CN111881505B - 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 - Google Patents

一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 Download PDF

Info

Publication number
CN111881505B
CN111881505B CN202010773071.0A CN202010773071A CN111881505B CN 111881505 B CN111881505 B CN 111881505B CN 202010773071 A CN202010773071 A CN 202010773071A CN 111881505 B CN111881505 B CN 111881505B
Authority
CN
China
Prior art keywords
decision
neural network
algorithm
rbf neural
network model
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.)
Active
Application number
CN202010773071.0A
Other languages
English (en)
Other versions
CN111881505A (zh
Inventor
赵晓峰
葛笛
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010773071.0A priority Critical patent/CN111881505B/zh
Publication of CN111881505A publication Critical patent/CN111881505A/zh
Application granted granted Critical
Publication of CN111881505B publication Critical patent/CN111881505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明为一种基于GA‑RBF算法的既有建筑多目标优化改造决策方法，该方法包括以下步骤：以制冷能耗、热舒适、改造成本三者同时达到最小作为既有建筑改造优化目标，并构建目标函数，确定既有建筑多目标优化改造的决策变量种类及数量P，同时确定每个决策变量的优化区间；确定参考建筑，设计正交表；建立既有建筑性能模拟RBF神经网络模型；利用NSGA‑Ⅱ算法对多目标优化计算，在每一次迭代中NSGA‑Ⅱ算法都调用RBF神经网络模型获得输出向量矩阵以更新下一次迭代的种群，实现RBF神经网络模型与NSGA‑Ⅱ算法的动态耦合，获得帕累托最优解集；通过对计算出的帕累托最优解集进行统计学分析，得出决策变量的分布情况，从而获得所需的最优改造措施。提高了实际工程的效率。

Description

一种基于GA-RBF算法的既有建筑多目标优化改造决策方法
技术领域
本发明涉及基于GA-RBF算法的既有建筑多目标优化改造决策方法
背景技术
建造时期较早的既有建筑往往存在热工性能较差的问题，在简单使用暖通空调改善热舒适过程中往往无法达到预期效果或产生过高的能耗，无论从提高宜居水平或节约资源的角度，对既有建筑的合理改造都是必须的。然而既有建筑的改造是一个多因素和多目标的复杂多目标决策问题，难以直观得出改造决策。
如何针对性地选择改造措施和优化目标并进行合理高效的优化是解决这一问题的关键。现有研究的优化只是在预先给定的几类改造措施中进行选择，可选范围相对较窄，对于优化算法的效率也缺乏进一步的考量。
发明内容
本发明的目的是针对既有建筑多目标优化改造的决策过程比较困难的问题，通过软件模拟、数据采集、神经网络模型建立、耦合优化、数据分析等手段，提供了一种基于GA-RBF算法的既有建筑多目标优化改造决策方法，该方法采集了既有建筑性能模拟的输入输出数据，将RBF神经网络与NSGA-Ⅱ算法进行耦合，使用高效率、高精度的GA-RBF多目标优化算法获得决策变量的帕累托最优，针对帕累托最优解集进行统计分析获得最优的改造措施。
本发明所采用的具体技术方案如下：
一种基于GA-RBF算法的既有建筑多目标优化改造决策方法，其特征在于，该方法包括以下步骤：
步骤1：以制冷能耗、热舒适、改造成本三者同时达到最小作为既有建筑改造优化目标，并构建目标函数，确定既有建筑多目标优化改造的决策变量种类及数量P，同时确定每个决策变量的优化区间；
步骤2：确定参考建筑，基于建筑结构信息对参考建筑进行既有建筑性能模拟，设计正交表，根据正交表改变决策变量值模拟得相应的优化目标值，将决策变量与其对应的优化目标值对应作为样本数据；
步骤3：建立既有建筑性能模拟RBF神经网络模型，模型采用三层RBF神经网络；设定神经网络隐层节点数I，中心宽度值S，RBF神经网络模型输入数据为决策变量值构成的向量，输出数据为目标函数值构成的向量；训练RBF神经网络模型，获得最优网络参数下的既有建筑性能模拟RBF神经网络模型；
步骤4：获得最优网络参数下的既有建筑性能模拟RBF神经网络模型作为建筑结构信息模型的简化模型，利用NSGA-Ⅱ算法对多目标优化计算，在每一次迭代中NSGA-Ⅱ算法都调用RBF神经网络模型获得输出向量矩阵以更新下一次迭代的种群，实现RBF神经网络模型与NSGA-Ⅱ算法的动态耦合，获得帕累托最优解集；
步骤5：通过对计算出的帕累托最优解集进行统计学分析，得出决策变量的分布情况，从而获得所需的最优改造措施。
2.所述步骤1中的具体过程是：
1.1确定决策变量和约束：以一年内制冷能耗、热舒适、改造成本为既有建筑改造优化目标，针对既有建筑的结构要求确定决策变量为外墙保温层的传热系数(HTCw)、屋顶保温层的传热系数(HTCr)、屋顶的外侧太阳辐射吸收系数(SRAC)、外窗玻璃的传热系数(U)、外窗玻璃太阳得热系数(SHGC)、空调系统的种类(T)和有无新风热回收机组(F)，共七个决策变量；
确定决策变量的优化区间，即外墙保温层的传热系数的优化范围为0.7～1.2W/m2·k，屋顶保温层的传热系数的优化范围为0.6～0.8W/m2·k，屋顶的外侧太阳辐射吸收系数的优化范围为0～1，外窗玻璃的传热系数的优化范围为1.4～6.4W/m2·k；空调系统的种类优化区间为[1,3]，1对应多联机，2对应一体机，3对应风机盘管加新风系统；有无新风热回收机组F的优化区间为[0,1]，有新风热回收机组对应值为1，无新风热回收机组对应值为0；
1.2确定优化的目标函数及变量约束：
目标函数为：
Figure BDA0002617367290000021
式中，Q(x)为制冷能耗；R(x)为热不适时间比，Cost(x)为改造成本，x为决策变量值构成的向量，X为所有决策变量值构成的向量的矩阵；
Figure BDA0002617367290000022
式中，Tpmv＞0.7指一年中PMV的绝对值超过ISO 7730中较不紧急的舒适类别C的上限0.7，即舒适区域的边界线的时间；
Cost(x)＝AWal×CWal(x)+AR×CR(x)+CWin(x)+CHVAC(x)
式中：AWal为墙体表面积，单位为m2；CWal(x)是选定的墙体保温材料的成本，单位为元/m2；AR是屋顶表面积，单位为m2；CR(x)为所选屋面保温材料的成本，单位为元/m2；CWin(x)是所选窗户类型的成本，单位为元/扇；CHVAC(x)是所选的暖通空调系统的成本，单位为元；
变量约束为：
Figure BDA0002617367290000023
所述步骤2中，按照设计正交表在EnergyPlus建筑性能模拟软件中对参考建筑进行改变各决策变量值的性能模拟，针对每组决策变量获得相应的制冷能耗、热不适时间值，利用目标函数转换为热不适时间比；重复实验获得多组包含决策变量与其对应的制冷能耗、热不适时间比的实验数据；
然后根据获得各类建材及设备的平均市场价，对单价和相应决策变量进行回归分析，获得正交表相应组的对应的成本值，另做一列对应存入之前的实验数据中，最终形成包含所有决策变量与其对应的三个优化目标的样本数据。
所述步骤3中，训练RBF神经网络模型的过程是：
将步骤2的样本数据分为两个部分，其中一部分数据作为训练集，另一部分作为测试集，采用10折交叉验证方式即将样本数据平均分为10组，每次取其中一组作为验证样本，其余9组作为训练样本，利用训练集训练RBF神经网络模型；
同时在MATLAB中设计一个试错程序循环，试错程序循环的具体过程是：根据经验设定网络初始参数，并利用训练集划分后的训练样本数据训练RBF网络；使待优化的网络参数在一定范围内取值，利用训练集划分后验证样本数据验证RBF网络，分别计算网络在不同参数下的网络误差；更改对训练集中验证样本的选择并重复对网络的训练及验证过程，在网络不过度训练前提下，返回误差最小的隐层节点数I、中心宽度值S作为RBF神经网络参数最优解，获得最优网络参数下的既有建筑性能模拟RBF神经网络模型。
RBF神经网络模型与NSGA-Ⅱ算法的动态耦合的具体过程是：
设定NSGA-Ⅱ算法的参数，包括种群数popSize、染色体大小P、优化目标值数量J、最大进化代数maxGen、交叉概率pc、突变概率pm、模拟二进制交叉参数yitaSBX、多项式突变参数yitaMut、输入向量的最大值Xmax、最小值Xmin和终止规则；
初始化种群：初始输入向量矩阵I为：
Figure BDA0002617367290000031
Imp为输入向量矩阵I中的元素，取值为：Imp＝Xmin(p)+[Xmax(p)-Xmin(p)]*rand(1)
其中Imp为第m个染色体序列中第p个决策变量的值，m＝1,2,…,popSize，p＝1,2,…,P；rand(1)是一个0-1的随机数；
将初始输入向量矩阵I输入到训练好的最优网络参数下的既有建筑性能模拟RBF神经网络模型中，得到输出向量矩阵T：
Figure BDA0002617367290000032
其中Tmj为输出向量矩阵T中的元素，表示第个m染色体序列中第j个目标函数的值，m＝1,2,…,popSize，j＝1,2,…,J；
合并输入向量矩阵I及输出向量矩阵T得到初始化种群pop：
Figure BDA0002617367290000041
将初始化种群利用NSGA-Ⅱ算法进行多目标优化，在每一次迭代中NSGA-Ⅱ算法都使用RBF网络获得输出矩阵，判断gen是否小于最大迭代次数max gen，若小于最大迭代次数max gen，则将当前迭代下的NSGA-Ⅱ算法输出的种群提取前P列输入到RBF神经网络模型，RBF神经网络模型当前输出向量矩阵再与NSGA-Ⅱ算法输出的种群提取的前P列拼接后获得NSGA-Ⅱ算法的下一代的更新种群；若达到最大迭代次数max gen，则返回帕累托帕累托前沿集。
通过对最终迭代获得的帕累托最优解集中每一项决策变量进行统计学分析，得出决策变量的分布情况，选择中位数为最优决策变量，根据决策变量的值确定改造材料的种类或改造设备及措施的种类。
步骤5中，根据实际改造措施的倾向性需求，在帕累托最优解集中挑选偏重某个参数的情况，然后再带入到目标函数中，得出当前倾向性需求下七个决策向量的最优改造方案。
采用以上技术方案与现有技术相比，具有以下技术效果：
1.本发明的基于GA-RBF算法的既有建筑多目标优化改造决策方法实现了理论与实际的结合，不再针对有限的若干种措施进行优选，而是在提前设定改造目标后，针对具体的热工参数进行优化，再从优化后的帕累托最优解集中反向统计分析出适合的改造措施，充分体现了智能算法在决策过程中起到的全面性、高效性、智能性，提高了实际工程的效率。
2.本发明的基于GA-RBF算法的既有建筑多目标优化改造决策方法对于一般的多目标优化遗传算法进行了进一步优化，采用具有高效率、高精度的RBF网络优化建筑模型，并在NSGA-Ⅱ算法的每次迭代中进行调用，实现RBF与GA的动态耦合，并在训练过程中实现了对RBF网络自身参数的优化。
附图说明
图1为建筑性能模拟RBF神经网络模型结构示意图；
图2.1为中心节点数对RBF神经网络模型训练误差的影响；
图2.2为中心宽度值S(spread)对RBF神经网络参数优化的结果；
图3为本发明改造决策方法的流程图；
图4为计算得出的帕累托前沿图；
图5.1为针对帕累托前沿的改造措施分析直方图；
图5.2为针对帕累托前沿的改造措施分析直方图和箱线图。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
本发明基于GA-RBF算法的既有建筑多目标优化改造决策方法包括如下步骤：
步骤1：选定以制冷能耗、热舒适、改造成本三者同时达到最小作为既有建筑改造优化目标，并构建目标函数，确定既有建筑多目标优化改造的决策变量种类及数量P，同时确定每个决策变量的优化区间；
步骤2：选定天津某教学楼作为参考建筑，该教学楼建成于20世纪50年代，是4层砖混结构的清水红砖墙建筑，两侧各附属一个后期修建的2层砖混建筑，整体呈三面围合状态。建筑面积为6,345.6m2，建筑窗墙比约为0.2。室内无空调设备，有对流式散热器连接市政热网集中供暖。外墙表面为红砖表面，屋顶表面为预制混凝土板。基于建筑结构信息对参考建筑进行既有建筑性能模拟，设计正交表，根据正交表改变决策变量值模拟得相应的优化目标值，将决策变量与其对应的优化目标值对应作为样本数据；
步骤3：建立既有建筑性能模拟RBF神经网络模型，模型采用三层RBF神经网络；设定神经网络隐层节点数I，中心宽度值S，RBF神经网络模型输入数据为决策变量值构成的向量，输出数据为目标函数值构成的向量，神经网络输入层与隐层之间采用高斯函数描述非线性映射关系，隐层与输出层之间采用加权求和，其中输出节点权值由最小二乘法确定；
步骤4：将步骤2的样本数据分为两个部分，其中一部分数据作为训练集，另一部分作为测试集，利用训练集训练步骤3建立的RBF神经网络模型；
步骤5：设计一个程序循环，使待优化的RBF神经网络参数在一定范围内取值，分别计算网络在不同参数下的训练误差；在网络不过度训练前提下，返回误差最小的隐层节点数I、中心宽度值S作为RBF神经网络参数最优解；
步骤6：以获得的RBF神经网络参数最优解作为RBF神经网络模型的隐层节点数I、中心宽度值S，并利用测试样本检验RBF神经网络模型，通过训练集和验证集得出最优模型后，使用测试集进行模型预测，用来衡量该最优模型的性能。即可以把测试集当做从来不存在的数据集，当已经确定模型参数后，使用测试集进行模型性能评价，比较误差；
步骤7：以获得的确定参数的RBF神经网络模型作为建筑结构信息模型的简化模型，利用NSGA-Ⅱ算法对多目标优化计算，在每一次迭代中NSGA-Ⅱ算法都使用RBF网络获得输出矩阵，实现RBF神经网络模型与非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)的动态耦合，获得帕累托最优解集；
步骤8：通过对计算出的帕累托最优解集进行统计学分析，得出决策变量的分布情况，从而获得所需的最优改造措施。在实际改造决策使用中，可以将待改造建筑的上述七个决策变量输入到GA-RBF算法中，既能确定当前对象的最优改造措施，可选择的范围相对较宽。
所述的步骤1具体过程为：
1.1确定决策变量和约束：以一年内制冷能耗、热舒适、改造成本为既有建筑改造优化目标，针对既有建筑的结构要求确定决策变量为外墙保温层的传热系数(HTCw)、屋顶保温层的传热系数(HTCr)、屋顶的外侧太阳辐射吸收系数(SRAC)、外窗玻璃的传热系数(U)、外窗玻璃太阳得热系数(SHGC)、空调系统的种类(T)和有无新风热回收机组(F)，共七个决策变量。
根据相关规范和文献确定决策变量的优化区间，即外墙保温层的传热系数的可优化范围为0.7～1.2W/m2·k，屋顶保温层的传热系数的可优化范围为0.6～0.8W/m2·k，屋顶的外侧太阳辐射吸收系数的可优化范围为0～1，外窗玻璃的传热系数的可优化范围为1.4～6.4W/m2·k；空调系统的种类优化区间为[1,3]，1对应多联机，2对应一体机，3对应风机盘管加新风系统；有无新风热回收机组F的优化区间为[0,1]，有新风热回收机组对应值为1，无新风热回收机组对应值为0。
1.2确定优化的目标函数及变量约束：
目标函数为：
Figure BDA0002617367290000061
式中，Q(x)为制冷能耗，直接由软件模拟得出；R(x)为热不适时间比，Cost(x)为改造成本，x为决策变量值构成的向量，X为所有决策变量值构成的向量的矩阵。
Figure BDA0002617367290000062
式中，Tpmv＞0.7指一年中PMV(人体舒适智能控制系统)的绝对值超过ISO7730中较不紧急的舒适类别C的上限0.7，即舒适区域的边界线的时间，PMV值由Fanger等人提出的热舒适经验公式得出。
Cost(x)＝AWal×CWal(x)+AR×CR(x)+CWin(x)+CHVAC(x)
式中：AWal为墙体表面积，单位为m2；CWal(x)是选定的墙体保温材料的成本，单位为元/m2；AR是屋顶表面积，单位为m2；CR(x)为所选屋面保温材料的成本，单位为元/m2；CWin(x)是所选窗户类型的成本，单位为元/扇；CHVAC(x)是所选的暖通空调系统的成本，单位为元。相应成本CWal(x)、CR(x)、CWin(x)、CHVAC(x)是根据从各大建材网站及实地调研得到的。
变量约束为：
Figure BDA0002617367290000063
所述的步骤2具体为：
2.1构建参考建筑性能模型：基于待改造的既有建筑，在EnergyPlus建筑性能模拟软件中构建初始参考建筑性能模型，并将既有建筑的所有建筑结构信息输入到初始参考建筑，所述建筑结构信息包括建筑围护结构的布局、厚度、面积、材质、渗透率，地理位置信息和人员活动信息，获得与既有建筑相当的参考建筑性能模型。
2.2设计决策变量正交表：针对外墙保温层的传热系数、屋顶保温层的传热系数、屋顶的外侧太阳辐射吸收系数、外窗玻璃的传热系数、外窗玻璃太阳得热系数、空调系统的种类和有无新风热回收机组这七个决策变量设计正交表，正交表中决策变量的取值在步骤1的优化区间内设置。
2.3软件模拟：利用步骤2.1中构建的参考建筑性能模型，按照设计正交表在EnergyPlus建筑性能模拟软件中对参考建筑进行改变各决策变量值的性能模拟，针对每组决策变量获得相应的制冷能耗、热不适时间值，利用目标函数转换为热不适时间比。重复实验获得一定组包含决策变量与其对应的制冷能耗、热不适时间比的实验数据。
2.4构建成本函数：根据对网络和线下市场调研获得各类建材及设备的平均市场价，根据单价和相应决策变量进行回归分析，根据步骤2.2的决策变量正交表获得相对应的成本值，另做一列对应存入之前的实验数据中，最终形成包含所有决策变量与其对应的三个优化目标的样本数据。
所述的步骤3中的RBF神经网络模型如图1，具体表述为：
RBF神经网络模型拓扑结构分为输入层、隐藏层及输出层；输入变量数为P，隐藏节点数为I，输出变量数为J；输入向量为决策变量值构成的向量；输出变量为目标函数值构成的向量。
使用高斯函数作为RBF神经网络中的径向基函数，其激活函数R为：
Figure BDA0002617367290000071
式中，||xp-ci||为欧式范数；ci为高斯函数的中心；σ为高斯函数的方差。
RBF神经网络的结果输出为：
Figure BDA0002617367290000072
式中，xp为第p个输入变量，p＝1,2,3…P；ci为第i个隐藏层节点的高斯函数中心,i＝1,2,3…I，I为隐藏层节点数；yj为与输入样本对应的网络第j个输出节点的实际输出，j＝1,2,3…,J，J为输出节点数；wij为第i隐藏层到第j输出层的连接权值。
其中，隐藏层至输出层之间神经元的连接权值w用最小二乘法进行计算，其表达式为：
Figure BDA0002617367290000073
式中，cmax为各高斯函数中心间的最大距离。
所述的步骤4对训练集和测试集的选择方法具体为：
在所有样本数据中随机抽取十分之一作为测试集，剩余的样本数据作为训练集。
在训练集中，采用10折交叉验证方式(10-fold cross validation)即将样本数据平均分为10组，每次取其中一组作为验证样本，其余9组作为训练样本，这样可在较少样本下，充分利用每组数据，保证网络模型精度。
所述的步骤5具体为：在MATLAB中设计一个试错程序循环，试错程序循环的具体过程是：根据经验设定网络初始参数(S＝1,I为隐藏层节点数，I的初始参数等于训练样本的数量)并利用训练集划分后的训练样本数据训练RBF网络；使待优化的网络参数在一定范围内取值，利用训练集划分后验证样本数据验证RBF网络，分别计算网络在不同参数下的网络误差；更改对训练集中验证样本的选择并重复对网络的训练及验证过程，在网络不过度训练前提下，返回误差最小的隐层节点数I、中心宽度值S作为RBF神经网络参数最优解。
本实施例中训练集为330组，测试集为33组。
优化后返回的隐层节点数I为300，中心宽度值S为0.5，训练结果如图2.1、图2.2。
所述的步骤7中将获得的RBF神经网络模型与非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)进行动态耦合并运算的具体方法如下：
设定NSGA-Ⅱ算法的参数，包括种群数popSize(矩阵行数)、染色体大小(决策变量个数)P、优化目标值数量J、最大进化代数maxGen、交叉概率pc、突变概率pm、模拟二进制交叉参数yitaSBX、多项式突变参数yitaMut、输入向量的最大值Xmax、最小值Xmin和终止规则；
初始化种群：初始输入向量矩阵I为：
Figure BDA0002617367290000081
Imp的取值为：Imp＝Xmin(p)+[Xmax(p)-Xmin(p)]*rand(1)
其中Imp为第m个染色体序列中第p个决策变量的值，m＝1,2,…,popSize，p＝1,2,…,P；rand(1)是一个0-1的随机数。
将初始输入向量矩阵I输入到训练好的RBF网络中，得到输出向量矩阵T如下：
Figure BDA0002617367290000082
其中Tmj为第个m染色体序列中第j个目标函数的值，m＝1,2,…,popSize，j＝1,2,…,J；
合并(将输出向量矩阵T拼接在输入向量矩阵之后)输入向量矩阵I及输出向量矩阵T得到初始化种群pop如下：
Figure BDA0002617367290000083
由于NSGA-Ⅱ算法是一种比较成熟的用于解决多目标问题的智能优化算法，被广泛证实具有运行速度快，解集的收敛性好的优点，是其他多目标优化算法性能的基准，在此不再赘述具体步骤。在每一次迭代中NSGA-Ⅱ算法都使用RBF网络获得输出矩阵，从而实现了动态耦合。
图3中本发明决策方法的过程是；选定决策变量，并确定优化目标，然后利用变决策变量正交表在EnergyPlus建筑性能模型中进行变决策变量建筑性能模拟，将模拟结果作为样本数据，然后在RBF神经网络模型中进行训练和测试，再将训练后的RBF神经网络模型与NSGA-Ⅱ算法进行耦合，判断gen是否小于最大迭代次数max gen，若小于最大迭代次数max gen，则将当前迭代下的NSGA-Ⅱ算法输出的种群提取前P列输入到RBF神经网络模型，RBF神经网络模型当前输出矩阵再与NSGA-Ⅱ算法输出的种群提取前P列拼接后获得NSGA-Ⅱ算法的下一代的更新种群；若达到最大迭代次数max gen，则返回帕累托帕累托前沿集，进而能确定最优改造措施。
这一GA-RBF算法动态耦合得出的帕累托前沿如图4，其拟合面的光滑度证明了求解出的帕累托最优解的真实性。
步骤8具体为：通过对最终迭代获得的帕累托最优解集中每一项决策变量进行统计学分析，得出决策变量的分布情况，可以选择中位数为最优决策变量，根据决策变量的值确定改造材料的种类或改造设备及措施的种类。当然，也可以根据实际改造措施的倾向性需求，在帕累托最优解集中挑选偏重某个目标的情况，针对该目标最优在帕累托最优解集中搜索得出当前倾向性需求下七个决策向量的最优改造方案。
以外墙保温层的传热系数(HTCw)为例，对求解出的帕累托最优解集中这一决策变量利用SPSS软件进行统计分析，其直方图(参见图5.1，图中横坐标为外墙保温层的传热系数(heattransfercoefficient ofwall，HTCw)，纵坐标为样本数量)和箱线图(参见图5.2)，其箱线图呈现明显的异常值多、尾部重、自由度小、分布呈左偏态的特征；同时对比直方图，可以认为外墙保温层的传热系数取约束范围内较小值更容易得到对目标有利的结果。本次优化中其中位数为0.7680(W/m2·k)，对于该参考建筑，其外墙适宜选用传热系数为0.7680(W/m2·k)的保温材料。
本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于GA-RBF算法的既有建筑多目标优化改造决策方法，其特征在于，该方法包括以下步骤：
步骤1：以制冷能耗、热舒适、改造成本三者同时达到最小作为既有建筑改造优化目标，并构建目标函数，确定既有建筑多目标优化改造的决策变量种类及数量P，同时确定每个决策变量的优化区间；
步骤2：确定参考建筑，基于建筑结构信息对参考建筑进行既有建筑性能模拟，设计正交表，根据正交表改变决策变量值模拟得相应的优化目标值，将决策变量与其对应的优化目标值对应作为样本数据；
步骤3：建立既有建筑性能模拟RBF神经网络模型，模型采用三层RBF神经网络；设定神经网络隐层节点数I，中心宽度值S，RBF神经网络模型输入数据为决策变量值构成的向量，输出数据为目标函数值构成的向量；训练RBF神经网络模型，获得最优网络参数下的既有建筑性能模拟RBF神经网络模型；
步骤4：获得最优网络参数下的既有建筑性能模拟RBF神经网络模型作为建筑结构信息模型的简化模型，利用NSGA-Ⅱ算法对多目标优化计算，在每一次迭代中NSGA-Ⅱ算法都调用RBF神经网络模型获得输出向量矩阵以更新下一次迭代的种群，实现RBF神经网络模型与NSGA-Ⅱ算法的动态耦合，获得帕累托最优解集；
步骤5：通过对计算出的帕累托最优解集进行统计学分析，得出决策变量的分布情况，从而获得所需的最优改造措施；
所述步骤2中，按照设计正交表在EnergyPlus建筑性能模拟软件中对参考建筑进行改变各决策变量值的性能模拟，针对每组决策变量获得相应的制冷能耗、热不适时间值，利用目标函数转换为热不适时间比；重复实验获得多组包含决策变量与其对应的制冷能耗、热不适时间比的实验数据；
然后根据获得各类建材及设备的平均市场价，对单价和相应决策变量进行回归分析，获得正交表相应组的对应的成本值，另做一列对应存入之前的实验数据中，最终形成包含所有决策变量与其对应的三个优化目标的样本数据。
2.根据权利要求1所述的改造决策方法，其特征在于，所述步骤1中的具体过程是：
1.1确定决策变量和约束：以一年内制冷能耗、热舒适、改造成本为既有建筑改造优化目标，针对既有建筑的结构要求确定决策变量为外墙保温层的传热系数(HTCw)、屋顶保温层的传热系数(HTCr)、屋顶的外侧太阳辐射吸收系数(SRAC)、外窗玻璃的传热系数(U)、外窗玻璃太阳得热系数(SHGC)、空调系统的种类(T)和有无新风热回收机组(F)，共七个决策变量；
确定决策变量的优化区间，即外墙保温层的传热系数的优化范围为0.7～1.2W/m2·k，屋顶保温层的传热系数的优化范围为0.6～0.8W/m2·k，屋顶的外侧太阳辐射吸收系数的优化范围为0～1，外窗玻璃的传热系数的优化范围为1.4～6.4W/m2·k；空调系统的种类优化区间为[1,3]，1对应多联机，2对应一体机，3对应风机盘管加新风系统；有无新风热回收机组F的优化区间为[0,1]，有新风热回收机组对应值为1，无新风热回收机组对应值为0；
1.2确定优化的目标函数及变量约束：
目标函数为：
Figure FDA0003587005420000023
式中，Q(x)为制冷能耗；R(x)为热不适时间比，Cost(x)为改造成本，x为决策变量值构成的向量，X为所有决策变量值构成的向量的矩阵；
Figure FDA0003587005420000021
式中，Tpmv＞0.7指一年中PMV的绝对值超过ISO 7730中较不紧急的舒适类别C的上限0.7，即舒适区域的边界线的时间；
Cost(x)＝AWal×CWal(x)+AR×CR(x)+CWin(x)+CHVAC(x)
式中：AWal为墙体表面积，单位为m2；CWal(x)是选定的墙体保温材料的成本，单位为元/m2；AR是屋顶表面积，单位为m2；CR(x)为所选屋面保温材料的成本，单位为元/m2；CWin(x)是所选窗户类型的成本，单位为元/扇；CHVAC(x)是所选的暖通空调系统的成本，单位为元；
变量约束为：
Figure FDA0003587005420000022
3.根据权利要求1所述的改造决策方法，其特征在于，所述步骤3中，训练RBF神经网络模型的过程是：
将步骤2的样本数据分为两个部分，其中一部分数据作为训练集，另一部分作为测试集，采用10折交叉验证方式即将样本数据平均分为10组，每次取其中一组作为验证样本，其余9组作为训练样本，利用训练集训练RBF神经网络模型；
同时在MATLAB中设计一个试错程序循环，试错程序循环的具体过程是：根据经验设定网络初始参数，并利用训练集划分后的训练样本数据训练RBF网络；使待优化的网络参数在一定范围内取值，利用训练集划分后验证样本数据验证RBF网络，分别计算网络在不同参数下的网络误差；更改对训练集中验证样本的选择并重复对网络的训练及验证过程，在网络不过度训练前提下，返回误差最小的隐层节点数I、中心宽度值S作为RBF神经网络参数最优解，获得最优网络参数下的既有建筑性能模拟RBF神经网络模型。
4.根据权利要求1所述的改造决策方法，其特征在于，RBF神经网络模型与NSGA-Ⅱ算法的动态耦合的具体过程是：
设定NSGA-Ⅱ算法的参数，包括种群数popSize、染色体大小P、优化目标值数量J、最大进化代数maxGen、交叉概率pc、突变概率pm、模拟二进制交叉参数yitaSBX、多项式突变参数yitaMut、输入向量的最大值Xmax、最小值Xmin和终止规则；
初始化种群：初始输入向量矩阵I为：
Figure FDA0003587005420000031
Imp为输入向量矩阵I中的元素，取值为：Imp＝Xmin(p)+[Xmax(p)-Xmin(p)]*rand(1)
其中Imp为第m个染色体序列中第p个决策变量的值，m＝1,2,…,popSize，p＝1,2,…,P；rand(1)是一个0-1的随机数；
将初始输入向量矩阵I输入到训练好的最优网络参数下的既有建筑性能模拟RBF神经网络模型中，得到输出向量矩阵T：
Figure FDA0003587005420000032
其中Tmj为输出向量矩阵T中的元素，表示第个m染色体序列中第j个目标函数的值，m＝1,2,…,popSize，j＝1,2,…,J；
合并输入向量矩阵I及输出向量矩阵T得到初始化种群pop：
Figure FDA0003587005420000033
将初始化种群利用NSGA-Ⅱ算法进行多目标优化，在每一次迭代中NSGA-Ⅱ算法都使用RBF网络获得输出矩阵，判断gen是否小于最大迭代次数max gen，若小于最大迭代次数maxgen，则将当前迭代下的NSGA-Ⅱ算法输出的种群提取前P列输入到RBF神经网络模型，RBF神经网络模型当前输出向量矩阵再与NSGA-Ⅱ算法输出的种群提取的前P列拼接后获得NSGA-Ⅱ算法的下一代的更新种群；若达到最大迭代次数max gen，则返回帕累托帕累托前沿集。
5.根据权利要求1所述的改造决策方法，其特征在于，通过对最终迭代获得的帕累托最优解集中每一项决策变量进行统计学分析，得出决策变量的分布情况，选择中位数为最优决策变量，根据决策变量的值确定改造材料的种类或改造设备及措施的种类。
6.根据权利要求1所述的改造决策方法，其特征在于，步骤5中，根据实际改造措施的倾向性需求，在帕累托最优解集中挑选偏重某个参数的情况，然后再带入到目标函数中，得出当前倾向性需求下七个决策向量的最优改造方案。
7.根据权利要求1所述的改造决策方法，其特征在于，最优网络参数下的既有建筑性能模拟RBF神经网络模型的隐层节点数I为300，中心宽度值S为0.5。
CN202010773071.0A 2020-08-04 2020-08-04 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 Active CN111881505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010773071.0A CN111881505B (zh) 2020-08-04 2020-08-04 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010773071.0A CN111881505B (zh) 2020-08-04 2020-08-04 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法

Publications (2)

Publication Number Publication Date
CN111881505A CN111881505A (zh) 2020-11-03
CN111881505B true CN111881505B (zh) 2022-06-03

Family

ID=73211588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010773071.0A Active CN111881505B (zh) 2020-08-04 2020-08-04 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法

Country Status (1)

Country Link
CN (1) CN111881505B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288331B (zh) * 2020-11-24 2022-04-12 哈尔滨工业大学 一种基于语义识别的建筑改建评估系统
CN112364430B (zh) * 2020-12-03 2022-11-18 天津大学 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法
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
CN113591299B (zh) * 2021-07-28 2024-03-26 清华大学 判定不同类型微通道散热器综合性能优劣的方法和系统
CN114580851B (zh) * 2022-01-30 2023-10-03 江苏龙腾工程设计股份有限公司 一种基于全生命周期碳排放计算的既有建筑改造数字化设计方法
CN114861274B (zh) * 2022-05-10 2023-01-24 合肥工业大学 基于eeg信号的实时交互式空间要素优化方法
CN114611201B (zh) * 2022-05-12 2022-07-22 北京中建协认证中心有限公司 一种未来气候建筑多目标节能优化方法和系统
CN114896664B (zh) * 2022-05-12 2023-07-11 浙江大学 园区建筑光伏一体化围护结构优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102781A (zh) * 2014-07-18 2014-10-15 上汽通用五菱汽车股份有限公司 一种基于多目标优化的发动机性能优化方法
CN104951628A (zh) * 2015-07-14 2015-09-30 无锡沃尔福汽车技术有限公司 一种基于多目标优化的发动机热力学仿真模型标定方法
CN107798187A (zh) * 2017-10-24 2018-03-13 北京理工大学 一种高效卫星星座多目标优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102781A (zh) * 2014-07-18 2014-10-15 上汽通用五菱汽车股份有限公司 一种基于多目标优化的发动机性能优化方法
CN104951628A (zh) * 2015-07-14 2015-09-30 无锡沃尔福汽车技术有限公司 一种基于多目标优化的发动机热力学仿真模型标定方法
CN107798187A (zh) * 2017-10-24 2018-03-13 北京理工大学 一种高效卫星星座多目标优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Interval multiobjective optimization of structures based on radial basis function, interval analysis, and NSGA-II";Jin CHENG etc.;《 Zhejiang Univ-Sci A (Appl Phys & Eng) 》;20141231;第15卷(第10期);第3章 *
"基于遗传算法的建筑物理性能优化的精英基因类型研究";张家驹;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》;20190615(第6期);第3、4、6、7章 *

Also Published As

Publication number Publication date
CN111881505A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111881505B (zh) 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法
Zhang et al. Optimal design of building environment with hybrid genetic algorithm, artificial neural network, multivariate regression analysis and fuzzy logic controller
Yu et al. Application of multi-objective genetic algorithm to optimize energy efficiency and thermal comfort in building design
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
Sha et al. Overview of computational intelligence for building energy system design
CN105868853B (zh) 一种短期风电功率组合概率预测方法
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN109084415A (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
Han et al. Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient
Homod et al. Dynamics analysis of a novel hybrid deep clustering for unsupervised learning by reinforcement of multi-agent to energy saving in intelligent buildings
CN103927460A (zh) 一种基于rbf的风电场短期风速预测方法
CN108303898B (zh) 新型太阳能-空气能耦合冷热联供系统的智能调度方法
Ma et al. Reducing the consumption of household systems using hybrid deep learning techniques
Li et al. Model predictive control strategy using encoder-decoder recurrent neural networks for smart control of thermal environment
CN115882463A (zh) 一种商业建筑空调负荷可调度潜力评估方法
CN113268913A (zh) 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
Kusiak et al. Reheat optimization of the variable-air-volume box
CN105550437A (zh) 一种基于遗传算法的室内环境反向设计方法
Giannakis et al. A model-assisted adaptive controller fine-tuning methodology for efficient energy use in buildings
CN114611823B (zh) 电-冷-热-气多能需求典型园区的优化调度方法及系统
Li et al. Thermal comfort control based on MEC algorithm for HVAC systems
CN116776773A (zh) 一种平直翅片管式换热器管型优化系统及方法
Jeen et al. Low emission building control with zero-shot reinforcement learning

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