CN112100718B - 一种基于智能算法及能耗综合优化的城市建筑群设计方法 - Google Patents
一种基于智能算法及能耗综合优化的城市建筑群设计方法 Download PDFInfo
- Publication number
- CN112100718B CN112100718B CN202010887275.7A CN202010887275A CN112100718B CN 112100718 B CN112100718 B CN 112100718B CN 202010887275 A CN202010887275 A CN 202010887275A CN 112100718 B CN112100718 B CN 112100718B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building group
- urban
- energy
- urban building
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 104
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000013461 design Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 24
- 238000005094 computer simulation Methods 0.000 claims abstract description 13
- 230000001808 coupling effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000007418 data mining Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 241000254032 Acrididae Species 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 241000256844 Apis mellifera Species 0.000 claims description 8
- 241000255749 Coccinellidae Species 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims 2
- 239000002737 fuel gas Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
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
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于智能算法及能耗综合优化的城市建筑群设计方法,包括以下步骤:建立城市建筑群形态信息和城市建筑群能源消耗数据库;利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;挖掘真实环境中能耗与城市形态的关联性;结合智能算法和计算机仿真模拟,对真实环境下能源驱动的城市建筑群形态与理想环境下仿真模拟的城市建筑群形态进行分析、比对与评估;利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台。本发明城市建筑群设计方法通过对城市建筑群形态特征和建筑能耗信息的数据采集,初步建立样本城市城市形态与能耗数据库,为城市设计与能耗研究提供基础信息和数据支撑。
Description
技术领域
本发明涉及智能算法与城市建筑群设计技术领域,具体是一种基于智能算法及能耗综合优化的城市建筑群设计方法。
背景技术
城市能源是城市经济运行的重要物质基础,是驱动城市经济发展的动力源、生产和生活正常运行的“血液”与“命脉”。长期以来,城市规划设计大都聚焦于土地使用、空间结构、功能布局、交通规划和公共设施配置等公众关心的社会问题,能源规划没有得到应有的重视。传统的需求侧城市节能方法强调在“人的使用、技术系统或建筑层面”对能源使用进行干预,但就城市层级的针对性研究相对缺乏,尤其是对城市建筑群形态因子(密度、肌理与类型)与能耗的相关性问题的重视程度明显不足。因此,有必要在城市层级针对城市建筑群形态因子与能耗的相互作用与影响展开关联性研究,揭示能耗与城市建筑群形态的影响机理和作用机制,进而提出高能效城市建筑群形态设计的创新理念与模式。
时至今日,欧美不少国家已经相继建立起与能源相关的各类数据库,为数众多的高校、国家实验室等都已长期展开针对性研究,研究成果不断涌现。与之相比,目前我国学者的相关研究主要是从城市规划视角切入的以定性分析为主的研究,有待尽快建设我国自己的城市能源数据库,应包含城市建筑、气候因素以及建筑能源使用的数据信息;在技术上应紧跟机器学习和人工智能的发展脉搏,尽快建立我国自己的大型技术运算平台。
总体来看,在现有城市节能研究中“现象问题策略”式的应用型研究依然占主要部分,而“机理机制调控”式的探索型研究相对较少。本设计方法以高能效城市建筑群形态设计作为研究的切入点,引入能耗仿真模拟与优化方法,以环境性能为导向,使城市建筑群形态设计与能耗评价同步进行;重点突出对城市建筑群形态因子与能耗之间的相关性及耦合机理的考察,力求建立城市建筑群形态因子与能耗如何形成良性互动的评价标准和体系,深化对高能效城市建筑群形态设计优化规律的认识,通过智能算法:机器学习、强化学习、集成算法等,寻找具有最佳环境舒适度和低能耗的城市建筑群形态寻优路径和理想模式
发明内容
本发明的目的在于提供一种基于智能算法及能耗综合优化的城市建筑群设计方法,通过对城市建筑群形态特征和建筑能耗信息的数据采集,初步建立样本城市城市形态与能耗数据库,为相关城市设计与能耗研究提供基础信息和数据支撑;提取影响能源绩效的城市建筑群形态特征及其主要驱动因子,为高能效城市形态的评价分级提供机器学习样本;并根据上述城市形态驱动因子,耦合机器学习、强化学习等智能算法实现真实环境中城市形态与能源绩效的机理揭示和评价分级;基于Grasshopper仿真模型以及GIS、统计分析等评估工具,研究城市气候仿真模型和可视化统计分析评估方法,实现高能效城市建筑群形态设计方案的自动寻优;利用集成算法对能源驱动的城市建筑群形态评价分级和仿真模拟的城市形态自动寻优结果进行算法分析与科学研判,实现城市建筑群形态与能耗耦合机理与模式研究,并构建高能效城市建筑群形态作用框架与运算平台。
本发明的目的可以通过以下技术方案实现:
一种基于智能算法及能耗综合优化的城市建筑群设计方法,城市建筑群设计方法包括以下步骤:
S1:建立城市建筑群形态信息和城市建筑群能源消耗数据库;
通过调研获取城市形态基本信息、能耗数据、气象数据,建立城市建筑群形态信息和城市建筑群能源消耗数据库;所述形态信息包括样本建筑群的类型、密度、平面轮廓,能源消耗数据包括建筑群消耗的水、电、燃气;
S2:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;
S3:挖掘真实环境中能耗与城市形态的关联性;
S4:结合智能算法和计算机仿真模拟,对真实环境下能源驱动的城市建筑群形态与理想环境下仿真模拟的城市建筑群形态进行分析、比对与评估;
S5:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台。
进一步地,所述S2具体是:
S2.1:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;首先提取城市建筑群形态有关的数据x,通过下式表示x:
x=£(a、b、c、d、e、f、g、h、i);
其中:a为建筑密度、b为建筑间距系数、c为天空视域因子、d为平面布局、e为垂直布局、f为建筑朝向、g为住宅功能类型、h为办公楼住宅功能类型、i为商场功能类型,£为映射函数;
S2.2:能耗数据为水、电、燃气的消耗量,统一换算成国际能源单位焦耳,根据城市建筑群能源消耗数据库统计,分别提取城市建筑群形态有关的数据对应能源单位J,使其转换为数学计算;
进而提取能耗有关能量y,通过下式表示y:
y=λ(β、γ、α);
中β代表建筑群消耗的水,γ代表建筑群消耗的电,α代表建筑群消耗的燃气,λ为映射函数,y的单位为焦耳。
进一步地,所述S3具体是:
S3.1:挖掘真实环境中能耗与城市形态的关联性;用皮尔逊相关系数来表示城市形态和能耗之间的相关性系数r,通过下式表示r:
n为样本量,Xi为城市建筑群形态有关数据i样本数值,Yi为能耗有关能量数据i样本数值;为X样本平均数,/>为Y样本平均数;r描述的是两个变量间线性相关强弱的程度,r的绝对值越大说明各变量之间的线性关系越强,越接近线性关系,该算法可由Python或SPSS完成,以量化两者的耦合关系;
提取r对应的城市建筑群驱动因子φ,驱动因子φ对应的城市建筑群形态有关数据为Xi,能耗有关能量数据为Yi,其中φ作为自变量对应的r值范围为:0.5≤∣r∣≤1。
进一步地,所述S4具体是:
S4.1:在S1的基础上建立研究区域计算机模型;通过Grasshopper下的ladybug和honeybee插件、GIS,进行理想环境下仿真模拟;
S4.2:利用驱动因子作为评价分级的输入参数,以高能效城市形态设计为目标,计算评估中,层级聚类分析评估方法可采用purity评价法,评估计算机模拟效果接近真实比例,通过下式表示Purity:
其中N代表总的样本个数,Ω={r1,r2,…,rk}表示所有真实环境下形态驱动因子与能耗的关联性划集合,rk表示第k个聚类的集合,C={c1,c2,…,cj}表示理想环境下形态驱动因子与能耗的关联性划分集合,cj表示第j个聚类的集合;Purity结果越接近1表示层级聚类结果越好,计算机模拟效果越接近真实;该计算过程可由Python或SPSS编程计算完成;
选择C对应的城市建筑群驱动因子,其中C作为自变量对应的Purity值范围为:0.5≤Purity≤2。
进一步地,所述S5具体是:
S5.1:高能效城市建筑群形态与能耗耦合作用智能算法原理;
S5.2:通过设定评价标准因子,利用Grasshopper下的ladybug和honeybee插件、GIS,所述评价标准因子为能耗数据Q,舒适度为P,通过下式表示综合优化结果:
MinQ+MaxP=£(A1,A2,…,Az);
其中MinQ代表最低城市建筑群能耗,MaxP代表城市建筑群最佳舒适度,(A1,A2,…,Az)代表z种符合标准的城市建筑群形态,£为映射函数;
S5.3:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台,通过不断地调整城市形态参数进行自动迭代计算,最终得出设计结果;
S5.4:综合优化结果,输出最优的建筑密度、建筑间距系数、天空视域因子、平面布局、垂直布局、建筑朝向、建筑类型。
本发明的有益效果:
1、本发明城市建筑群设计方法通过对城市建筑群形态特征和建筑能耗信息的数据采集,初步建立样本城市城市形态与能耗数据库,为城市设计与能耗研究提供基础信息和数据支撑;
2、本发明城市建筑群设计方法通过提取影响能源绩效的城市建筑群形态特征及其主要驱动因子,为高能效城市形态的评价分级提供机器学习样本;并根据上述城市形态驱动因子,耦合机器学习、强化学习等智能算法实现真实环境中城市形态与能源绩效的机理揭示和评价分级;
3、本发明城市建筑群设计方法基于Grasshopper仿真模型以及GIS、统计分析等评估工具,研究城市气候仿真模型和可视化统计分析评估方法,实现高能效城市建筑群形态设计方案的自动寻优;
4、本发明城市建筑群设计方法利用集成算法对能源驱动的城市建筑群形态评价分级和仿真模拟的城市形态自动寻优结果进行算法分析与科学研判,实现城市建筑群形态与能耗耦合机理与模式研究,并构建高能效城市建筑群形态作用框架与运算平台。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明城市建筑群设计方法流程图;
图2是本发明智能算法原理图;
图3是本发明区域卫星图;
图4是本发明区域二维图;
图5是本发明区域三维模型图;
图6是本发明城市建筑形态三维模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于智能算法及能耗综合优化的城市建筑群设计方法,城市建筑群设计方法包括以下步骤:
S1:建立城市建筑群形态信息和城市建筑群能源消耗数据库;
通过调研获取城市形态基本信息、能耗数据、气象数据,建立城市建筑群形态信息和城市建筑群能源消耗数据库;运用无人机获取城市航拍摄影或者Google earth(谷歌地图)获取城市影像图,通过图像识别算法进一步提取与挖掘城市形态特征与数据,建立真实环境中不同类型的城市形态及其对应的建筑能耗数据库,所述形态信息包括样本建筑群的类型、密度、平面轮廓,能源消耗数据包括建筑群消耗的水、电、燃气。
S2:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;
S2.1:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;首先提取城市建筑群形态有关的数据x,通过下式表示x:
x=£(a、b、c、d、e、f、g、h、i);
其中:a为建筑密度、b为建筑间距系数、c为天空视域因子、d为平面布局、e为垂直布局、f为建筑朝向、g为住宅功能类型、h为办公楼住宅功能类型、i为商场功能类型,£为映射函数。
S2.2:能耗数据为水、电、燃气的消耗量,统一换算成国际能源单位焦耳,根据城市建筑群能源消耗数据库统计,分别提取城市建筑群形态有关的数据对应能源单位J,使其转换为数学计算。
进而提取能耗有关能量y,通过下式表示y:
y=λ(β、γ、α);
中β代表建筑群消耗的水,γ代表建筑群消耗的电,α代表建筑群消耗的燃气,λ为映射函数,y的单位为焦耳(J)。
S3:挖掘真实环境中能耗与城市形态的关联性;
S3.1:挖掘真实环境中能耗与城市形态的关联性;用皮尔逊相关系数(PearsonCorrelation)来表示城市形态和能耗之间的相关性系数r,通过下式表示r:
n为样本量,Xi为城市建筑群形态有关数据i样本数值,Yi为能耗有关能量数据i样本数值;为X样本平均数,/>为Y样本平均数。r描述的是两个变量间线性相关强弱的程度,r的绝对值越大说明各变量之间的线性关系越强,越接近线性关系,该算法可由Python(计算机程序设计语言)或SPSS(统计产品与服务解决方案软件)完成,以量化两者的耦合关系。
提取r对应的城市建筑群驱动因子φ,驱动因子φ对应的城市建筑群形态有关数据为Xi,能耗有关能量数据为Yi,其中φ作为自变量对应的r值范围为:0.5≤∣r∣≤1。
S4:结合智能算法和计算机仿真模拟,对真实环境下能源驱动的城市建筑群形态与理想环境下仿真模拟的城市建筑群形态进行分析、比对与评估;
S4.1:在S1的基础上建立研究区域计算机模型;通过Grasshopper(蚱蜢可视化编程语言软件)下的ladybug(瓢虫可视化编程语言软件插件)和honeybee(蜜蜂可视化编程语言软件插件)插件、GIS(地理信息系统工具),进行理想环境下仿真模拟。
S4.2:利用驱动因子作为评价分级的输入参数,以高能效城市形态设计为目标,计算评估中,层级聚类分析评估方法可采用purity(纯度)评价法,评估计算机模拟效果接近真实比例,通过下式表示Purity(纯度):
其中N代表总的样本个数,Ω={r1,r2,…,rk}表示所有真实环境下形态驱动因子与能耗的关联性划集合,rk表示第k个聚类的集合,C={c1,c2,…,cj}表示理想环境下形态驱动因子与能耗的关联性划分集合,cj表示第j个聚类的集合;Purity(纯度)结果越接近1表示层级聚类结果越好,计算机模拟效果越接近真实;该计算过程可由Python(计算机程序设计语言)或SPSS(统计产品与服务解决方案软件)编程计算完成。
选择C对应的城市建筑群驱动因子,其中C作为自变量对应的Purity值范围为:0.5≤Purity≤2。
S5:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台。
S5.1:高能效城市建筑群形态与能耗耦合作用智能算法原理,如图2所示;
S5.2:通过设定评价标准因子,利用Grasshopper(蚱蜢可视化编程语言软件)下的ladybug(瓢虫可视化编程语言软件插件)和honeybee(蜜蜂可视化编程语言软件插件)插件、GIS(地理信息系统工具),所述评价标准因子为能耗数据Q,舒适度为P,通过下式表示综合优化结果:
MinQ+MaxP=£(A1,A2,…,Az);
其中MinQ代表最低城市建筑群能耗,MaxP代表城市建筑群最佳舒适度,(A1,A2,…,Az)代表z种符合标准的城市建筑群形态,£为映射函数;
S5.3:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台,通过不断地调整城市形态参数进行自动迭代计算,最终得出设计结果;
S5.4:综合优化结果,输出最优的建筑密度、建筑间距系数、天空视域因子、平面布局、垂直布局、建筑朝向、建筑类型。
通过对城市建筑群形态特征和建筑能耗信息的数据采集,初步建立样本城市城市形态与能耗数据库,为城市设计与能耗研究提供基础信息和数据支撑;提取影响能源绩效的城市建筑群形态特征及其主要驱动因子,为高能效城市形态的评价分级提供机器学习样本;并根据上述城市形态驱动因子,耦合机器学习、强化学习等智能算法实现真实环境中城市形态与能源绩效的机理揭示和评价分级;基于Grasshopper(蚱蜢可视化编程语言软件)仿真模型以及GIS(地理信息系统工具)、统计分析等评估工具,研究城市气候仿真模型和可视化统计分析评估方法,实现高能效城市建筑群形态设计方案的自动寻优;利用集成算法对能源驱动的城市建筑群形态评价分级和仿真模拟的城市形态自动寻优结果进行算法分析与科学研判,实现城市建筑群形态与能耗耦合机理与模式研究,并构建高能效城市建筑群形态作用框架与运算平台。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (3)
1.一种基于智能算法及能耗综合优化的城市建筑群设计方法,其特征在于,城市建筑群设计方法包括以下步骤:
S1:建立城市建筑群形态信息和城市建筑群能源消耗数据库;
通过调研获取城市形态基本信息、能耗数据、气象数据,建立城市建筑群形态信息和城市建筑群能源消耗数据库;所述形态信息包括样本建筑群的类型、密度、平面轮廓,能源消耗数据包括建筑群消耗的水、电、燃气;
S2:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;
S3:挖掘真实环境中能耗与城市形态的关联性;
S4:结合智能算法和计算机仿真模拟,对真实环境下能源驱动的城市建筑群形态与理想环境下仿真模拟的城市建筑群形态进行分析、比对与评估;
S5:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台;
所述S2具体是:
S2.1:利用数据挖掘技术分析提取影响城市能耗的城市建筑群形态驱动因子;首先提取城市建筑群形态有关的数据x,通过下式表示x:
x=£(a、b、c、d、e、f、g、h、i);
其中:a为建筑密度、b为建筑间距系数、c为天空视域因子、d为平面布局、e为垂直布局、f为建筑朝向、g为住宅功能类型、h为办公楼住宅功能类型、i为商场功能类型、£为映射函数;
S2.2:能耗数据为水、电、燃气的消耗量,统一换算成国际能源单位焦耳,根据城市建筑群能源消耗数据库统计,分别提取城市建筑群形态有关的数据对应能源单位J,使其转换为数学计算;
进而提取能耗有关能量y,通过下式表示y:
y=λ(β、γ、α);
中β代表建筑群消耗的水,γ代表建筑群消耗的电,α代表建筑群消耗的燃气,λ为映射函数,y的单位为焦耳;
所述S3具体是:
S3.1:挖掘真实环境中能耗与城市形态的关联性;用皮尔逊相关系数来表示城市形态和能耗之间的相关性系数r,通过下式表示r:
n为样本量,Xi为城市建筑群形态有关数据i样本数值,Yi为能耗有关能量数据i样本数值;为X样本平均数,/>为Y样本平均数;r描述的是两个变量间线性相关强弱的程度,r的绝对值越大说明各变量之间的线性关系越强,越接近线性关系,该算法可由Python或SPSS完成,以量化两者的耦合关系;
提取r对应的城市建筑群驱动因子φ,驱动因子φ对应的城市建筑群形态有关数据为Xi,能耗有关能量数据为Yi,其中φ作为自变量对应的r值范围为:0.5≤∣r∣≤1。
2.根据权利要求1所述的一种基于智能算法及能耗综合优化的城市建筑群设计方法,其特征在于,所述S4具体是:
S4.1:在S1的基础上建立研究区域计算机模型;通过Grasshopper下的ladybug和honeybee插件、GIS,进行理想环境下仿真模拟;
S4.2:利用驱动因子作为评价分级的输入参数,以高能效城市形态设计为目标,计算评估中,层级聚类分析评估方法可采用purity评价法,评估计算机模拟效果接近真实比例,通过下式表示Purity:
其中N代表总的样本个数,Ω={r1,r2,…,rk}表示所有真实环境下形态驱动因子与能耗的关联性划集合,rk表示第k个聚类的集合,C={c1,c2,…,cj}表示理想环境下形态驱动因子与能耗的关联性划分集合,cj表示第j个聚类的集合;Purity结果越接近1表示层级聚类结果越好,计算机模拟效果越接近真实;该计算过程可由Python或SPSS编程计算完成;
选择C对应的城市建筑群驱动因子,其中C作为自变量对应的Purity值范围为:0.5≤Purity≤2。
3.根据权利要求1所述的一种基于智能算法及能耗综合优化的城市建筑群设计方法,其特征在于,所述S5具体是:
S5.1:高能效城市建筑群形态与能耗耦合作用智能算法原理;
S5.2:通过设定评价标准因子,利用Grasshopper下的ladybug和honeybee插件、GIS,所述评价标准因子为能耗数据Q,舒适度为P,通过下式表示综合优化结果:
MinQ+MaxP=£(A1,A2,…,Az);
其中MinQ代表最低城市建筑群能耗,MaxP代表城市建筑群最佳舒适度,(A1,A2,…,Az)代表z种符合标准的城市建筑群形态,£为映射函数;
S5.3:利用集成算法最终构建一套高能效城市建筑群形态与能耗耦合作用框架和运算平台,通过不断地调整城市形态参数进行自动迭代计算,最终得出设计结果;
S5.4:综合优化结果,输出最优的建筑密度、建筑间距系数、天空视域因子、平面布局、垂直布局、建筑朝向、建筑类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010887275.7A CN112100718B (zh) | 2020-08-28 | 2020-08-28 | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010887275.7A CN112100718B (zh) | 2020-08-28 | 2020-08-28 | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100718A CN112100718A (zh) | 2020-12-18 |
CN112100718B true CN112100718B (zh) | 2023-12-19 |
Family
ID=73758366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010887275.7A Active CN112100718B (zh) | 2020-08-28 | 2020-08-28 | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100718B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569328B (zh) * | 2021-08-31 | 2024-02-23 | 重庆允丰科技有限公司 | 一种工厂三维模型搭建方法 |
CN114200839B (zh) * | 2021-12-09 | 2023-09-19 | 东南大学 | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 |
CN116702261B (zh) * | 2023-01-13 | 2024-07-16 | 浙江大学建筑设计研究院有限公司 | 一种光伏建筑群最优化布局方法及系统 |
CN117540623A (zh) * | 2023-10-19 | 2024-02-09 | 杭州凯达电力建设有限公司 | 能耗预测模型训练方法及基于建筑形态的能耗预测方法 |
CN117150633B (zh) * | 2023-10-27 | 2024-02-23 | 中国建筑西南设计研究院有限公司 | 一种基于集群智能与性能模拟的室外公共空间寻优方法 |
CN117151962B (zh) * | 2023-11-01 | 2024-02-27 | 华南理工大学 | 一种城市能源系统的规划设计方法及规划设计系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583698A (zh) * | 2018-10-29 | 2019-04-05 | 北京工业大学 | 一种基于模糊数学理论的城市街区空间形态综合评估方法 |
CN110209757A (zh) * | 2019-06-27 | 2019-09-06 | 重庆大学 | 基于土地价值评估的山地城镇空间形态导控系统 |
CN110826134A (zh) * | 2019-11-05 | 2020-02-21 | 哈尔滨工业大学 | 一种基于能耗及局域微气候综合优化的城市建筑群设计方法 |
-
2020
- 2020-08-28 CN CN202010887275.7A patent/CN112100718B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583698A (zh) * | 2018-10-29 | 2019-04-05 | 北京工业大学 | 一种基于模糊数学理论的城市街区空间形态综合评估方法 |
CN110209757A (zh) * | 2019-06-27 | 2019-09-06 | 重庆大学 | 基于土地价值评估的山地城镇空间形态导控系统 |
CN110826134A (zh) * | 2019-11-05 | 2020-02-21 | 哈尔滨工业大学 | 一种基于能耗及局域微气候综合优化的城市建筑群设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112100718A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100718B (zh) | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 | |
CN111159884A (zh) | 一种寒地办公建筑节能设计决策支持系统及方法 | |
CN110188228A (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN103150614B (zh) | 一种土地利用空间自动配置方法 | |
CN106021342A (zh) | 城市空间年轮地图制作和分析方法 | |
CN116090065B (zh) | 一种基于数字孪生的智慧城市绿化设计方法及装置 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN109376941A (zh) | 基于人工神经网络和bim的建筑能耗模拟和优化方法 | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
Dong et al. | New quantitative approach for the morphological similarity analysis of urban fabrics based on a convolutional autoencoder | |
CN115329425A (zh) | 一种空气质量驱动下的建筑群体形态优化设计方法及系统 | |
CN115728463A (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
CN114239962B (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN113962602A (zh) | 老旧小区智能化改造评估方法及系统 | |
CN117556502A (zh) | 一种基于进化模型的街区布局智能生成方法与系统 | |
CN117313371A (zh) | 一种基于数字孪生模型的综合展示方法 | |
CN114723049B (zh) | 一种基于梯度优化的类激活映射方法及装置 | |
CN114626294A (zh) | 一种大学校园的规划布局分级生成方法 | |
CN109146171A (zh) | 用于建筑碳能模拟预测的城市居住建筑类型库构建方法 | |
CN111914339B (zh) | 基于景观绩效评价的风景园林景观设计方法及系统 | |
CN115273645A (zh) | 一种室内面要素自动聚类的地图制图方法 | |
CN114449715A (zh) | 一种基于路灯照明的低功耗控制方法和系统 | |
CN110738249B (zh) | 一种基于深度神经网络的极光图像聚类方法 |
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 |