CN111291442A - 一种高层住宅被动式节能反向设计系统及设计方法 - Google Patents
一种高层住宅被动式节能反向设计系统及设计方法 Download PDFInfo
- Publication number
- CN111291442A CN111291442A CN202010128467.XA CN202010128467A CN111291442A CN 111291442 A CN111291442 A CN 111291442A CN 202010128467 A CN202010128467 A CN 202010128467A CN 111291442 A CN111291442 A CN 111291442A
- Authority
- CN
- China
- Prior art keywords
- building
- energy consumption
- passive
- design
- influence
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005265 energy consumption Methods 0.000 claims abstract description 186
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000005094 computer simulation Methods 0.000 claims abstract description 17
- 230000035945 sensitivity Effects 0.000 claims description 60
- 238000010206 sensitivity analysis Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000004134 energy conservation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000009423 ventilation Methods 0.000 claims description 8
- 241000254032 Acrididae Species 0.000 claims description 6
- 241000238413 Octopus Species 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012407 engineering method Methods 0.000 claims 1
- 238000012938 design process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于建筑室内环境设计技术领域,公开了一种高层住宅被动式节能反向设计系统及设计方法,根据建筑设计类型确定设计参数变量与设计目标;利用测试数据分析不同因素对建筑热环境及能耗状况的影响;结合建筑信息模型采用计算机模拟方法分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律;确定不同被动式因素对建筑能耗的影响特征和取值范围;建立快速预测模型分析高敏感性参数对建筑热环境及能耗影响关系;基于快速预测模型获得满足目标要求的设计方案解集;建立多目标优化模型,进行数据拟合,输出高层住宅被动式节能策略。本发明在保证反向设计收敛性的同时,减少了反向设计计算量40%。
Description
技术领域
本发明属于建筑室内环境设计和建筑节能领域,尤其涉及一种高层住宅被动式节能反向设计系统及设计方法。
背景技术
目前,建筑室内环境设计包含三个主要内容:设计变量、设计目标以及设计方法。设计方法是室内环境设计的核心内容,可按设计方向分为两大类:正向设计与反向设计。正向设计根据设计变量值确定相应的设计目标值,通过不断的尝试或利用设计者本身的经验,对设计变量值进行修正,逐步使设计目标值达到设计要求,进而完成室内环境的设计过程。但由于室内环境设计问题的复杂性和设计参数的非线性等因素,正向设计过程往往很难得到理想的结果。反向设计基于结果求原因的顺序,根据设计目标值确定相应的设计变量值,设计过程存在明确的方向性,且不需要设计者有丰富的经验。因此,反向设计方法在室内环境设计中的适用性更强。
敏感性分析是从多个不确定性因素中逐一找出对建筑室内环境和能耗有重要影响的敏感性因素,并分析、测算其对建筑室内环境和能耗的影响程度和敏感性程度,进而判断建筑室内环境和能耗承受不确定性因素影响的能力。
遗传算法是一种典型的最优化方法,它把优化过程看成是生物种群的进化过程,每个变量可能的解表示成一条染色体的片段,所有变量可能的解按顺序排列成条完整的染色体,每条染色体代表进化过程中的一个个体。与其它优化算法相比,遗传算法更易探索整个设计空间,并找到全局最优解。
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
在研究中,针对影响建筑能耗的被动式因素,通过改变单一或多个因素,确定不同被动式因素对建筑能耗的影响程度。
即,假设模型为,(为模型的第i个影响因素值),使每个被动式影响因素在可能的取值范围内变化,从定量分析的角度预测不同被动式因素的变化对建筑能耗的敏感程度(敏感系数S)。
敏感系数初步定义为:
M为模型输出;ei为不同的被动式影响参数;Δei为ei为设计参数(不同被动式因素)在阈值范围内的取值变化。
在计算分析过程中,依据我国相关节能设计标准,选定各个设计参数的取值变化范围,如围护结构不同部位的传热系数(窗、墙、屋顶)、建筑朝向的偏转临界角度、遮阳板的外挑长度、建筑高度(层数)等。
将不同被动式因素(高敏感性因素为变量,低敏感性因素为定量)作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系。
通过上述分析,现有技术存在的问题及缺陷为:(1)现有技术中,室内环境并节能的反向设计中,收敛性数据处理量大,效率低。
(2)现有建筑正向设计过程往往无法兼顾室内环境设计问题的复杂性和设计参数的非线性等因素,很难得到理想数据结果。
(3)在传统的建筑性能设计过程中,设计师基于设计任务和目标,采用“即绘即模拟”的机制,根据所关注的建筑性能指标需求进行评价,结合计算反馈结果帮助设计师回到方案初期对模型进行调整,进而再次计算和评价。此设计过程虽然可以通过多次“设计、计算、反馈、调整”过程进行“迭代”,才能实现方案优化达到设计目标,但更多依靠设计师或工程师的经验判断来实现,并且在实现理想的最优化方面仍存相当的难度。
解决以上问题及缺陷的难度为:近些年来,随着建筑节能设计目标和建筑性能要求的不断攀升,既有节能设计理论与方法的局限性日益凸显。因此,在节能设计过程中,针对不同参数进行有效的分析和整合,发展一套紧密的优化设计流程,并通过有效的方法手段修正不确定和随机性参数对建筑性能分析结果的影响,在确保预测精度的情况下快速确定优化的节能设计方案,成为节能设计中一项迫在眉睫的任务。
解决以上问题及缺陷的意义为:建立建筑信息模型,分析不同被动式节能技术对建筑能耗与热环境影响状况的影响规律;结合不同被动式影响因素的敏感性分析,确定不同被动式因素对建筑能耗影响的敏感程度;采用反向设计思路,将不同被动式影响因素(高敏感性因素为变量,低敏感性因素为定量)作为参数,结合人工神经网络和遗传算法,建立建筑能耗与热环境状况的快速预测模型,针对多组数据样本进行训练测试,寻求优化的被动式设计组合方案,最终形成高层住宅适用性被动式节能调控策略与技术措施,对促进被动式节能技术体系研究,从而改善人民居住质量,降低建筑能耗以及促进人居环境的可持续发展,具有重要的理论意义与工程实用价值。
发明内容
针对现有技术存在的问题,本发明提供了一种高层住宅被动式节能反向设计系统及设计方法。
本发明是这样实现的,一种高层住宅被动式节能反向设计系统,包括:
参数变量与目标设计模块,用于根据建筑设计类型确定设计参数变量与设计目标;
建筑热环境与能耗影响特征获取模块,与参数变量与目标设计模块连接,用于获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征;
建筑热环境及能耗影响规律分析模块,与建筑热环境与能耗影响特征获取模块连接,用于结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律;
建筑能耗的影响特征和取值范围确定模块,与建筑热环境及能耗影响规律分析模块连接,用于基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;同时以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围;
高敏感性参数对建筑热环境及能耗影响关系分析模块,与建筑能耗的影响特征和取值范围确定模块连接,用于将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系;
设计方案解集获取模块,与高敏感性参数对建筑热环境及能耗影响关系分析模块连接,用于基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集;
高层住宅被动式节能策略获取模块,与设计方案解集获取模块连接,用于建立多目标优化的模型;基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
进一步,所述基于敏感性分析的高层住宅被动式节能反向优化系统进一步包括:
不同被动式因素敏感性函数关系确定模块,与建筑能耗的影响特征和取值范围确定模块连接,用于构建包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据的敏感性参数数据库;
被动式节能多目标优化与策略输出模块,与高层住宅被动式节能策略获取模块连接,用于进行多目标优化,输出建筑低能耗调整方法及被动式节能设计策略。
进一步,所述不同被动式因素敏感性函数关系确定模块中,敏感性参数数据库具体包括:
敏感性参数数据库包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据;
所述建筑热环境与能耗影响特征数据通过统计高层住宅测试数据、热舒适状况相关物理参数数据分析建筑能耗状况与热舒适性,同时基于数据分析与检验得到;
所述被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据基于计算机模拟被动式设计因素以及建筑性能得到不同被动式因素能耗影响规律同时基于敏感性分析得到。
进一步,所述不同被动式因素敏感性函数关系确定模块中,不同被动式因素包含高敏感性因素与低敏感性因素,高敏感性因素为变量,低敏感性因素为定量。
本发明的另一目的在于提供一种高层住宅被动式节能反向设计方法包括:
步骤1,根据建筑设计类型确定设计参数变量与设计目标;
步骤2,获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征;
步骤3,结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律;
步骤4,基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;
步骤5,以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围;将所有参数数据依据敏感性分析整合成数据库;
步骤6,将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本;
步骤7,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系;
步骤8,基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集;
步骤9,建立多目标优化的模型,基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
进一步,步骤1中,参数设置包括:将窗墙比、层高、朝向、遮阳板深度、遮阳板角度、传热系数作为参量,并对参量范围进行限定,以所在地的气象参数为依据,将性能模拟结果的最优值作为设计目标值;并采用反向设计技术,结合参数化方法,集成建筑性能信息。
进一步,步骤8中,迭代优化方法包括:
使用grasshopper插件对建筑UDI、PDD和能量进行计算,并利用Octopus对三个目标值进行优化迭代,经过48小时的36代的计算以后,求解面板区域稳定,形成帕累托前沿。
进一步,所述grasshopper插件中,每一个满足限定条件的自变量进行优化计算后,对日照时数进行控制,输出的结果以热辐射得热量和建筑能耗为评判要求,输入Octopus中进行多目标优化计算,最后求得最优解。
本发明的另一目的在于提供一种一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述高层住宅被动式节能反向设计方法。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述高层住宅被动式节能反向设计方法。
综上所述,本发明的优点及积极效果为:本发明提出的进一步加大绿色建筑与建筑节能减排力度要求,以区域环境适应性建筑节能为目标,提出了高层住宅建筑环境适应性与被动式节能设计研究的思路与方法。所涉及的科学领域包括建筑学、环境学、统计学以及计算机科学等相关的理论和技术,体现了多学科交叉理论与方法的综合应用,具有一定的开拓性和前瞻性。(1)基于提出的反向设计思路,在敏感性分析基础上,将影响建筑能耗的不同被动式因素(高敏感性因素为变量,低敏感性因素为定量)作为参数,采用人工神经网络方法和遗传算法,建立以建筑节能和热环境改善为目标的快速模型(理论模型),用于建筑能耗运行模式评估,寻求优化的被动式设计方案,是对建筑节能研究方法上的有益尝试和补充。
(2)针对高层住宅被动式因素敏感性分析与优化设计的系统研究,提出可操作的夏热冬冷地区被动式节能调控策略与手段,为气候适应性被动节能理论研究拓展与工程实际应用提供参考。
本发明提供了一种基于敏感性分析、耦合遗传算法和神经网络用于提高室内环境并节能的反向设计方法,本发明与只使用遗传算法与建筑性能模拟相结合的方法相比,在保证反向设计收敛性的同时,减少反向设计计算量40%。
本发明通过反向设计在提高设计效率的同时能够实现多目标优化。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高层住宅被动式节能反向设计方法流程图。
图2是本发明实施例提供的高层住宅被动式节能反向设计系统示意图。
图中:1、参数变量与目标设计模块;2、建筑热环境与能耗影响特征获取模块;3、建筑热环境及能耗影响规律分析模块;4、建筑能耗的影响特征和取值范围确定模块;5、高敏感性参数对建筑热环境及能耗影响关系分析模块;6、设计方案解集获取模块;7、高层住宅被动式节能策略获取模块;8、不同被动式因素敏感性函数关系确定模块;9、被动式节能多目标优化与策略输出模块。
图3是本发明实施例1提供的高层住宅被动式节能反向设计方法原理图。
图4是本发明实施例1提供的神经网络分析结构图。
图5是本发明实施例1提供的多元目标优化模型示意图。
图6是本发明实施例2提供的高层住宅被动式参数化节能优化设计方法流程图。
图7是本发明实施例2提供的变量控制及结构效果图。
图8是本发明实施例2提供的迭代计算优化方案结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实验案例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有建筑正向设计过程往往无法兼顾室内环境设计问题的复杂性和设计参数的非线性等因素,很难得到理想的结果。
现有技术中,室内环境并节能的反向设计中,收敛性数据处理量大,效率低。
下面结合附图对本发明的技术方案与技术效果做详细说明。
如图1所示,本发明实施例提供的高层住宅被动式节能反向设计方法具体包括:
S101,根据建筑设计类型确定设计参数变量与设计目标。
S102,针对不同类型高层住宅,获取不同高度(层数)、不同户型的室内外温湿度、室内外风速、辐射温度等物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,总结建筑热环境与能耗影响特征为建筑性能指标确定以及节能设计分析提供基础性支撑数据。
S103,结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射等状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律。
S104,基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;同时以建筑节能为约束目标,采用SPSS软件,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素(高敏感性因素)对建筑能耗的影响特征和取值范围(阈值)。
S105,将不同被动式因素(高敏感性因素为变量,低敏感性因素为定量)作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系。
S106,基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,神经网络-遗传算法(GA-BP)作为方案种群的适应度函数评价工具,针对多组模拟数据进行训练与测试,经过N代的遗传操作优化后,获得满足目标要求的设计方案解集(优化方案)。
S107,通过使用Matlab的Optimization工具箱进行编程,建立多目标优化的模型;基于获取的优化方案,采用SPSS软件同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,提出高层住宅被动式节能策略。
如2所示,本发明实施例提供一种高层住宅被动式节能反向设计系统,包括:
参数变量与目标设计模块1,用于根据建筑设计类型确定设计参数变量与设计目标。
建筑热环境与能耗影响特征获取模块2,与参数变量与目标设计模块连接,用于获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征。
建筑热环境及能耗影响规律分析模块3,与建筑热环境与能耗影响特征获取模块连接,用于结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律。
建筑能耗的影响特征和取值范围确定模块4,与建筑热环境及能耗影响规律分析模块连接,用于基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;同时以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围。
高敏感性参数对建筑热环境及能耗影响关系分析模块5,与建筑能耗的影响特征和取值范围确定模块连接,用于将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系。
设计方案解集获取模块6,与高敏感性参数对建筑热环境及能耗影响关系分析模块连接,用于基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集。
高层住宅被动式节能策略获取模块7,与设计方案解集获取模块连接,用于建立多目标优化的模型;基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
在本发明中,基于敏感性分析的高层住宅被动式节能反向优化系统进一步包括:
不同被动式因素敏感性函数关系确定模块8,与建筑能耗的影响特征和取值范围确定模块4连接,用于构建包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据的敏感性参数数据库;
被动式节能多目标优化与策略输出模块9,与高层住宅被动式节能策略获取模块7连接,用于进行多目标优化,输出建筑低能耗调整方法及被动式节能设计策略。
所述不同被动式因素敏感性函数关系确定模块8中,敏感性参数数据库具体包括:
敏感性参数数据库包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据;
所述建筑热环境与能耗影响特征数据通过统计高层住宅测试数据、热舒适状况相关物理参数数据分析建筑能耗状况与热舒适性,同时基于数据分析与检验得到。
所述被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据基于计算机模拟被动式设计因素以及建筑性能得到不同被动式因素能耗影响规律同时基于敏感性分析得到。
所述不同被动式因素敏感性函数关系确定模块8中,不同被动式因素包含高敏感性因素与低敏感性因素,高敏感性因素为变量,低敏感性因素为定量。
下面结合具体实施例对本发明的技术方案与技术效果做进一步描述。
实施例1
本发明实施例提供的应用所述高层住宅被动式节能反向设计方法包括:
步骤1,根据建筑设计类型确定设计参数变量与设计目标。
步骤2,分析不同因素对建筑热环境及能耗状况的影响,基于测试数据分析,总结建筑热环境与能耗影响特征为建筑性能指标确定以及节能设计分析提供基础性支撑数据。结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射等状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律。
步骤3,基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度。在此基础上,以建筑节能为约束目标,采用SPSS软件,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素(高敏感性因素)对建筑能耗的影响特征和取值范围(阈值)。
步骤4,将不同被动式因素(高敏感性因素为变量,低敏感性因素为定量)作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系。
步骤5,基于上述建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,神经网络-遗传算法(GA-BP)作为方案种群的适应度函数评价工具,针对多组模拟数据进行训练与测试,经过N代的遗传操作优化后,获得满足目标要求的设计方案解集(优化方案)。通过使用Matlab的Optimization工具箱进行编程,建立多目标优化的模型;基于获取的优化方案,采用SPSS软件同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性。从而得出优化的高层住宅被动式节能策略。
图3是本发明实施例提供的高层住宅被动式节能反向设计方法原理图。
图4是本发明实施例提供的神经网络分析结构图。
图5是本发明实施例提供的多元目标优化模型示意图。
实施例2
本发明公开了一种高层住宅被动式参数化节能优化设计方法,有别于传统高层住宅设计方法,在注重被动式节能设计优化方法的前提下,把对建筑设计结果的关注转变为对设计过程和控制的关注。这种设计方法为节能理念与参数化设计的结合提供了更多可能性。
敏感性分析是模型输入的不确定性如何影响模型输出的方法,即不确定的参数输入对模型输出不确定性的影响研究。其主要内容是定性或定量分析模型输出的变化如何分配到模型输入参数的不确定性上,简单来说,就是分析各个输入参数对模型输出的影响程度。敏感性分析本质上是通过模型的数学性质来研究模型的内在特性,只要有输入和输出数据,就可以分析任何一个模型或系统。其主要目的是通过计算敏感性指数来比较各个输入参数的相对重要性。
敏感性分析主要作用有:1)明确各个输入参数对模型输出结果变化的贡献,进而对模型结果的不确定性进行控制;2)确定重要的输入参数,探索其影响规律及合理取值;3)确定影响偏弱的参数,剔除或是固定这些参数的取值,达到简化模型的目的;4)确定不同参数组合对模型结果的影响,分析参数之间的交互作用;5)为模型的目标优化奠定基础。在建筑设计过程中,建筑师可以利用敏感性分析方法来观察输入参数的变动引起的能耗变化,从而找到相对重要的参数,既能明晰各个参数的节能潜力,又能提出相应的节能策略,可以大幅提高设计效率和建筑性能。
如图6所示,本发明提供一种高层住宅被动式参数化节能优化设计方法包括:
①根据建筑设计类型确定设计参数变量与设计目标。
②获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征。
③结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律。
④基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度。
⑤以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围;将所有参数数据依据敏感性分析整合成数据库。
⑥将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本。
⑦对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系。
⑧基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集。
⑨建立多目标优化的模型;基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
作为优选实施例,参数设置包括:
以夏热冬冷地区的武汉市为例,将参数化设计介入场地设计前期,使建筑在满足硬性指标要求的基础上,对建筑UDI(有效天然采光时间百分比)、PDD(热环境不舒适时间)、能耗进行优化设计。
在此方案中,对已有条件进行分析判断,形成初步设计。在初步设计中将窗墙比、层高、朝向、遮阳板深度、遮阳板角度、传热系数作为参量,并以各个规范要求对参量范围进行限定,以项目所在地的气象参数为依据,最后将性能模拟结果的最优值作为设计目标值。采用反向设计思路,结合参数化方法,集成建筑性能信息。如图7变量控制及结构效果图所示。
作为优选实施例,迭代优化方法包括:
计算中,使用grasshopper插件energyplus、radiance、daysim、openstudio等对建筑UDI、PDD和能量进行计算,并利用Octopus对三个目标值进行优化迭代,经过48小时的36代的计算以后,求解面板区域稳定,形成帕累托前沿。如图8迭代计算优化方案结果所示。
作为优选实施例,普拉多前沿结果筛选:
在Grasshopper中,每一个满足限定条件的自变量进行优化计算后,对日照时数进行控制,输出的结果以热辐射得热量和建筑能耗为评判要求,输入Octopus中进行多目标优化计算,最后求得最优解。
表1给出了符合设定参数要求的8个优化计算结果。在此基础上进行设计相关参数的筛选,方案1、3、4、5和6由于采光不满足设计要求,被剔除。方案2、7和8符合了基本设定要求,而方案2、7、8中,方案7和方案8的UDI(有效天然采光时间百分比)、PDD(热环境不舒适时间)和能耗值有最优解。
表1优化计算结果对比筛选
下面结合具体效果对本发明作进一步描述。
本发明提出以节能为目标导向的设计流程:传统建筑设计流程建筑师主要考虑的是流线、形态、功能、空间、结构体系、材料等,以功能为目标导向的建筑主要解决的是功能问题。本发明提出以节能为目标导向的反向设计方法,将建筑能耗模拟计算引入建筑节能设计的各个环节,当节能作为建筑设计过程中的重点,目的是解决建筑的能耗问题。弥补传统建筑设计方法存在的缺陷。使建筑师在设计方案的过程中对建筑能耗有一个直观的掌握,及时调整建筑方案。
在传统设计流程中,由于建筑能耗的影响因素是多维度的,并且是互相影响互相制约的,例如,窗洞越大,采光能耗越少,但随之热损耗也会升高,采暖能耗会增加。往往采用主观判断的方式进行设计,无法进行量化分析,运用反向设计方法,对有效策略进行优化组合可得出多个低能耗策略组合方案。对于筛选出的策略组合可采用性能模拟软件对优选方案进行验证和评估,得出空间性能最优化的方案,以弥补仅用定性设计策略而缺乏科学量化得出设计方案的不足。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高层住宅被动式节能反向设计系统,其特征在于,所述高层住宅被动式节能反向设计系统包括:
参数变量与目标设计模块,用于根据建筑设计类型确定设计参数变量与设计目标;
建筑热环境与能耗影响特征获取模块,与参数变量与目标设计模块连接,用于获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征;
建筑热环境及能耗影响规律分析模块,与建筑热环境与能耗影响特征获取模块连接,用于结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律;
建筑能耗的影响特征和取值范围确定模块,与建筑热环境及能耗影响规律分析模块连接,用于基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;同时以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围;
高敏感性参数对建筑热环境及能耗影响关系分析模块,与建筑能耗的影响特征和取值范围确定模块连接,用于将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系;
设计方案解集获取模块,与高敏感性参数对建筑热环境及能耗影响关系分析模块连接,用于基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集;
高层住宅被动式节能策略获取模块,与设计方案解集获取模块连接,用于建立多目标优化的模型;基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
2.如权利要求1所述高层住宅被动式节能反向设计系统,其特征在于,所述基于敏感性分析的高层住宅被动式节能反向优化系统进一步包括:
不同被动式因素敏感性函数关系确定模块,与建筑能耗的影响特征和取值范围确定模块连接,用于构建包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据的敏感性参数数据库;
被动式节能多目标优化与策略输出模块,与高层住宅被动式节能策略获取模块连接,用于进行多目标优化,输出建筑低能耗调整方法及被动式节能设计策略。
3.如权利要求2所述高层住宅被动式节能反向设计系统,其特征在于,所述不同被动式因素敏感性函数关系确定模块中,敏感性参数数据库具体包括:
敏感性参数数据库包含建筑热环境与能耗影响特征以及被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据;
所述建筑热环境与能耗影响特征数据通过统计高层住宅测试数据、热舒适状况相关物理参数数据分析建筑能耗状况与热舒适性,同时基于数据分析与检验得到;
所述被动式因素在不同组合情况下对建筑热环境及能耗影响规律相关数据基于计算机模拟被动式设计因素以及建筑性能得到不同被动式因素能耗影响规律同时基于敏感性分析得到。
4.如权利要求2所述高层住宅被动式节能反向设计系统,其特征在于,所述不同被动式因素敏感性函数关系确定模块中,不同被动式因素包含高敏感性因素与低敏感性因素,高敏感性因素为变量,低敏感性因素为定量。
5.一种如权利要求1~4任意一项所述高层住宅被动式节能反向设计系统的高层住宅被动式节能反向设计方法,其特征在于,所述高层住宅被动式节能反向设计方法包括:
步骤1,根据建筑设计类型确定设计参数变量与设计目标;
步骤2,获取不同高度、不同户型的室内外温湿度、室内外风速、辐射温度物理参数的测试数据,分析不同因素对建筑热环境及能耗状况的影响,基于数据分析,获取建筑热环境与能耗影响特征;
步骤3,结合建筑信息模型,采用计算机模拟方法对建筑能耗、通风、日照、遮阳、太阳辐射状况进行模拟,分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律;
步骤4,基于不同形式被动式因素对建筑热环境与能耗影响规律分析,通过敏感性分析方法分析不同被动式因素对建筑能耗影响的敏感程度;
步骤5,以建筑节能为约束目标,将敏感性分析结果与不同被动式因素的能耗影响规律进行拟合回归,确定不同被动式因素对建筑能耗的影响特征和取值范围;将所有参数数据依据敏感性分析整合成数据库;
步骤6,将不同被动式因素作为参数,采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型,利用已知的输入、输出数据作为学习和测试样本;
步骤7,对网络模型进行训练与测试,得到精确的网络模型,分析高敏感性参数对建筑热环境及能耗影响关系;
步骤8,基于得到的建筑能耗与热环境状况快速预测模型,以全年建筑低能耗和热环境改善为评价指标,将NSGA-Ⅱ作为方案搜索引擎,采用神经网络-遗传算法GA-BP进行种群的适应度函数评价,对多组模拟数据进行训练与测试,经过N代的遗传操作优化,获得满足目标要求的设计方案解集;
步骤9,建立多目标优化的模型,基于获取的设计方案解集,同计算机模拟分析结果进行数据拟合,对比分析不同被动式优化设计方案对建筑节能的有效性,获得高层住宅被动式节能策略。
6.如权利要求5所述的高层住宅被动式节能反向设计方法,其特征在于,步骤1中,参数设置包括:将窗墙比、层高、朝向、遮阳板深度、遮阳板角度、传热系数作为参量,并对参量范围进行限定,以所在地的气象参数为依据,将性能模拟结果的最优值作为设计目标值;并采用反向设计技术,结合参数化方法,集成建筑性能信息。
7.如权利要求5所述的高层住宅被动式节能反向设计方法,其特征在于,步骤8中,迭代优化方法包括:
使用grasshopper插件对建筑UDI、PDD和能量进行计算,并利用Octopus对三个目标值进行优化迭代,经过48小时的36代的计算以后,求解面板区域稳定,形成帕累托前沿。
8.如权利要求7所述的高层住宅被动式节能反向设计方法,其特征在于,所述grasshopper插件中,每一个满足限定条件的自变量进行优化计算后,对日照时数进行控制,输出的结果以热辐射得热量和建筑能耗为评判要求,输入Octopus中进行多目标优化计算,最后求得最优解。
9.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求5~8任意一项所述高层住宅被动式节能反向设计方法。
10.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求5~8任意一项所述高层住宅被动式节能反向设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128467.XA CN111291442A (zh) | 2020-02-28 | 2020-02-28 | 一种高层住宅被动式节能反向设计系统及设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128467.XA CN111291442A (zh) | 2020-02-28 | 2020-02-28 | 一种高层住宅被动式节能反向设计系统及设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291442A true CN111291442A (zh) | 2020-06-16 |
Family
ID=71022470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010128467.XA Pending CN111291442A (zh) | 2020-02-28 | 2020-02-28 | 一种高层住宅被动式节能反向设计系统及设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291442A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131646A (zh) * | 2020-09-24 | 2020-12-25 | 江苏朗图建筑设计有限公司 | 一种模拟进行节能建筑设计方法及其系统 |
CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
CN112507439A (zh) * | 2020-12-23 | 2021-03-16 | 深圳万都时代绿色建筑技术有限公司 | 一种改善建筑场地及建筑室内环境性能的优化设计方法 |
CN112668081A (zh) * | 2020-12-23 | 2021-04-16 | 深圳万都时代绿色建筑技术有限公司 | 基于建筑外窗的遮阳设计改善建筑室内环境性能的方法 |
CN112733246A (zh) * | 2021-01-22 | 2021-04-30 | 上海建工四建集团有限公司 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
CN113343334A (zh) * | 2021-05-28 | 2021-09-03 | 同济大学 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
CN114200988A (zh) * | 2021-12-06 | 2022-03-18 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理系统 |
CN114818059A (zh) * | 2022-04-11 | 2022-07-29 | 深圳市微筑科技有限公司 | 建筑节能策略优化控制方法、装置、设备及可读存储介质 |
CN115964780A (zh) * | 2022-12-14 | 2023-04-14 | 中国建筑设计研究院有限公司 | 基于遮阳系统的建筑能耗模拟方法、装置、介质及设备 |
CN116933380A (zh) * | 2023-09-12 | 2023-10-24 | 北京装库创意科技有限公司 | 基于深度学习的户型图拆解分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804802A (zh) * | 2018-06-05 | 2018-11-13 | 西安建筑科技大学 | 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 |
KR101988372B1 (ko) * | 2018-11-30 | 2019-06-12 | 주식회사 큐픽스 | 사진 이미지를 이용한 3차원 건축물 모델 역설계 장치 및 방법 |
-
2020
- 2020-02-28 CN CN202010128467.XA patent/CN111291442A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804802A (zh) * | 2018-06-05 | 2018-11-13 | 西安建筑科技大学 | 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 |
KR101988372B1 (ko) * | 2018-11-30 | 2019-06-12 | 주식회사 큐픽스 | 사진 이미지를 이용한 3차원 건축물 모델 역설계 장치 및 방법 |
Non-Patent Citations (5)
Title |
---|
M.S.ROUDSARI,M.PAK: "Lady bug:A parametric environmental plugin for grasshopper to help designers create an environmentally-conscious design", 《PROCEEDINGS OF BS2013:13TH CONFERENCE OF INTERNATIONAL BUILDING PERFORMANCE SIMULATION ASSOCIATION》 * |
冯国会,徐小龙,王悦,王楷然: "以能耗为导向的近零能耗建筑围护结构设计参数敏感性分析", 《沈阳建筑大学学报( 自然科学版)》 * |
喻伟,王迪,李百战: "居住建筑室内热环境低能耗营造的多目标设计方法", 《土木建筑与环境工程》 * |
林波荣等: "面向设计初期的建筑节能优化方法", 《科学通报》 * |
袁磊等: "住区布局多目标自动寻优的模拟方法", 《深圳大学学报(理工版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131646A (zh) * | 2020-09-24 | 2020-12-25 | 江苏朗图建筑设计有限公司 | 一种模拟进行节能建筑设计方法及其系统 |
CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
CN112504348B (zh) * | 2020-12-11 | 2023-07-25 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
CN112507439A (zh) * | 2020-12-23 | 2021-03-16 | 深圳万都时代绿色建筑技术有限公司 | 一种改善建筑场地及建筑室内环境性能的优化设计方法 |
CN112668081A (zh) * | 2020-12-23 | 2021-04-16 | 深圳万都时代绿色建筑技术有限公司 | 基于建筑外窗的遮阳设计改善建筑室内环境性能的方法 |
CN112733246B (zh) * | 2021-01-22 | 2023-04-07 | 上海建工四建集团有限公司 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
CN112733246A (zh) * | 2021-01-22 | 2021-04-30 | 上海建工四建集团有限公司 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
CN113343334A (zh) * | 2021-05-28 | 2021-09-03 | 同济大学 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
CN113343334B (zh) * | 2021-05-28 | 2022-11-15 | 同济大学 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
CN114200988A (zh) * | 2021-12-06 | 2022-03-18 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理系统 |
CN114200988B (zh) * | 2021-12-06 | 2023-01-10 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理系统 |
CN114818059A (zh) * | 2022-04-11 | 2022-07-29 | 深圳市微筑科技有限公司 | 建筑节能策略优化控制方法、装置、设备及可读存储介质 |
CN114818059B (zh) * | 2022-04-11 | 2023-08-29 | 深圳市微筑科技有限公司 | 建筑节能策略优化控制方法、装置、设备及可读存储介质 |
CN115964780A (zh) * | 2022-12-14 | 2023-04-14 | 中国建筑设计研究院有限公司 | 基于遮阳系统的建筑能耗模拟方法、装置、介质及设备 |
CN116933380A (zh) * | 2023-09-12 | 2023-10-24 | 北京装库创意科技有限公司 | 基于深度学习的户型图拆解分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291442A (zh) | 一种高层住宅被动式节能反向设计系统及设计方法 | |
Wang et al. | A three-stage optimization methodology for envelope design of passive house considering energy demand, thermal comfort and cost | |
Kirimtat et al. | Multi-objective energy and daylight optimization of amorphous shading devices in buildings | |
Asadi et al. | Multi-objective optimization for building retrofit: A model using genetic algorithm and artificial neural network and an application | |
CN112149209B (zh) | 一种建筑多性能导向设计的优化方法 | |
Wu et al. | Multi-objective optimization of energy, visual, and thermal performance for building envelopes in China's hot summer and cold winter climate zone | |
Zhang et al. | Development of the heating load prediction model for the residential building of district heating based on model calibration | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
Liu et al. | Coupled simulation of natural ventilation and daylighting for a residential community design | |
Huo et al. | Sensitivity analysis and prediction of shading effect of external Venetian blind for nearly zero-energy buildings in China | |
Cao et al. | A three-stage decision-making process for cost-effective passive solutions in office buildings in the hot summer and cold winter zone in China | |
CN114662201A (zh) | 一种自然通风智能调控的寻优方法 | |
Han et al. | An interactive multi-criteria decision-making method for building performance design | |
Song et al. | Study on optimization method of summer nature ventilation for residential buildings in typical thermal zone of Xinjiang, China | |
CN114037165B (zh) | 一种考虑多源不确定性的建筑冷热负荷预测方法 | |
Liu et al. | Building information modelling-enabled multi-objective optimization for energy consumption parametric analysis in green buildings design using hybrid machine learning algorithms | |
Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
Nie et al. | Adaptive Façades Strategy: An architect-friendly computational approach based on co-simulation and white-box models for the early design stage | |
Yin et al. | Multi-objective optimization of window configuration and furniture arrangement for the natural ventilation of office buildings using Taguchi-based grey relational analysis | |
CN113947261A (zh) | 一种建筑节能改造优化决策支持方法 | |
Li et al. | Multi-objective optimization design of residential area based on microenvironment simulation | |
Wang et al. | Thermal performance optimization for housing unit design in a cold region of China | |
CN115660338A (zh) | 一种西南边跨境区域的典型建筑冷热电负荷模型构建方法 | |
Bahdad et al. | An Investigation-Based Optimization Framework of Thermal Comfort Analysis in Underground Enclosed Spaces Affected by Multiple Parameters for Energy Performance in Tropics | |
CN112418668A (zh) | 一种天然气分布式能源区域用户冷热电负荷预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |