CN113297660A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113297660A CN113297660A CN202110627725.3A CN202110627725A CN113297660A CN 113297660 A CN113297660 A CN 113297660A CN 202110627725 A CN202110627725 A CN 202110627725A CN 113297660 A CN113297660 A CN 113297660A
- Authority
- CN
- China
- Prior art keywords
- building
- optimization
- target
- design
- parameters
- 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 100
- 238000005457 optimization Methods 0.000 title claims abstract description 96
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 6
- 238000010168 coupling process Methods 0.000 claims abstract description 6
- 238000005859 coupling reaction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000004035 construction material Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000037323 metabolic rate Effects 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000009413 insulation Methods 0.000 description 16
- 239000010410 layer Substances 0.000 description 15
- 238000012546 transfer Methods 0.000 description 5
- 239000011083 cement mortar Substances 0.000 description 3
- 239000004567 concrete Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/20—Design reuse, reusability analysis or reusability optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (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,属于建筑设计领域;其步骤依次为:集成建筑本体与环境信息‑确定优化目标及设计变量‑建立建筑多目标预测模型‑耦合预测模型并执行运算‑构建节能优化的设计模式。本发明在方案阶段同时考虑建筑能耗、热舒适指标和初投资成本,采用机器学习中的支持向量机算法构建多目标预测模型,相比软件模拟而言,可将目标预测由性能模拟过程转化为数值计算过程,提高性能指标的预测效率,且能够保证多目标预测的同步性。该算法专门针对小样本问题而提出,从而可以剔除大量冗余样本,在有限样本的情况下获得最优模型,提高预测模型的构建效率。
Description
技术领域
本发明属于建筑设计领域,具体涉及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。
背景技术
我国建筑业规模随着城镇化进程不断推进而迅速增长,建筑能源消耗和碳排放随之大幅度攀升,2018年建筑建造和运行用能占全社会总能耗的37%,二氧化碳排放占全社会总CO2的排放量的比例约为42%。建筑节能是提高能源使用效率、减少碳排放的重要手段。但一味的追求能耗降低,必然会对室内环境及经济性产生影响,多目标之间的交互性和矛盾性,增加了建筑节能优化设计的复杂性,如在降低能耗的同时,会导致室内热舒适性降低和初投资成本增加。而建筑方案阶段处于整个建筑设计过程的初期,随着设计进程的推进,建筑节能的可优化余地越来越小,而达到相同收益的投入成本则越来越高,方案阶段的决策对于建筑运行过程中的节能性具有决定作用。因此,在方案阶段构建兼顾多目标的建筑节能优化设计模式具有重要意义。
既有的建筑节能设计方法通常是以建筑能耗作为优化目标,如: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(申请公布号:CN108804802A,中国),该技术主要采用DesignBuilder软件对办公建筑体型设计因素与建筑能耗的关系进行模拟分析,进而挖掘建筑体型的被动式节能设计潜能,实现办公建筑节能目标;或以建筑能耗和用户不舒适小时数作为优化目标,如:一种基于多目标智能优化和EnergyPlus的建筑节能设计方法(申请公布号:CN110069823A,中国),该技术采用优化算法与EnergyPlus软件耦合的方式对建筑系统参数进行优化,得出使两个性能指标达到最优的系统参数取值。上述建筑节能设计方法仍存在如下不足:由于既有节能设计考虑的优化目标单一或数量较少,其提出的单纯应用模拟软件或优化算法耦合模拟软件的技术方法并不能在方案阶段有效解决建筑能耗、热舒适指标和初投资成本的协同优化及设计模式构建问题。
发明内容
要解决的技术问题:
为了避免现有技术的不足之处,本发明提出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,该发明采用优化算法和机器学习相结合的方法处理建筑节能设计中建筑能耗、热舒适指标和初投资成本的多目标优化问题,机器学习方法可将目标预测由性能模拟过程转化为数值计算过程,且实现多目标同步预测,提高建筑节能优化设计效率。针对优化得出的Pareto非支配解集,进一步提取满足不同决策需求的设计模式,形成解决多目标优化问题的完整方案。
本发明的技术方案是: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,其特征在于具体步骤如下:
步骤1:集成建筑本体与环境信息;
首先集成建筑本体参数和室外环境参数;然后根据集成的建筑本体参数和室外环境参数,采用性能模拟软件建立建筑信息模型;
步骤2:确定优化目标及设计变量;
步骤2.1:根据建筑方案阶段的节能设计需求确定优化目标;
步骤2.2:根据步骤2.1所确定的优化目标,从步骤1集成的建筑本体参数中选择影响优化目标的M个参数作为优化设计变量,M≥2,并设定每个优化设计变量的取值范围;
步骤3:建立建筑多目标预测模型;
在步骤1和步骤2的基础上,通过数据集成、处理、训练及模型评价,生成多目标预测模型,实现各目标预测的同步性和高效性;
步骤4:耦合预测模型并执行运算;
步骤4.1:编写多目标遗传算法程序,设置种群大小、最大迭代次数、交叉概率、变异概率,进行种群初始化;
步骤4.2:调用支持向量机预测模型的输出结果作为遗传算法的适应度函数值,对生成每个方案的优化目标值进行评价,执行迭代运算,直到满足收敛条件或预先设置的最大迭代次数,运算停止;
步骤4.3:将运算结果输出到MATLAB工作空间,提取Pareto非支配解集,该解集中包括设计变量取值及对应的优化目标值;
步骤5:构建节能优化的设计模式;
步骤5.1:根据实际决策需求,采用多属性决策方法确定优化目标的权重值,并采用权重加和法计算各优化目标的标准化值,计算方法如公式(2):
其中,F为各优化目标的标准化值,fi(x)为各优化目标值,fi(x)max为各优化目标值中的最大值,fi(x)min为各优化目标值中的最小值,Wi为各优化目标的权重值;
步骤5.2:基于步骤4.3提取的Pareto非支配解集,根据步骤5.1计算的优化目标的标准化值对设计方案进行排序,确定最优的节能优化设计模式。
本发明的进一步技术方案是:所述步骤1中,集成的建筑本体参数包括几何空间参数、构造材料参数、设备运行参数、人员特征参数和室内环境参数;
其中,几何空间参数包括建筑朝向、建筑体型、空间布局和细部尺度;构造材料参数包括外墙、屋面、地面和门窗的构造做法、材料及价格;设备运行参数包括采暖/制冷设备运行模式、照明和其它电器设备功率及运行情况;人员特征参数包括室内人员密度、服装热阻、新陈代谢率;室内环境参数包括室内设计温度、换气次数。
本发明的进一步技术方案是:所述步骤1中,结合建筑所在地区的典型年气象数据集成室外环境参数,作为性能模拟的边界条件。
本发明的进一步技术方案是:所述步骤2中,优化目标包括建筑能耗、热舒适指标和初投资成本,热舒适指标为PPD或热不舒适小时数。
本发明的进一步技术方案是:所述步骤2中,优化目标的约束条件为自然采光设计评价指标中的采光系数,即采光系数需要满足《GB 50033建筑采光设计标准》中对各类型建筑的相关规定。
本发明的进一步技术方案是:所述步骤2中,每个优化设计变量的取值范围,根据实际需求及现行国家和地方建筑节能设计标准确定。
本发明的进一步技术方案是:所述步骤3中,通过MATLAB平台编写支持向量SVM算法的程序实现多目标预测模型的生成,具体为:
步骤3.1:数据集成;基于步骤1建立的建筑信息模型,结合步骤2确定的M个优化设计变量,运用性能模拟软件进行“设计变量—优化目标”的映射数据收集,形成样本数据集,按照8:2的比例随机分割,形成训练集和测试集两部分;
步骤3.2:数据处理;对步骤3.1获取的样本数据集进行归一化处理,消除设计变量和优化目标之间的量纲影响;
步骤3.3:数据训练;支持向量机的类型选取ε-SVR,并确定核函数类型以及参数组合,基于步骤2.1确定的优化目标和步骤2.2确定的优化设计变量,完成对训练集样本数据的学习,生成各优化目标关于优化设计变量的支持向量机预测模型;
步骤3.4:模型评价;采用样本测试集检测步骤3.3生成的支持向量机预测模型,以均方误差MSE和决定系数R2作为评价指标来评估模型的准确性,MSE的计算方法如公式(1);若不满足要求,则返回步骤3.3,通过修改核函数类型以及参数组合重新进行数据训练和模型评价,直到满足精度要求为止;
其中,n为测试集样本的个数,ytrue为真实值,yprediction为预测值。
本发明的进一步技术方案是:所述步骤4中,通过MATLAB平台编写多目标遗传算法程序。
有益效果
本发明的有益效果在于:现有建筑节能设计方法通常考虑较少的优化目标,不能将节能设计的衍生问题综合考虑,容易造成设计参数的取值出现偏颇,如以外墙保温层厚度的取值为例,当只考虑降低建筑能耗时,保温层厚度越大越好,而当兼顾初投资成本时,保温层厚度并不是越大越好,而是存在一个平衡值。本发明在方案阶段同时考虑建筑能耗、热舒适指标和初投资成本,应用优化算法和机器学习结合的方法自动寻找最佳设计参数取值,可提高建筑节能优化设计效率,同时提升设计参数的取值精度和广度。
本发明采用机器学习中的支持向量机算法构建多目标预测模型,相比软件模拟而言,可将目标预测由性能模拟过程转化为数值计算过程,提高性能指标的预测效率,且能够保证多目标预测的同步性。该算法专门针对小样本问题而提出,从而可以剔除大量冗余样本,在有限样本的情况下获得最优模型,提高预测模型的构建效率。
针对优化计算得出的Pareto非支配解集,本发明采用多属性决策方法对其进行进一步处理,提取满足不同决策需求的节能优化设计模式,进而指导设计者在方案阶段合理确定兼顾三个优化目标的设计参数取值。
附图说明
图1为建筑方案阶段节能优化设计模式构建流程图;
图2为三个优化目标的测试集预测结果对比分析图;
图3为多目标遗传算法输出的Pareto非支配解集示意图。
具体实施方式
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。
以下结合西安地区某单层独立式农村住宅对本发明的实施方式进行说明:
步骤1:集成建筑本体和环境信息:
步骤1.1:集成建筑本体参数,包括:建筑面积为100.8m2,建筑长度12m、宽度8.4m、层高3.0m;南向和北向外窗高度为1.6m,外门尺度1.0m×2.5m。外墙从室外到室内的基本构造为“20mm水泥砂浆+XPS保温板+15mm水泥砂浆+240mm实心砖墙+20mm混合砂浆”,屋面从室外到室内的基本构造为“40mm细石混凝土保护层+XPS保温板+防水层+20mm水泥砂浆+100mm钢筋混凝土楼板+20mm混合砂浆”,地面从室内到室外的基本构造为“面层+40mm细石混凝土+100mm素混凝土垫层+素土夯实”。西安属于寒冷地区,冬季供暖时间为11月15日-翌年3月15日,起居室采暖设备的运行时间为7:00-12:00和14:00-21:00,卧室采暖设备的运行时间为12:00-14:00和21:00-7:00,换气次数为0.5h-1;照明功率密度设定为5.0W/m2,忽略室内其它使用率较低的非采暖设备的散热。室内人员密度为0.05人/m2,冬季平均服装热阻为1.4clo,新陈代谢率为0.9。建筑朝向、南向和北向外窗宽度、南向和北向外窗传热系数、各朝向外墙的保温层厚度、屋面的保温层厚度和冬季采暖设计温度为优化设计变量,详见步骤2的表1所示。
步骤1.2:选择中国标准气象数据库中西安地区的典型年气象数据作为性能模拟的室外计算参数。
步骤1.3:根据集成的建筑本体参数与室外计算参数,采用EnergyPlus模拟软件建立农村住宅模型并设置相关参数,其中优化设计变量为可以调节的参数。
步骤2:确定优化目标及设计变量:
步骤2.1:以建筑能耗(EC)、PPD和初投资成本(IC)作为优化目标,采光系数作为约束条件。
步骤2.2:本案例中选择的优化设计变量包括:建筑朝向、南向外窗宽度和北向外窗宽度(受采光系数约束,外窗尺度的阈值下限需要能够满足最低采光要求)、南向外窗传热系数、北向外窗传热系数、各朝向外墙保温层厚度、屋面保温层厚度和冬季采暖设计温度11个,其符号、单位、取值范围如表1所示。
表1优化设计变量的相关参数设置
名称 | 符号 | 类型 | 变化区间 | 步长 |
建筑朝向(°) | BO | 连续变量 | [-60,60] | 10 |
南向外窗宽度(m) | SWW | 连续变量 | [1.8,2.7] | 0.1 |
北向外窗宽度(m) | NWW | 连续变量 | [1.5,2.1] | 0.1 |
南向外窗传热系数(W/m<sup>2</sup>·K) | SWHTC | 连续变量 | [1.2,2.8] | 0.1 |
北向外窗传热系数(W/m<sup>2</sup>·K) | NWHTC | 连续变量 | [1.2,2.5] | 0.1 |
南向外墙保温层厚度(m) | SWIT | 连续变量 | [0.04,0.25] | 0.01 |
北向外墙保温层厚度(m) | NWIT | 连续变量 | [0.04,0.25] | 0.01 |
东向外墙保温层厚度(m) | EWIT | 连续变量 | [0.04,0.25] | 0.01 |
西向外墙保温层厚度(m) | WWIT | 连续变量 | [0.04,0.25] | 0.01 |
屋面保温层厚度(m) | RIT | 连续变量 | [0.06,0.25] | 0.01 |
冬季采暖设计温度(℃) | HDT | 连续变量 | [14,18] | 0.1 |
步骤3:建立建筑多目标预测模型:
在步骤1和步骤2的基础上,通过数据集成、处理、训练及模型评价,生成多目标预测模型,实现各目标预测的同步性和高效性。该过程通过MATLAB平台编写支持向量机(SVM)算法的程序实现。
步骤3.1:数据集成。采用控制变量方法,运用EnergyPlus模拟软件对1000组设计方案的建筑能耗和PPD进行仿真计算,并对各方案的初投资成本进行计算。以“设计变量-优化目标”的映射数据作为样本数据集,按照8:2的比例进行随机分割,其中800组数据作为训练集用于训练预测模型,200组数据做测试集用来检验模型的准确性。
步骤3.2:数据处理。对步骤3.1获取的样本数据进行归一化处理,消除设计变量和优化目标之间的量纲影响。
步骤3.3:数据训练。支持向量机的类型选取ε-SVR,核函数的类型选取RBF径向基函数,利用交叉验证方法寻找最佳参数c(惩罚因子)和参数g(RBF核函数中的方差)。基于步骤2.1确定的3个优化目标和步骤2.2确定的11个优化设计变量,完成对训练集800组数据的学习,生成各优化目标关于设计变量的支持向量机预测模型。
步骤3.4:模型评价。将测试集中的优化设计变量输入步骤3.3生成的支持向量机预测模型,输出优化目标的预测值。将建筑能耗、PPD和初投资成本的预测值与测试集中的优化目标真实值进行对比,如图2所示,建筑能耗的均方误差MSE=0.00027,R2=0.999,PPD的均方误差MSE=0.00056,R2=0.998,初投资成本的均方误差MSE=0.00039,R2=0.998,所建立的SVR模型的预测结果精确度满足要求。
步骤4:耦合预测模型并执行运算:
步骤4.1:通过MATLAB平台编写多目标遗传算法程序,基本参数设置如下:种群大小为100、最大迭代次数为1000、交叉概率为0.9、变异概率为0.01,进行种群初始化。
步骤4.2:调用支持向量机预测模型输出的建筑能耗、PPD和初投资成本作为适应度函数值,对生成每个方案的目标值进行评价,通过选择、交叉、变异,执行迭代运算,直到满足收敛条件(平均变化小于0.00001)时停止运算。
步骤4.3:将运算结果输出到MATLAB工作空间,提取Pareto非支配解集,共包括88组优化设计变量及对应的优化目标值,Pareto非支配解集如图3所示。
步骤5:建立节能优化的设计模式:
步骤5.1:根据不同的建筑节能设计决策需求,本案例分析时设置3种工况,即:建筑能耗(EC)、PPD和初投资成本(IC)的权重值分别设定为:0.5/03/0.2(工况1)、0.33/0.33/0.33(工况2)和0.2/0.3/0.5(工况3),并计算各工况下优化目标的标准化值。
步骤5.2:基于步骤4.3提取的88组设计方案,根据步骤5.1计算的优化目标的标准化值对设计方案进行排序,标准化值最小的为最优设计方案,从而确定3种工况下的节能优化设计模式,各设计变量及对应的目标值如表2所示。
表2三种工况下建筑节能优化设计模式
变量 | BO | SWW | NWW | SWHTC | NWHTC | SWIT | NWIT | EWIT | WWIT | RIT | HDT | EC | PPD | IC |
工况1 | 25 | 2.5 | 2.0 | 1.9 | 1.8 | 0.15 | 0.15 | 0.17 | 0.13 | 0.17 | 14.3 | 18.6 | 9.6 | 195.4 |
工况2 | 24 | 2.4 | 2.1 | 2.4 | 2.1 | 0.10 | 0.15 | 0.12 | 0.12 | 0.12 | 16.6 | 36.2 | 8.0 | 154.7 |
工况3 | 24 | 2.3 | 2.1 | 2.7 | 2.3 | 0.08 | 0.10 | 0.06 | 0.08 | 0.06 | 16.8 | 42.3 | 8.5 | 125.6 |
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不脱离本发明的原理和宗旨的情况下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 (8)
1.一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,其特征在于具体步骤如下:
步骤1:集成建筑本体与环境信息;
首先集成建筑本体参数和室外环境参数;然后根据集成的建筑本体参数和室外环境参数,采用性能模拟软件建立建筑信息模型;
步骤2:确定优化目标及设计变量;
步骤2.1:根据建筑方案阶段的节能设计需求确定优化目标;
步骤2.2:根据步骤2.1所确定的优化目标,从步骤1集成的建筑本体参数中选择影响优化目标的M个参数作为优化设计变量,M≥2,并设定每个优化设计变量的取值范围;
步骤3:建立建筑多目标预测模型;
在步骤1和步骤2的基础上,通过数据集成、处理、训练及模型评价,生成多目标预测模型,实现各目标预测的同步性和高效性;
步骤4:耦合预测模型并执行运算;
步骤4.1:编写多目标遗传算法程序,设置种群大小、最大迭代次数、交叉概率、变异概率,进行种群初始化;
步骤4.2:调用支持向量机预测模型的输出结果作为遗传算法的适应度函数值,对生成每个方案的优化目标值进行评价,执行迭代运算,直到满足收敛条件或预先设置的最大迭代次数,运算停止;
步骤4.3:将运算结果输出到MATLAB工作空间,提取Pareto非支配解集,该解集中包括设计变量取值及对应的优化目标值;
步骤5:构建节能优化的设计模式;
步骤5.1:根据实际决策需求,采用多属性决策方法确定优化目标的权重值,并采用权重加和法计算各优化目标的标准化值,计算方法如公式(2):
其中,F为各优化目标的标准化值,fi(x)为各优化目标值,fi(x)max为各优化目标值中的最大值,fi(x)min为各优化目标值中的最小值,Wi为各优化目标的权重值;
步骤5.2:基于步骤4.3提取的Pareto非支配解集,根据步骤5.1计算的优化目标的标准化值对设计方案进行排序,确定最优的节能优化设计模式。
2.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤1中,集成的建筑本体参数包括几何空间参数、构造材料参数、设备运行参数、人员特征参数和室内环境参数;
其中,几何空间参数包括建筑朝向、建筑体型、空间布局和细部尺度;构造材料参数包括外墙、屋面、地面和门窗的构造做法、材料及价格;设备运行参数包括采暖/制冷设备运行模式、照明和其它电器设备功率及运行情况;人员特征参数包括室内人员密度、服装热阻、新陈代谢率;室内环境参数包括室内设计温度、换气次数。
3.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤1中,结合建筑所在地区的典型年气象数据集成室外环境参数,作为性能模拟的边界条件。
4.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤2中,优化目标包括建筑能耗、热舒适指标和初投资成本,热舒适指标为PPD或热不舒适小时数。
5.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤2中,优化目标的约束条件为自然采光设计评价指标中的采光系数,即采光系数需要满足《GB 50033建筑采光设计标准》中对各类型建筑的相关规定。
6.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤2中,每个优化设计变量的取值范围,根据实际需求及现行国家和地方建筑节能设计标准确定。
7.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤3中,通过MATLAB平台编写支持向量SVM算法的程序实现多目标预测模型的生成,具体为:
步骤3.1:数据集成;基于步骤1建立的建筑信息模型,结合步骤2确定的M个优化设计变量,运用性能模拟软件进行“设计变量—优化目标”的映射数据收集,形成样本数据集,按照8:2的比例随机分割,形成训练集和测试集两部分;
步骤3.2:数据处理;对步骤3.1获取的样本数据集进行归一化处理,消除设计变量和优化目标之间的量纲影响;
步骤3.3:数据训练;支持向量机的类型选取ε-SVR,并确定核函数类型以及参数组合,基于步骤2.1确定的优化目标和步骤2.2确定的优化设计变量,完成对训练集样本数据的学习,生成各优化目标关于优化设计变量的支持向量机预测模型;
步骤3.4:模型评价;采用样本测试集检测步骤3.3生成的支持向量机预测模型,以均方误差MSE和决定系数R2作为评价指标来评估模型的准确性,MSE的计算方法如公式(1);若不满足要求,则返回步骤3.3,通过修改核函数类型以及参数组合重新进行数据训练和模型评价,直到满足精度要求为止;
其中,n为测试集样本的个数,ytrue为真实值,yprediction为预测值。
8.根据权利要求1所述基于多目标的建筑方案阶段节能优化设计模式构建方法,其特征在于:所述步骤4中,通过MATLAB平台编写多目标遗传算法程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627725.3A CN113297660A (zh) | 2021-06-05 | 2021-06-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627725.3A CN113297660A (zh) | 2021-06-05 | 2021-06-05 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297660A true CN113297660A (zh) | 2021-08-24 |
Family
ID=77327238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110627725.3A Pending CN113297660A (zh) | 2021-06-05 | 2021-06-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297660A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364430A (zh) * | 2020-12-03 | 2021-02-12 | 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 |
CN114662201A (zh) * | 2022-03-31 | 2022-06-24 | 中国石油大学(华东) | 一种自然通风智能调控的寻优方法 |
CN114692265A (zh) * | 2022-02-23 | 2022-07-01 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
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 |
CN114841464A (zh) * | 2022-05-25 | 2022-08-02 | 山东大卫国际建筑设计有限公司 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
CN114896664A (zh) * | 2022-05-12 | 2022-08-12 | 浙江大学 | 园区建筑光伏一体化围护结构优化方法及系统 |
CN114969950A (zh) * | 2022-06-27 | 2022-08-30 | 浙江大学 | 基于遗传算法的住宅综合性能优化设计方法及系统 |
CN115600283A (zh) * | 2022-09-30 | 2023-01-13 | 广西大学(Cn) | 目标性能导向的多层点式住宅参数化生成方法 |
CN115952590A (zh) * | 2023-03-14 | 2023-04-11 | 华中科技大学 | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 |
WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
CN117574785A (zh) * | 2024-01-16 | 2024-02-20 | 天津大学 | 基于机器学习混合建模的零碳建筑多目标优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
US20180356775A1 (en) * | 2017-06-12 | 2018-12-13 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
CN112149209A (zh) * | 2020-09-04 | 2020-12-29 | 天津大学 | 一种建筑多性能导向设计的优化方法 |
CN112818458A (zh) * | 2021-02-26 | 2021-05-18 | 西安建筑科技大学 | 一种建筑绿色性能设计优化方法及系统 |
-
2021
- 2021-06-05 CN CN202110627725.3A patent/CN113297660A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
US20180356775A1 (en) * | 2017-06-12 | 2018-12-13 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
CN111881505A (zh) * | 2020-08-04 | 2020-11-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
CN112149209A (zh) * | 2020-09-04 | 2020-12-29 | 天津大学 | 一种建筑多性能导向设计的优化方法 |
CN112818458A (zh) * | 2021-02-26 | 2021-05-18 | 西安建筑科技大学 | 一种建筑绿色性能设计优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
王东生等: "《管理运筹学》", 西安交通大学出版社, pages: 225 * |
金国辉等: "内蒙古西部草原民居建筑节能多目标优化模型构建", 《山东农业大学学报(自然科学版)》, no. 02, 31 December 2020 (2020-12-31), pages 347 - 351 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112364430A (zh) * | 2020-12-03 | 2021-02-12 | 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 |
WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
CN114692265A (zh) * | 2022-02-23 | 2022-07-01 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
CN114692265B (zh) * | 2022-02-23 | 2023-03-10 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
CN114662201A (zh) * | 2022-03-31 | 2022-06-24 | 中国石油大学(华东) | 一种自然通风智能调控的寻优方法 |
CN114662201B (zh) * | 2022-03-31 | 2024-01-19 | 中国石油大学(华东) | 一种自然通风智能调控的寻优方法 |
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 |
CN114896664A (zh) * | 2022-05-12 | 2022-08-12 | 浙江大学 | 园区建筑光伏一体化围护结构优化方法及系统 |
CN114841464B (zh) * | 2022-05-25 | 2023-03-24 | 山东大卫国际建筑设计有限公司 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
CN114841464A (zh) * | 2022-05-25 | 2022-08-02 | 山东大卫国际建筑设计有限公司 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
CN114969950A (zh) * | 2022-06-27 | 2022-08-30 | 浙江大学 | 基于遗传算法的住宅综合性能优化设计方法及系统 |
CN115600283A (zh) * | 2022-09-30 | 2023-01-13 | 广西大学(Cn) | 目标性能导向的多层点式住宅参数化生成方法 |
CN115600283B (zh) * | 2022-09-30 | 2023-11-28 | 广西大学 | 目标性能导向的多层点式住宅参数化生成方法 |
CN115952590B (zh) * | 2023-03-14 | 2023-06-13 | 华中科技大学 | 基于bo-rf-mompa的盾构隧道优化设计方法及设备 |
CN115952590A (zh) * | 2023-03-14 | 2023-04-11 | 华中科技大学 | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 |
CN117574785A (zh) * | 2024-01-16 | 2024-02-20 | 天津大学 | 基于机器学习混合建模的零碳建筑多目标优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297660A (zh) | 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 | |
Yang et al. | Impact of zero energy buildings on medium-to-long term building energy consumption in China | |
Xue et al. | Multi-objective optimization of building design for life cycle cost and CO2 emissions: A case study of a low-energy residential building in a severe cold climate | |
Chen et al. | Developing a meta-model for sensitivity analyses and prediction of building performance for passively designed high-rise residential buildings | |
Nasrollahzadeh | Comprehensive building envelope optimization: Improving energy, daylight, and thermal comfort performance of the dwelling unit | |
Yao | Energy optimization of building design for different housing units in apartment buildings | |
Wu et al. | A multi-objective optimization design method in zero energy building study: A case study concerning small mass buildings in cold district of China | |
Li et al. | Natural ventilation potential of high-rise residential buildings in northern China using coupling thermal and airflow simulations | |
Wu et al. | Research on parametric design method of solar photovoltaic utilization potential of nearly zero-energy high-rise residential building based on genetic algorithm | |
Wang et al. | Collaborative optimization between passive design measures and active heating systems for building heating in Qinghai-Tibet plateau of China | |
She et al. | Life cycle cost and life cycle energy in zero-energy building by multi-objective optimization | |
He et al. | A bi-objective optimization of energy consumption and investment cost for public building envelope design based on the ε-constraint method | |
CN113065190B (zh) | 一种基于不确定性的居住建筑供热量计算方法 | |
Carpino et al. | Improve decision-making process and reduce risks in the energy retrofit of existing buildings through uncertainty and sensitivity analysis | |
CN110069823A (zh) | 一种基于多目标智能优化和EnergyPlus的建筑节能设计方法 | |
CN117057021A (zh) | 一种基于多目标动态权重的建筑改造方案优化方法 | |
Liu et al. | Simulation analysis and scheme optimization of energy consumption in public buildings | |
Alimohamadi et al. | Multi-Objective optimization of energy consumption pattern in order to provide thermal comfort and reduce costs in a residential building | |
Wang et al. | A procedure set to construct the optimal energy saving retrofit strategy for old residential buildings in China | |
Chen et al. | Optimization design method based on energy balance calculations for passive house | |
Meng et al. | Path analysis of energy-saving technology in Yangtze River basin based on multi-objective and multi-parameter optimisation | |
Panayi | Prioritising energy investments in new dwellings constructed in Cyprus | |
Xu et al. | Construction of Building an Energy Saving Optimization Model Based on Genetic Algorithm | |
Tsang | Energy-saving retrofits for residential buildings in the hot summer and cold winter zone in China | |
Zheng et al. | Economic optimization of exterior wall insulation in Chinese office buildings by coupling artificial neural network and genetic algorithm |
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: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |