANN-BIM模型在GANN-BIM模型中的BIM模块中生成初始办公建筑形态,应用GANN-BIM模型中的神经网络预测模块(ANN)预测初始办公建筑形态的全年能耗,能耗数据作为评价标准输入GANN-BIM模型中的遗传算法模块(GA),该模块生成新的建筑形态参数组合,并将其传导至GANN-BIM模型中的BIM模块生成新的办公建筑形态,完成一次迭代计算;经过多次迭代计算后,GANN-BIM模型搜索到建筑能耗最低的严寒地区办公建筑形态方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307462.8A CN104134097B (zh) | 2014-07-01 | 2014-07-01 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307462.8A CN104134097B (zh) | 2014-07-01 | 2014-07-01 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104134097A true CN104134097A (zh) | 2014-11-05 |
CN104134097B CN104134097B (zh) | 2016-06-15 |
Family
ID=51806770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410307462.8A Active CN104134097B (zh) | 2014-07-01 | 2014-07-01 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104134097B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN109147046A (zh) * | 2018-08-17 | 2019-01-04 | 西安建筑科技大学 | 城市居住建筑系统的碳能时空分布分析与量化模拟方法 |
CN109376941A (zh) * | 2018-11-03 | 2019-02-22 | 中国建筑上海设计研究院有限公司 | 基于人工神经网络和bim的建筑能耗模拟和优化方法 |
CN109492878A (zh) * | 2018-10-17 | 2019-03-19 | 天津大学 | 一种超低能耗公共建筑节能技术方案的评价方法 |
CN109684714A (zh) * | 2018-12-21 | 2019-04-26 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于机器学习和bim技术的建筑设计方法 |
CN109740237A (zh) * | 2018-12-28 | 2019-05-10 | 乔丽莉 | 一种基于蒙特卡洛的建筑机电点位布置方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN112329113A (zh) * | 2020-11-13 | 2021-02-05 | 杭州绿锦建筑设计咨询有限公司 | 一种基于bim的建筑节能设计方法、系统、装置及存储介质 |
CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712599A (zh) * | 2013-12-27 | 2014-04-09 | 南京信息工程大学 | 一种相对高度测量装置及方法 |
-
2014
- 2014-07-01 CN CN201410307462.8A patent/CN104134097B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712599A (zh) * | 2013-12-27 | 2014-04-09 | 南京信息工程大学 | 一种相对高度测量装置及方法 |
Non-Patent Citations (3)
Title |
---|
孙澄等: "寒冷气候区低能耗公共建筑空间性能驱动设计体系建构", 《南方建筑》 * |
李璐等: "基于GA-BP神经网络的大型公共建筑能耗预测研究", 《中外建筑》 * |
粟维政: "基于BP神经网络的住宅建筑设计阶段造价审核方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353611B (zh) * | 2015-10-27 | 2018-03-27 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN107730006B (zh) * | 2017-09-13 | 2021-01-05 | 重庆电子工程职业学院 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN109147046A (zh) * | 2018-08-17 | 2019-01-04 | 西安建筑科技大学 | 城市居住建筑系统的碳能时空分布分析与量化模拟方法 |
CN109492878A (zh) * | 2018-10-17 | 2019-03-19 | 天津大学 | 一种超低能耗公共建筑节能技术方案的评价方法 |
CN109376941A (zh) * | 2018-11-03 | 2019-02-22 | 中国建筑上海设计研究院有限公司 | 基于人工神经网络和bim的建筑能耗模拟和优化方法 |
CN109684714A (zh) * | 2018-12-21 | 2019-04-26 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于机器学习和bim技术的建筑设计方法 |
CN109684714B (zh) * | 2018-12-21 | 2023-04-18 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于机器学习和bim技术的建筑设计方法 |
CN109740237A (zh) * | 2018-12-28 | 2019-05-10 | 乔丽莉 | 一种基于蒙特卡洛的建筑机电点位布置方法 |
CN109740237B (zh) * | 2018-12-28 | 2020-04-17 | 乔丽莉 | 一种基于蒙特卡洛的建筑机电点位布置方法 |
CN110046743B (zh) * | 2019-03-06 | 2021-06-04 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN112329113A (zh) * | 2020-11-13 | 2021-02-05 | 杭州绿锦建筑设计咨询有限公司 | 一种基于bim的建筑节能设计方法、系统、装置及存储介质 |
CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
CN116579506B (zh) * | 2023-07-13 | 2023-09-19 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104134097B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134097A (zh) | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN102073785B (zh) | 基于广义动态模糊神经网络的燃气日负荷组合预报方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 | |
CN109345010A (zh) | 一种梯级泵站的多目标优化调度方法 | |
CN102252343B (zh) | 一种多孔介质燃烧器燃烧优化的方法 | |
CN102842066B (zh) | 一种生物质炉燃烧优化的建模方法 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
CN105678034A (zh) | 行人过街时间模型及信号交叉口人行横道宽度优化方法 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN107748940A (zh) | 一种节电潜力量化预测方法 | |
CN101877034B (zh) | 一种土地利用自动分区方法 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
CN1786413A (zh) | 基于神经网络模型的矿井涌水量预测方法 | |
CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
CN117407470A (zh) | 基于大数据的绿色空间生态优化决策辅助系统及方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
Li et al. | Development and application of hourly building cooling load prediction model | |
CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN112330172A (zh) | 一种评测既有城市工业区改造升级后综合影响力的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |