CN109033595A - 建筑绿色性能模拟分析新方法及装置 - Google Patents

建筑绿色性能模拟分析新方法及装置 Download PDF

Info

Publication number
CN109033595A
CN109033595A CN201810778726.6A CN201810778726A CN109033595A CN 109033595 A CN109033595 A CN 109033595A CN 201810778726 A CN201810778726 A CN 201810778726A CN 109033595 A CN109033595 A CN 109033595A
Authority
CN
China
Prior art keywords
energy consumption
scheme
ment
basic computational
computational ele
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
Application number
CN201810778726.6A
Other languages
English (en)
Other versions
CN109033595B (zh
Inventor
林波荣
李紫微
陈洪钟
周浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810778726.6A priority Critical patent/CN109033595B/zh
Publication of CN109033595A publication Critical patent/CN109033595A/zh
Application granted granted Critical
Publication of CN109033595B publication Critical patent/CN109033595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/13Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Architecture (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建筑绿色性能模拟分析新方法及装置,其中,方法包括以下步骤:将建筑体型通过形体特征化和/或方案空间均匀化分解为基本计算单元;通过能耗模拟工具生成基本计算单元的能耗样本数据集;提取基本计算单元的设计参数,并根据能耗样本数据集获取设计参数和能耗指标的人工神经网络模型;通过人工神经网络模型得到建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据当前建筑方案能耗修改当前建筑方案。该方法通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,从而实现复杂体型的能耗预测。

Description

建筑绿色性能模拟分析新方法及装置
技术领域
本发明涉及能耗预测技术领域,特别涉及一种建筑绿色性能模拟分析新方法及装置。
背景技术
相关技术,结合人工神经网络模型,实现复杂建筑体型的能耗快速预测。然而,实施过程的第一步是分解复杂建筑体型,分解方法有两种:方案形体特征化分解方法和方案空间均匀化分解方法。在方案形体特征化分解方法下,用户需要根据方案自身的体型特征手动切割建筑体型,手动切割操作的介入不利于建筑方案能耗预测的自动化进行;在方案空间均匀化分解方法下,使用了体形系数这一参数来表征方案体型的复杂性,这样做的缺点在于会造成方案特征的扁平化,不利于提取复杂建筑的体型特征。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种建筑绿色性能模拟分析新方法,该方法可以实现复杂体型的能耗预测。
本发明的另一个目的在于提出一种建筑绿色性能模拟分析新装置。
为达到上述目的,本发明一方面实施例提出了一种建筑绿色性能模拟分析新方法,包括以下步骤:将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元;通过能耗模拟工具生成基本计算单元的能耗样本数据集;提取所述基本计算单元的设计参数,并根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型;通过所述人工神经网络模型得到所述建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据所述当前建筑方案能耗修改所述当前建筑方案。
本发明实施例的建筑绿色性能模拟分析新方法,通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,将单个复杂体型的能耗预测转化为多个简单体型的能耗预测,从而实现复杂体型的能耗预测。
另外,根据本发明上述实施例的建筑绿色性能模拟分析新方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,在通过方案形体特征化分解为所述基本计算单元时,所述获取当前建筑方案能耗包括:根据所述当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包络每一个凸多边形体块,以得到多个所述基本计算单元;使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗;根据体块之间的毗邻情况对所述每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到所述当前建筑方案能耗。
进一步地,在本发明的一个实施例中,在通过方案空间均匀化分解为所述基本计算单元时,所述获取当前建筑方案能耗包括:将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗;将所述所有基本计算单元的能耗加和,以得到所述当前建筑方案整体能耗。
进一步地,在本发明的一个实施例中,所述根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型,进一步包括:建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围;样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,所述输入指标为设计相关参数,所述输出指标为能耗值;配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
进一步地,在本发明的一个实施例中,还包括:对所述人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
为达到上述目的,本发明另一方面实施例提出了一种建筑绿色性能模拟分析新装置,包括:分解模块,用于将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元;生成模块,用于通过能耗模拟工具生成基本计算单元的能耗样本数据集;提取模块,用于提取所述基本计算单元的设计参数,并根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型;修改模块,用于通过所述人工神经网络模型得到所述建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据所述当前建筑方案能耗修改所述当前建筑方案。
本发明实施例的建筑绿色性能模拟分析新装置,通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,将单个复杂体型的能耗预测转化为多个简单体型的能耗预测,从而实现复杂体型的能耗预测。
另外,根据本发明上述实施例的建筑绿色性能模拟分析新装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,在通过形体特征化分解为所述基本计算单元时,所述分解模块进一步用于根据所述当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包络每一个凸多边形体块,以得到多个所述基本计算单元;所述修改模块进一步用于使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗,根据体块之间的毗邻情况对所述每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到所述当前建筑方案能耗。
进一步地,在本发明的一个实施例中,在通过空间均匀化分解为所述基本计算单元时,所述分解模块进一步用于将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;所述修改模块进一步用于使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗,将所述所有基本计算单元的能耗加和,以得到所述当前建筑方案整体能耗。
进一步地,在本发明的一个实施例中,所述提取模块进一步用于建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围,样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,所述输入指标为设计相关参数,所述输出指标为能耗值,配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
进一步地,在本发明的一个实施例中,还包括:验证模块,用于对所述人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的建筑绿色性能模拟分析新方法的流程图;
图2为根据本发明一个实施例的结合人工神经网络的能耗预测模型训练框架和流程图;
图3为根据本发明一个实施例的方案分解和修正示意图;
图4为根据本发明一个实施例的计算单元模型示意图;
图5为根据本发明一个实施例的人工神经网络能耗预测模型结构示意图;
图6为根据本发明一个实施例的体块切割示意图;
图7为根据本发明一个实施例的建筑体型的空间切割示意图;
图8为根据本发明一个实施例的典型空间能耗值的获取示意图;
图9为根据本发明一个实施例的基本计算单元示意图;
图10为根据本发明一个实施例的人工神经网络能耗预测模型架构示意图;
图11为根据本发明一个实施例的建筑绿色性能模拟分析新装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的建筑绿色性能模拟分析新方法及装置,首先将参照附图描述根据本发明实施例提出的建筑绿色性能模拟分析新方法。
图1是本发明一个实施例的建筑绿色性能模拟分析新方法的流程图。
如图1所示,该建筑绿色性能模拟分析新方法包括以下步骤:
在步骤S101中,将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元。
可以理解的是,首先,本发明实施例采用方案形体特征化分解方法和方案空间均匀化分解方法将复杂建筑体型分解为基本计算单元。
在步骤S102中,通过能耗模拟工具生成基本计算单元的能耗样本数据集。
可以理解的是,本发明实施例采用能耗模拟工具DesignBuilder生成基本计算单元的能耗样本数据集
在步骤S103中,提取基本计算单元的设计参数,并根据能耗样本数据集获取设计参数和能耗指标的人工神经网络模型。
可以理解的是,本发明实施例提取基本计算单元的设计参数,基于样本数据集训练得到计算单元设计参数和能耗指标的人工神经网络模型。
进一步地,在本发明的一个实施例中,根据能耗样本数据集获取设计参数和能耗指标的人工神经网络模型,进一步包括:建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围;样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,输入指标为设计相关参数,输出指标为能耗值;配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
在本发明的一个实施例中,本发明实施例的方法还包括:对人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
具体而言,如图2所示,训练步骤如下:
(1)指标体系:首先要建立网络模型的指标体系,明确系统的输入变量、输出变量以及输出输出变量取值范围,变量设定主要依据项目实际需要。
(2)样本采样:指标体系建立好之后开展样本采样,采用手动或批处理的方式调用能耗模拟分析软件,生成大量的输入和输出指标,在该技术中,输入指标是设计相关参数,输出指标是能耗值。
(3)模型训练:采样完成后,配置人工神经网络模型架构,调用Matlab人工神经网络工具包进行人工神经网络模型训练;对获得的模型的预测准确性进行验证。
(4)实际应用:最后将人工神经网络模型投入实际案例的能耗预测。
在步骤S104中,通过人工神经网络模型得到建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据当前建筑方案能耗修改当前建筑方案。
可以理解的是,本发明实施例使用人工神经网络模型计算得到所有基本单元的能耗值,对能耗值进行组合、修正,得到方案整体能耗。
进一步地,在本发明的一个实施例中,在通过方案形体特征化分解为基本计算单元时,获取当前建筑方案能耗包括:根据当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包括每一个凸多边形体块,以得到多个基本计算单元;使用计算单元的人工神经网络能耗预测模型计算多个基本计算单元的每个基本计算单元的能耗;根据体块之间的毗邻情况对每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到当前建筑方案能耗。
具体而言,本发明实施例采取结合人工神经网络进行能耗预测的第1种方法—依据方案形体特征进行体块分解。在该方法下,方案能耗预测分为3个步骤:
(1)依据方案本身的形体特征,将方案分解为简单的凸多边形体块,用最小的六面体来包络每一个凸多边形体块,得到多个基本的计算单元(如果方案形体本身已经足够简单,可以直接从第(2)步开始);
(2)使用计算单元的人工神经网络能耗预测模型来计算第(1)步中得到的每个计算单元的能耗;
(3)根据体块之间的毗邻情况,对计算单元的能耗进行修正,将修正后的能耗加和,得到方案整体能耗。
以图3(a)所示的复杂建筑体型为例来说明以上过程。首先,将方案分解成如图3(b)所示的体块。分别计算4个基本单元的能耗指标。根据图3(c)体块之间的连接情况,对各部分的能耗指标进行修正后再加和。
图3(c)中zone 3和zone 6之间的毗连会降低立面的渗风量、传热量、接收到的辐射量,而体块之间的遮挡造成了部分区域天然采光量降低,照明能耗上升。根据毗连长度和体块原有外墙长度之间的比例,来削减渗风量、传热量、辐射量对空调供暖能耗的贡献量。zone 3和zone 6由于互相遮挡,这两个房间的照明能耗按照内区照明来处理。例如,一个计算单元的某一个立面有1/3的部分和另外一个计算单元毗连,那么就将该立面所在房间的渗风负荷、传热负荷和该立面接收到的辐射量,削减掉1/3。将修正后的能耗指标加和,作为方案整体能耗。
(1)建立指标体系
按照图2的框架图进行指标体系的建立。首先需要获取基本的计算单元的能耗预测模型,在第1种思路下,基本的计算单元为矩形建筑单体。对矩形建筑单体的内外区进行简单划分。提取矩形建筑单体的6个设计相关变量作为输入变量:建筑长度、建筑宽度、窗墙比、层高、楼层编号、房间编号。将空调、供暖、照明能耗作为输出变量。
对模型训练使用的计算单元模型进行设计。为了提高计算效率,计算单元模型为3层,如图4所示。以规模50m×40m、层高4.5m,窗墙比0.5的3层计算单元为例,楼层编号为1-3,房间编号为1-5。在实际项目中,建筑楼层数基本上都要多于3层,应用人工神经网络模型时,采取这样的处理方式:除首层和顶层之外所有中间层的能耗用计算单元中楼层编号为2的楼层计算结果来计算,首层和顶层的能耗分别用楼层编号为1和3的楼层计算结果来计算。计算单元默认外区进深为6m,计算单元的每层将被自动划分为5个房间,北向房间为zone1,西向为zone2,南向为zone3,东向为zone4,中间的内区为zone5,如图3(b)。
其他设定如表1、表2,以北京地区为例。输入变量取值如表3。
表1热工参数
表2HVAC系统参数
表3输入变量取值
(2)样本采样
采用批处理方式调用能耗计算程序EnergyPlus获取共计172980组样本。
(3)模型架构设计
采用MATLAB人工神经网络训练工具包进行模型训练。人工神经网络模型训练参数设定如表4所示:
1、训练代数为计算次数的上限;
2、最小均方差表示,当两次计算之间的误差小于这个值时,达到收敛,计算结束;
3、传递函数是神经元节点的输出函数;
4、训练函数是减小误差的算法,这里选择trainlm,为改进的反向传播算法中的一种,是所有此类训练函数中,收敛速度最快的。
表4训练参数设定
采用如图5所示的3层人工神经网络模型。隐含层神经元数量的选取需要进行试算,神经元数量越大,预测模型越准确,但是训练时间也越长。经过试算,将隐含层神经元数量定为20个。
进一步地,在本发明的一个实施例中,在通过方案空间均匀化分解为基本计算单元时,获取当前建筑方案能耗包括:将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;使用计算单元的人工神经网络能耗预测模型计算多个基本计算单元的每个基本计算单元的能耗;将所有基本计算单元的能耗加和,以得到当前建筑方案整体能耗。
具体而言,本发明实施例采取结合人工神经网络进行能耗预测的第2种方法——方案空间的均匀化分解。在该方法下,方案能耗预测分为3个步骤:
(1)将方案放置在均匀的空间网格中进行空间切割,得到很多相同的立方空间,每一个立方空间即为一个基本的计算单元;
(2)使用计算单元的人工神经网络能耗预测模型来计算第(1)步中得到的每个计算单元的能耗;
(3)将所有计算单元的能耗加和,得到方案整体能耗。
以图6所示的体块为例来说明以上过程。图中为一个坐北朝南的立方空间,将它均匀地切割成为27个立方空间,每一个立方空间从能耗计算的角度来说都是独一无二的。如:最底层的9个立方空间都是接地的,最顶层的立方空间都是顶面接触空气的,而中间层的立方空间则是既不接地也没有屋顶的;而对每一层的9个立方空间来说,每个立方空间从能耗计算的角度来说也是独一无二的。
如图7所示,展示如何针对复杂体型进行能耗预测。如图7(a)是建筑原型,将其置于4m×4m×4m的立体网格中均匀切割。每个立体网格中,如果建筑原型切割后的空间体积超过了立体网格空间体积的一半,就将建筑原型补全,如果没有到网格空间体积的一半,就将该部分建筑原型体积削去,如图7(b)和图7(c)所示。复杂原型进行空间化均匀分解后,每个立体空间都可以用图6(b)中的某一个典型小空间代表,每一个立体空间都是一个基本的计算单元。最后将同类空间合并,如图7(d)所示。那么针对复杂建筑体型,首先进行均匀化空间分解,计算每一个基本计算单元的能耗,再将所有能耗加和得到整个方案的能耗。
(1)建立指标体系
按照图2的框架图,首先进行指标体系的建立。首先需要获取基本的计算单元的能耗预测模型,在第2种思路下,基本的计算单元为立方体空间。
首先,需要获取立方空间的能耗数据集。如图8所示,枚举不同体量的大立方体,将其均匀切割成立方空间,通过DesignBuilder能耗模拟软件计算立方空间能耗值。枚举体量不同的3个正方体,作为生成能耗样本的基本体型,棱长分别为32m,44m,56m,层高为4m。以棱长为32m的正立方体为例,将其置于4m×4m×4m的空间网格中分解,并合并同类空间,如图8所示。然后通过DesignBuilder软件模拟计算得到每一个典型立方空间的平米能耗指标。
针对如图9所示的每一个计算单元,提取立方体空间的8个设计相关变量作为输入变量:所在大立方体的窗墙比、大立方体的体形系数、立方空间的6个面中每个面的属性编码(绝热内墙为0,暴露于空气为1,接地为2)。将空调、供暖能耗作为输出变量。
(2)样本采样
采用能耗模拟软件DesignBuilder手动获取共计243组样本。
(3)模型架构设计
采用如图10所示的3层人工神经网络模型。输入层共有8个变量,第1个变量是大立方体窗墙比,第2个变量是大立方体体形系数,第3-8个变量为6个表面的属性编码,绝热内墙为0,暴露于空气为1,接地为2。
如表8所示为人工神经网络模型训练参数的设定。如表9所示为输入变量范围。
表8训练参数设定
表9输入变量范围
变量名称 建筑窗墙比 建筑体形系数 1-6号表面属性
变量取值 [0.3,0.4,0.5] [0.089,0.114,0.156] [0,1,2]
模型的热工参数、系统设定和作息设定都采取DesignBuilder的默认设定和自带的办公作息。
综上,本发明实施例利用了人工神经网络模型计算速度快、精度高、善于处理变量关系等优势,为方案初期复杂体型的能耗快速预测提供了一种新的途径。虽然人工神经网络模型在建筑性能优化领域有所应用,但在现有的建筑能耗快速预测技术中,几乎没有采用人工神经网络在方案初期针对复杂方案体型的能耗预测。本发明实施例能够在建筑设计初期为设计师提供建筑方案能耗的快速预测方法,使设计师能够依据建筑方案的能量性能实时结果反馈,不断修改设计方案,实现建筑方案的节能设计。
根据本发明实施例提出的建筑绿色性能模拟分析新方法,通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,将单个复杂体型的能耗预测转化为多个简单体型的能耗预测,从而实现复杂体型的能耗预测。
其次参照附图描述根据本发明实施例提出的建筑绿色性能模拟分析新装置。
图11是本发明一个实施例的建筑绿色性能模拟分析新装置的结构示意图。
如图11所示,该建筑绿色性能模拟分析新装置10包括:分解模块100、生成模块200、提取模块300和修改模块400。
其中,分解模块100用于将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元。生成模块200用于通过能耗模拟工具生成基本计算单元的能耗样本数据集。提取模块300用于提取基本计算单元的设计参数,并根据能耗样本数据集获取设计参数和能耗指标的人工神经网络模型。修改模块400用于通过人工神经网络模型得到建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据当前建筑方案能耗修改当前建筑方案。本发明实施例的装置10通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,从而实现复杂体型的能耗预测。
进一步地,在本发明的一个实施例中,在通过形体特征化分解为基本计算单元时,其中,分解模块100进一步用于根据当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包络每一个凸多边形体块,以得到多个基本计算单元;修改模块400进一步用于使用计算单元的人工神经网络能耗预测模型计算多个基本计算单元的每个基本计算单元的能耗,根据体块之间的毗邻情况对每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到当前建筑方案能耗。
进一步地,在本发明的一个实施例中,在通过空间均匀化分解为基本计算单元时,其中,分解模块100进一步用于将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;修改模块400进一步用于使用计算单元的人工神经网络能耗预测模型计算多个基本计算单元的每个基本计算单元的能耗,将所有基本计算单元的能耗加和,以得到当前建筑方案整体能耗。
进一步地,在本发明的一个实施例中,提取模块300进一步用于建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围,样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,输入指标为设计相关参数,输出指标为能耗值,配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:验证模块。其中,验证模块用于对人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
需要说明的是,前述对建筑绿色性能模拟分析新方法实施例的解释说明也适用于该实施例的建筑绿色性能模拟分析新装置,此处不再赘述。
根据本发明实施例提出的建筑绿色性能模拟分析新装置,通过方案形体特征化分解方法和方案空间均匀化分解方法等两种方法帮助在方案初期消解建筑体型的复杂性,将单个复杂体型的能耗预测转化为多个简单体型的能耗预测,从而实现复杂体型的能耗预测。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种建筑绿色性能模拟分析新方法,其特征在于,包括以下步骤:
将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元;
通过能耗模拟工具生成基本计算单元的能耗样本数据集;
提取所述基本计算单元的设计参数,并根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型;以及
通过所述人工神经网络模型得到所述建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据所述当前建筑方案能耗修改所述当前建筑方案。
2.根据权利要求1所述的建筑绿色性能模拟分析新方法,其特征在于,在通过方案形体特征化分解为所述基本计算单元时,所述获取当前建筑方案能耗包括:
根据所述当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包络每一个凸多边形体块,以得到多个所述基本计算单元;
使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗;
根据体块之间的毗邻情况对所述每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到所述当前建筑方案能耗。
3.根据权利要求1所述的建筑绿色性能模拟分析新方法,其特征在于,在通过方案空间均匀化分解为所述基本计算单元时,所述获取当前建筑方案能耗包括:
将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;
使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗;
将所述所有基本计算单元的能耗加和,以得到所述当前建筑方案整体能耗。
4.根据权利要求1所述的建筑绿色性能模拟分析新方法,其特征在于,所述根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型,进一步包括:
建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围;
样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,所述输入指标为设计相关参数,所述输出指标为能耗值;
配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
5.根据权利要求4所述的建筑绿色性能模拟分析新方法,其特征在于,还包括:
对所述人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
6.一种建筑绿色性能模拟分析新装置,其特征在于,包括:
分解模块,用于将建筑体型通过方案形体特征化和/或方案空间均匀化分解为基本计算单元;
生成模块,用于通过能耗模拟工具生成基本计算单元的能耗样本数据集;
提取模块,用于提取所述基本计算单元的设计参数,并根据所述能耗样本数据集获取设计参数和能耗指标的人工神经网络模型;以及
修改模块,用于通过所述人工神经网络模型得到所述建筑体型的所有基本计算单元的能耗值,并获取当前建筑方案能耗,以根据所述当前建筑方案能耗修改所述当前建筑方案。
7.根据权利要求6所述的建筑绿色性能模拟分析新装置,其特征在于,在通过形体特征化分解为所述基本计算单元时,其中,
所述分解模块进一步用于根据所述当前建筑方案的形体特征将方案分解为多个凸多边形体块,并用最小的六面体来包络每一个凸多边形体块,以得到多个所述基本计算单元;
所述修改模块进一步用于使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗,根据体块之间的毗邻情况对所述每个基本计算单元的能耗进行修正,并将修正后的能耗加和,以得到所述当前建筑方案能耗。
8.根据权利要求6所述的建筑绿色性能模拟分析新装置,其特征在于,在通过空间均匀化分解为所述基本计算单元时,其中,
所述分解模块进一步用于将当前建筑方案放置在均匀的空间网格中进行空间切割,以得到多个相同的立方空间,其中,每一个立方空间为一个基本计算单元;
所述修改模块进一步用于使用计算单元的人工神经网络能耗预测模型计算所述多个基本计算单元的每个基本计算单元的能耗,将所述所有基本计算单元的能耗加和,以得到所述当前建筑方案整体能耗。
9.根据权利要求6所述的建筑绿色性能模拟分析新装置,其特征在于,所述提取模块进一步用于建立网络模型的指标体系,并明确输入变量、输出变量以及输入输出变量取值范围,样本采样,通过能耗模拟分析软件生成输入指标和输出指标,其中,所述输入指标为设计相关参数,所述输出指标为能耗值,配置人工神经网络模型架构,并通过Matlab人工神经网络工具包进行人工神经网络模型训练。
10.根据权利要求9所述的建筑绿色性能模拟分析新装置,其特征在于,还包括:
验证模块,用于对所述人工神经网络模型的预测准确性进行验证,并且在验证结果满足预设条件后,将验证通过后的人工神经网络模型投入实际案例的能耗预测。
CN201810778726.6A 2018-07-16 2018-07-16 建筑绿色性能模拟分析新方法及装置 Active CN109033595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810778726.6A CN109033595B (zh) 2018-07-16 2018-07-16 建筑绿色性能模拟分析新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810778726.6A CN109033595B (zh) 2018-07-16 2018-07-16 建筑绿色性能模拟分析新方法及装置

Publications (2)

Publication Number Publication Date
CN109033595A true CN109033595A (zh) 2018-12-18
CN109033595B CN109033595B (zh) 2024-03-29

Family

ID=64643071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810778726.6A Active CN109033595B (zh) 2018-07-16 2018-07-16 建筑绿色性能模拟分析新方法及装置

Country Status (1)

Country Link
CN (1) CN109033595B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597609A (zh) * 2020-04-28 2020-08-28 马辰龙 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369976B1 (en) * 1997-08-08 2008-05-06 Bridgestone Corporation Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded
CN102938092A (zh) * 2012-10-08 2013-02-20 珠海派诺科技股份有限公司 一种基于神经网络的建筑节假日能耗预测方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN104598765A (zh) * 2015-02-16 2015-05-06 常州瑞信电子科技有限公司 一种基于弹性自适应神经网络的建筑物能耗预测方法
CN105205558A (zh) * 2015-09-23 2015-12-30 南京磐能电力科技股份有限公司 一种面向建筑能耗预测的bp神经网络模型配置方法
CN105704230A (zh) * 2016-03-16 2016-06-22 山东建筑大学 基于物联网和云计算的智能建筑集成系统及控制方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369976B1 (en) * 1997-08-08 2008-05-06 Bridgestone Corporation Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded
CN102938092A (zh) * 2012-10-08 2013-02-20 珠海派诺科技股份有限公司 一种基于神经网络的建筑节假日能耗预测方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN104598765A (zh) * 2015-02-16 2015-05-06 常州瑞信电子科技有限公司 一种基于弹性自适应神经网络的建筑物能耗预测方法
CN105205558A (zh) * 2015-09-23 2015-12-30 南京磐能电力科技股份有限公司 一种面向建筑能耗预测的bp神经网络模型配置方法
CN105704230A (zh) * 2016-03-16 2016-06-22 山东建筑大学 基于物联网和云计算的智能建筑集成系统及控制方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
S. FERLITO 等: "Predictive models for building\'s energy consumption: An Artificial Neural Network (ANN) approach", 《 IEEE XPLORE》 *
任彬彬: "寒冷地区多层办公建筑低能耗设计原型研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》, no. 08 *
李紫微 等: "建筑方案能耗快速预测方法研究综述", 《暖通空调》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597609A (zh) * 2020-04-28 2020-08-28 马辰龙 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法

Also Published As

Publication number Publication date
CN109033595B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
Javanroodi et al. A novel design-based optimization framework for enhancing the energy efficiency of high-rise office buildings in urban areas
Zhang et al. Shape optimization of free-form buildings based on solar radiation gain and space efficiency using a multi-objective genetic algorithm in the severe cold zones of China
Nazarian et al. Predicting outdoor thermal comfort in urban environments: A 3D numerical model for standard effective temperature
TWI672665B (zh) 綠建築效能模擬分析系統及其最適化決策方法
Sha et al. Overview of computational intelligence for building energy system design
Shiel et al. Parametric analysis of design stage building energy performance simulation models
Xue et al. Inverse prediction and optimization of flow control conditions for confined spaces using a CFD-based genetic algorithm
Gorecki et al. OpenBuild: An integrated simulation environment for building control
Dogan et al. Automated conversion of architectural massing models into thermal ‘shoebox’models
Wang et al. SSIEA: a hybrid evolutionary algorithm for supporting conceptual architectural design
CN101689122A (zh) 数字化设计生态系统
CN110533248A (zh) 融合机器学习和lstm的大气污染物浓度预测方法
Lotfabadi et al. Sustainability; as a combination of parametric patterns and bionic strategies
Kazanasmaz Fuzzy logic model to classify effectiveness of daylighting in an office with a movable blind system
Chaturvedi et al. Application of PSO and GA stochastic algorithms to select optimum building envelope and air conditioner size-A case of a residential building prototype
Gao et al. An integrated simulation method for PVSS parametric design using multi-objective optimization
CN109033595A (zh) 建筑绿色性能模拟分析新方法及装置
CN114756942A (zh) 一种基于bim和云服务的装配式建筑管理方法及系统
Yang et al. Coupling occupancy information with HVAC energy simulation: A systematic review of simulation programs
Waibel et al. Physics meets machine learning: Coupling FFD with regression models for wind pressure prediction on high-rise facades
CN111597609B (zh) 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法
CN116430748B (zh) 一种基于智能设备的节能控制方法及系统
Lan et al. Optimal zoning for building zonal model of large-scale indoor space
CN110309539B (zh) 基于bim的工业建筑环境流体动力学仿真平台创建方法
CN107544375A (zh) 一种家用住宅空气品质控制策略分析系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant