CN110069823A - 一种基于多目标智能优化和EnergyPlus的建筑节能设计方法 - Google Patents

Abstract

本发明公开了一种基于多目标智能优化和EnergyPlus的建筑节能智能设计方法，步骤如下：确定建筑的基本结构参数，建立建筑的3D模型，在EnergyPlus中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；选择用来评价建筑设计方案优劣的两个性能指标；选择影响上述两个性能指标的结构参数；将多目标智能粒子群优化算法与EnergyPlus进行结合，执行算法，直到算法满足终止条件；输出所得最终结果，即最佳参数取值。本发明方法具有代价小、运行时间快等突出优点；由于无需用户设置任何关于多目标智能粒子群优化算法的控制参数，该方法也具有操作简单、适用性强的优点。

Description

一种基于多目标智能优化和EnergyPlus的建筑节能设计方法

技术领域

本发明属于建筑优化设计领域，特别涉及一种基于多目标智能优化和EnergyPlus的建筑节能设计方法。

背景技术

能源是社会最重要的资源之一。在能源消耗总量中，建筑行业能源密集，约占能耗总量的40％。而根据美国能源信息局的数据，这些能耗中的57％来自供暖、通风、空调以及照明等环节。综合考虑整个建筑的能量消耗机制，提高建筑能效，已经成为设计师和研究人员考虑的一个国际问题。

在以往的建筑节能设计中，由于缺乏相关的能耗模拟技术，大多数的研究都致力于建筑物材料的设计。已有技术包括中国专利说明书CN204899001U(2015年12月23日公布)公开的一种新型建筑节能砖；中国专利说明书CN106242611A(2016年12月21日公布)公开的一种节能建筑外墙保温砌块；中国专利说明书CN206800696U(2017年12月26日公布)公开的新型建筑节能墙体；中国专利说明书CN208072830U(2018年11月09日公布)公开的一种复合式环保节能建筑材料。也有部分成果致力于研究建筑节能设备装置上，包括中国专利说明书CN204810624U(2015年11月25日公布)公开的一种建筑照明节能控制系统；中国专利说明书CN106193965A(2016年12月07日公布)公开的一种新型可利用太阳能的建筑节能窗；中国专利说明书CN206773513U(2017年12月19日公布)公开的一种智能化建筑节能管控系统；中国专利说明书CN208139513U(2018年11月23日公布)公开的一种节能建筑的通风装置。除上述情况外，还有很少部分将办公建筑空间作为调控办公建筑能耗的因素，如中国专利说明书CN108804802A(2018年11月13日公布)公开的一种以夏季空调制冷能耗控制为目标的办公建筑空间节能设计方法。上述建筑节能设计方法仍存在如下不足：只考虑建筑节能问题的单一因素，且仅仅以节能作为建筑优化设计的唯一标准。

发明内容

发明目的：针对以上问题，本发明提出一种基于多目标智能优化和EnergyPlus的建筑节能设计方法。采用此种智能优化技术处理建筑节能设计问题，可以同时得到一组满足不同决策者需求的最优Pareto解集，可以减少建筑能耗和人体不舒适小时数，增加模拟的准确度。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，通常建筑能耗的减少必然导致用户不舒适度的升高，因此，建筑能耗和用户不舒适度两个指标是相互冲突的。本发明利用EnergyPlus模拟软件，计算当前建筑的建筑能耗和用户不舒适小时数的性能指标值。给定一组优化的决策变量值后，运行EnergyPlus软件，该软件即可输出建筑年能耗数和一年内的用户不舒适小时数。该方法包括如下步骤：

步骤1：确定建筑的基本结构参数，并制作建筑的3D模型；在绘图软件中将3D模型保存为建筑能耗模拟软件EnergyPlus识别的格式；在EnergyPlus软件中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；所述结构参数包括：建筑物的长宽高、窗户所在的位置及大小、建筑物的围护结构、人员密度、耗电设备信息。所述绘图软件选用SketchUp软件，在绘图软件中安装插件保存3D模型，所述插件为Legacy Openstudio。

步骤2：选择用来评价建筑优化设计方案优劣的两个性能指标，即建筑能耗和用户不舒适小时数；选择影响上述两个性能指标的K个结构参数，即需要优化的K个决策变量；本发明选择需要优化的决策变量包括：房屋朝向、窗户长度、窗户高度、窗户的传热系数、窗户的日射热取得率、墙体外保温层厚度、外墙日射吸收率、人员密度、照明功率密度、设备功率密度、空调系统供热设置温度、空调系统制冷设置温度。

步骤3：以建筑能耗和用户不舒适小时数作为性能评价指标，结合EnergyPlus软件，执行多目标智能粒子群优化算法，直到满足算法设置的迭代次数。迭代次数选择与决策变量的数量有关。具体步骤如下：

步骤3.1：在Matlab中编写多目标智能粒子群优化算法，编写程序搭建Matlab和EnergyPlus的通信接口；

步骤3.2：设置多目标智能粒子群优化算法运行参数，设置决策变量即系统参数的初始值；所述算法运行参数包括粒子群规模N、算法终止迭代次数T；

步骤3.3：在决策变量取值范围内随机生成N个粒子的位置X_i,i＝1,2,…,N，所述N个粒子的位置即为一组解，设置每个粒子的个体极值点Pb_i，Pb_i＝X_i,i＝1,2,…,N，将外部储备集设为空集；

步骤3.4：通过步骤3.1中的通信接口将粒子的位置即新解导入EnergyPlus，启动EnergyPlus，输出性能指标，即建筑能耗和用户不舒适小时数，作为当前粒子位置的目标函数值；

步骤3.5：更新算法的外部储备集：将外部储备集中已有的粒子位置、粒子位置对应的目标函数值和粒子群中的解及其目标函数值合并成一个新种群；利用Pareto支配关系，选出该种群中互不支配的元素，并将所述互不支配的元素保存到外部储备集中；如果外部储备集中元素数目超过了粒子群规模N，则计算每个元素的拥挤距离值，并保留拥挤距离值较大的N个元素至外部储备集；

步骤3.6：判断是否达到算法最大迭代次数T，若达到最大迭代次数，则终止算法；否则，继续执行步骤3.7；

步骤3.7：根据外部储备集中元素的分布程度，从外部储备集合中为每个粒子选择它的全局极值点和个体极值点；针对每个粒子，根据多目标粒子群更新方法，产生一组新的粒子位置，即一组新的解，重复步骤3.4-3.6。

进一步，步骤3.7中，选择粒子的全局极值点和个体极值点的方法如下：

(1)首先从储备集合中任意选出两个互不占优的粒子，并计算两个粒子目标函数值的拥挤距离值；然后，选择拥挤距离值较大的粒子的位置作为当前粒子的全局极值点；重复执行上述操作，直到为所有粒子确定其全局极值点；

(2)利用Pareto支配关系确定粒子的个体极值点，对于任意一个粒子，如果其新生位置的目标函数值Pareto支配该粒子的目标函数值，则选择新位置为该粒子的个体极值点；否则，保持当前粒子的个体极值点不变。

进一步，步骤3.7中，根据多目标粒子群更新方法，产生新解的公式为：

其中，i表示第i个粒子，i的取值范围是[1,N]，N表示粒子的种群数量；j表示第j个决策变量，j的取值范围是[1,K]，K表示决策变量数量，x_i,j(t+1)为新生成的粒子位置，t为算法迭代次数，每产生一组新位置，t的值增加1，t的取值范围是[1,T]，N(a,b)是均值为a、方差为b的高斯分布函数，r₁和U(0,1)为[0,1]中随机数，Gb_i,j(t)表示当前粒子的全局最优的第j个决策变量值，Pb_i,j(t)表示当前粒子的个体最优的第j个决策变量值；Gb_i＝(Gb_i,1,Gb_i,2,…,Gb_i,K)表示当前粒子的全局极值点，Pb_i＝(Pb_i,1,Pb_i,2,…,Pb_i,K)表示当前粒子的个体极值点。

步骤4：算法终止后，输出算法外部储备集中保存的最优解作为算法所得最终结果，即最佳参数取值。

本发明采用建筑能耗模拟软件EnergyPlus模拟建筑耗能行为，设计一种多目标智能粒子群优化方法对建筑结构和参数进行自主寻优。与现有技术不同，本发明将EnergyPlus和多目标智能粒子群优化技术进行耦合，可以同时兼顾用户对建筑能耗和人体不舒适小时数指标的需求，自动获得最优的建筑设计方案。换言之，以建筑能耗和不舒适小时数为建筑优化设计的两个性能指标，考虑房屋朝向、窗户长、窗户高、窗户的传热系数、窗户的日射热取得率、墙体外保温层厚度、外墙日射吸收率、人员密度、照明功率密度、设备功率密度、空调系统供热设置温度、空调系统制冷设置温度这12个系统参数，利用多目标智能粒子群优化技术自动寻找使两个性能指标达到最优的系统参数取值。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

(1)传统方法往往只专注于建筑物材料、照明系统等单一方面，不能够综合考虑建筑中的诸多问题，本发明同时考虑建筑能耗和用户不舒适小时数两个指标，针对影响两个指标的建筑参数，应用多目标智能粒子群优化技术，自动寻找最佳参数取值。由于无需真实搭建出建筑原型，本发明设计方法具有代价小、运行时间快等突出优点；

(2)本发明同时考虑建筑能耗和用户不舒适小时数两个指标，可以为用户提供一组可供选择的最优解集，大大提高了用户对方案的选择范围；

(3)本发明利用一种多目标智能粒子群优化算法来产生新的解，相对其它智能优化算法，该算法控制参数少，无需用户设置任何的算法控制参数，显著增强了算法的可操作性，大大提高了本方法的适用性。

附图说明

图1是融合EnergyPlus和多目标智能粒子群优化算法流程图；

图2是SketchUp软件所画建筑3D模型；

图3是多目标智能粒子群优化算法流程图；

图4是多目标智能粒子群优化算法和第二代非支配排序遗传算法所得Pareto前沿图。

具体实施方式

下面结合具体附图和徐州地区某一办公建筑设计实例，对本发明的实施方式进行详细说明。图1所示为融合EnergyPlus和多目标智能粒子群优化算法流程图。

本实施例所述的一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，包括如下步骤：

步骤1：确定建筑的基本结构参数，并制作建筑的3D模型；在绘图软件中将3D模型保存为建筑能耗模拟软件EnergyPlus识别的格式；在EnergyPlus软件中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；所述结构参数包括：建筑物的长宽高、窗户所在的位置及大小、建筑物的围护结构、人员密度、耗电设备信息。所述绘图软件选用SketchUp软件，在绘图软件中安装插件保存3D模型，所述插件为Legacy Openstudio。3D模型如图2所示。

徐州属于夏热冬冷地区，位于纬度34.28N，经度117.15E。从EnergyPlus官网下载徐州的标准气象数据库-CSWD数据，并且选择该数据作为本实施例模型所用气象数据。所设计建筑基本信息：长宽高分别为8.8m、3.6m和3.9m；窗户的长高分别为1.7m和1.6m；根据所在地区围护结构特点，确定此模型的墙体结构材料和玻璃结构材料；根据办公室人员活动情况确定办公室人员密度及人员活动规律；根据照明使用情况确定灯具功率及变化。本实施例房间采用嵌入式照明，照明功率密度值不能超过《建筑照明设计标准》极限值。

步骤2：选择用来评价建筑优化设计方案优劣的两个性能指标，即建筑能耗和用户不舒适小时数；选择影响上述两个性能指标的K个结构参数，即需要优化的K个决策变量；本发明需要优化的决策变量为房屋朝向、窗户长度、窗户高度、窗户的传热系数、窗户的日射热取得率、墙体外保温层厚度、外墙日射吸收率、人员密度、照明功率密度、设备功率密度、空调系统供热设置温度、空调系统制冷设置温度这12个系统参数。表1为上述系统参数的参考取值范围，在参考取值范围内初始化上述参数。表2为取参考取值时得到的目标函数值。

表1

12个系统参数取值	建筑能耗指标(GJ)	用户不舒适小时数指标(h)
			(0,1.7,1.6,4.3,0.65,0.1,0.6,0.2,9,14,20,26)	21.31	2246.5

表2

步骤3：以建筑能耗和用户不舒适小时数作为性能评价指标，结合EnergyPlus软件，执行多目标智能粒子群优化算法BB-MOPSO，直到满足算法设置的迭代次数。具体步骤如下：

步骤3.1：在Matlab中编写多目标智能粒子群优化算法，编写程序搭建Matlab和EnergyPlus的通信接口；

步骤3.2：设置多目标智能粒子群优化算法运行参数，设置决策变量即系统参数的初始值；所述算法运行参数包括粒子群规模N、算法终止迭代次数T；

步骤3.3：在决策变量取值范围内随机生成N个粒子的位置X_i,i＝1,2,…,N，所述N个粒子的位置即为一组解，设置每个粒子的个体极值点Pb_i，Pb_i＝X_i,i＝1,2,…,N，将外部储备集设为空集；

步骤3.4：通过步骤3.1中的通信接口将粒子的位置即新解导入EnergyPlus，启动EnergyPlus，输出性能指标，即建筑能耗和用户不舒适小时数，作为当前粒子位置的目标函数值；

步骤3.5：更新算法的外部储备集：将外部储备集中已有的粒子位置、粒子位置对应的目标函数值和粒子群中的解及其目标函数值合并成一个新种群；利用Pareto支配关系，选出该种群中互不支配的元素，并将所述互不支配的元素保存到外部储备集中；如果外部储备集中元素数目超过了粒子群规模N，则计算每个元素的拥挤距离值，并保留拥挤距离值较大的N个元素至外部储备集；

步骤3.6：判断是否达到算法最大迭代次数T，若达到最大迭代次数，则终止算法；否则，继续执行步骤3.7；

步骤3.7：根据外部储备集中元素的分布程度，从外部储备集合中为每个粒子选择它的全局极值点和个体极值点；针对每个粒子，根据多目标粒子群更新方法，产生一组新的粒子位置，即一组新的解，重复步骤3.4-3.6。

进一步，步骤3.7中，选择粒子的全局极值点和个体极值点的方法如下：

(1)首先从储备集合中任意选出两个互不占优的粒子，并计算两个粒子目标函数值的拥挤距离值；然后，选择拥挤距离值较大的粒子的位置作为当前粒子的全局极值点；重复执行上述操作，直到为所有粒子确定其全局极值点；

(2)利用Pareto支配关系确定粒子的个体极值点，对于任意一个粒子，如果其新生位置的目标函数值Pareto支配该粒子的目标函数值，则选择新位置为该粒子的个体极值点；否则，保持当前粒子的个体极值点不变。

进一步，步骤3.7中，根据多目标粒子群更新方法，产生新解的公式为：

其中，i表示第i个粒子，i的取值范围是[1,N]，N表示粒子的种群数量；j表示第j个决策变量，j的取值范围是[1,K]，K表示决策变量数量，x_i,j(t+1)为新生成的粒子位置，t为算法迭代次数，每产生一组新位置，t的值增加1，t的取值范围是[1,T]，N(a,b)是均值为a、方差为b的高斯分布函数，r₁和U(0,1)为[0,1]中随机数，Gb_i,j(t)表示当前粒子的全局最优的第j个决策变量值，Pb_i,j(t)表示当前粒子的个体最优的第j个决策变量值；Gb_i＝(Gb_i,1,Gb_i,2,…,Gb_i,K)表示当前粒子的全局极值点，Pb_i＝(Pb_i,1,Pb_i,2,…,Pb_i,K)表示当前粒子的个体极值点。

步骤4：算法终止后，输出算法外部储备集中保存的最优解作为算法所得最终结果，即最佳参数取值。多目标智能粒子群优化算法的流程步骤如图3所示。多目标粒子群算法所得结果和第二代遗传算法所得Pareto结果如图4所示。

具体实施结果：以上述徐州地区常规办公室建筑设计为例，设置粒子群规模N＝50，算法终止迭代次数T＝20。表3展示了本实施例所述建筑节能智能设计方法所得最优解集及其指标值。同时，利用一种目前常用的典型多目标智能进化优化算法NSGA-II，替代上述步骤3中所用的多目标智能粒子群优化算法BB-MOPSO，执行本发明所述设计方法，表4展示了基于传统NSGA-II的建筑节能设计方法所得最优解集及其指标值。比较表3和表4中性能指标值，可以得出，本发明方法明显优于基于传统NSGA-II的方法，即基于传统NSGA-II的方法其建筑能耗和用户不舒适小时数指标值都大于本发明方法所得某一解的指标值。例如，表4中基于传统NSGA-II方法所得最优解1，它的建筑能耗和用户不舒适小时数指标值分别为10.55和546.75，都大于表3中本发明方法所得最优解1的两个指标值9.42和340.75。

表3

表4

进一步，采用超体积(HV)测度比较两种方法的优劣，表5给出了本发明所述建筑节能智能设计方法、基于传统NSGA-II的建筑节能设计方法的HV测度值。HV测度可以同时评估一组最优解集的均匀分布性和收敛性。对于任意一组Pareto最优解集，如果其均匀分布性和/或收敛性变好，则其HV值必定增大。分析表5可以得出，本发明所述建筑节能智能设计方法的HV测度值明显大于基于传统NSGA-II的方法的HV测度。换句话说，相对基于传统NSGA-II的方法，本发明所述设计方法可以得到收敛性和均匀分布性更好的解集。

算法	HV(Best)	HV(Worst)	HV(Average)	HV(Std)
					NSGA-II	23634	12898	19831	6849
BBMOPSO	25170	22781	24510	1296

表5。

Claims (4)

1.一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，其特征在于：该方法包括如下步骤：

步骤1：确定建筑的基本结构参数，并制作建筑的3D模型；在绘图软件中将3D模型保存为建筑能耗模拟软件EnergyPlus识别的格式；在EnergyPlus软件中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；

步骤2：选择用来评价建筑优化设计方案优劣的两个性能指标，即建筑能耗和用户不舒适小时数；选择影响上述两个性能指标的K个结构参数，即需要优化的K个决策变量；

步骤3：以建筑能耗和不舒适小时数作为性能评价指标，结合EnergyPlus软件，执行多目标智能粒子群优化算法，直到满足算法设置的迭代次数；

步骤4：算法终止后，输出算法外部储备集中保存的最优解作为算法所得最终结果，即最佳参数取值。

2.根据权利要求1所述的一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，其特征在于：步骤3中，结合EnergyPlus软件，执行多目标智能粒子群优化算法，步骤如下：

步骤3.1：在Matlab中编写多目标智能粒子群优化算法，编写程序搭建Matlab和EnergyPlus的通信接口；

步骤3.2：设置多目标智能粒子群优化算法运行参数，设置决策变量即系统参数的初始值；所述算法运行参数包括粒子群规模N、算法终止迭代次数T；

步骤3.3：在决策变量取值范围内随机生成N个粒子的位置X_i,i＝1,2,…,N，所述N个粒子的位置即为一组解，设置每个粒子的个体极值点Pb_i，Pb_i＝X_i,i＝1,2,…,N，将外部储备集设为空集；

步骤3.4：通过步骤3.1中的通信接口将解导入EnergyPlus，启动EnergyPlus，输出性能指标，即建筑能耗和用户不舒适小时数，作为当前粒子位置的目标函数值；

步骤3.5：更新算法的外部储备集：将外部储备集中已有的粒子位置、粒子位置对应的目标函数值和粒子群中的解及其目标函数值合并成一个新种群；利用Pareto支配关系，选出该种群中互不支配的元素，并将所述互不支配的元素保存到外部储备集中；如果外部储备集中元素数目超过了粒子群规模N，则计算每个元素的拥挤距离值，并保留前N个拥挤距离值最大的元素至外部储备集；

步骤3.6：判断是否达到算法最大迭代次数T，若达到最大迭代次数，则终止算法；否则，继续执行步骤3.7；

步骤3.7：根据外部储备集中元素的分布程度，从外部储备集合中为每个粒子选择它的全局极值点和个体极值点；针对每个粒子，根据多目标粒子群更新方法，产生一组新的粒子位置，即一组新的解，重复步骤3.4-3.6。

3.根据权利要求2所述的一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，其特征在于：步骤3.7中，选择粒子的全局极值点和个体极值点的方法如下：

(1)首先从储备集合中任意选出两个互不占优的粒子，并计算两个粒子目标函数值的拥挤距离值；然后，选择拥挤距离值较大的粒子的位置作为当前粒子的全局极值点；重复执行上述操作，直到为所有粒子确定其全局极值点；

(2)利用Pareto支配关系确定粒子的个体极值点，对于任意一个粒子，如果其新生位置的目标函数值Pareto支配该粒子的目标函数值，则选择新位置为该粒子的个体极值点；否则，保持当前粒子的个体极值点不变。

4.根据权利要求2所述的一种基于多目标智能优化和EnergyPlus的建筑节能设计方法，其特征在于：步骤3.7中，根据多目标粒子群更新方法，产生新解的公式为：

其中，i表示第i个粒子，i的取值范围是[1,N]，N表示粒子的种群数量；j表示第j个决策变量，j的取值范围是[1,K]，K表示决策变量数量，x_i,j(t+1)为新生成的粒子位置，t为算法迭代次数，每产生一组新位置，t的值增加1，t的取值范围是[1,T]，N(a,b)是均值为a、方差为b的高斯分布函数，r₁和U(0,1)为[0,1]中随机数，Gb_i,j(t)表示当前粒子的全局最优的第j个决策变量值，Pb_i,j(t)表示当前粒子的个体最优的第j个决策变量值；Gb_i＝(Gb_i,1,Gb_i,2,…,Gb_i,K)表示当前粒子的全局极值点，Pb_i＝(Pb_i,1,Pb_i,2,…,Pb_i,K)表示当前粒子的个体极值点。