CN113947261A - 一种建筑节能改造优化决策支持方法 - Google Patents
一种建筑节能改造优化决策支持方法 Download PDFInfo
- Publication number
- CN113947261A CN113947261A CN202111333416.1A CN202111333416A CN113947261A CN 113947261 A CN113947261 A CN 113947261A CN 202111333416 A CN202111333416 A CN 202111333416A CN 113947261 A CN113947261 A CN 113947261A
- Authority
- CN
- China
- Prior art keywords
- building
- optimization
- decision
- energy conservation
- decision support
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004134 energy conservation Methods 0.000 title claims abstract description 16
- 230000009466 transformation Effects 0.000 title claims description 15
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 10
- 238000007728 cost analysis Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- 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
-
- 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]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Structural Engineering (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种建筑节能改造优化决策支持方法,该方案集成了基于边际减排成本分析和基于方差的敏感性分析的建筑特征选择方法;基于非支配排序差分优化求解的多目标优化问题;并提出了提供决策支持的方法。借助数据驱动模型,使用目前已被验证和应用的全球气候模型,以考虑受气候变化影响的建筑未来能耗影响的不确定性。对层次聚类算法的进一步探索和使用,为高维多目标优化算法提供了决策支持。该方案能够可视化、保留和恢复整个决策路径,使多目标解的决策过程更加透明和直观,具有广泛应用于单体建筑节能改造项目的潜力,并对实际建筑节能改造项目的快速优化和决策具有现实意义和应用价值。
Description
技术领域
本发明属于建筑节能改造领域,具体涉及一种建筑节能改造优化决策支持方法。
背景技术
节能改造已成为既有建筑提高建筑能效、减少碳排放、改善人居环境质量的重要手段。随着气候变化的加剧,越来越多的研究表明,气候变化将对未来建筑能耗水平产生更大的影响和不确定性。其中,在未来气候条件下,室外温湿度的变化对建筑能耗的影响最显著。这种变化趋势对既有建筑适应未来气候条件提出了新的要求和挑战。因此,在气候变化的趋势下,既有建筑如何保证和实现建筑节能改造的优异性能(即,既有建筑节能改造的气候适应性),是一个值得深入探讨的问题。
随着计算机辅助技术、建筑性能模拟技术及其工具的飞速发展,可以借助计算机的强大计算能力对建筑能耗进行优化研究。李峥嵘等人利用EnergyPlus进行建模分析,通过正交试验设计方法,研究了夏热冬冷地区围护结构传热系数对建筑采暖/降温负荷的影响,得出最优围护结构设计方案。王艺霖等人借助DeST-H进行建筑能耗模拟分析,研究了4种保温材料在不同厚度下的建筑节能改造方案对建筑能耗的影响,并结合经济性分析,提供合理的外围护结构改造方案。余镇雨等人基于遗传算法,借助建筑能耗模拟软件TRNSYS,进行了近零能耗建筑性能优化设计分析。然而,目前的建筑优化研究多采用复杂的动态模拟模型(如Energy Plus等)进行节能效果评估,这种做法导致在建筑节能优化过程中的计算成本巨大。高昂的计算成本不利于这类方法在实际节能改造项目中的应用和推广,也不利于最终改造方案的推演和实施。
发明内容
针对上述现有技术存在的问题,本发明提出了一种切实可行的自动计算方案,该方案集成了基于边际减排成本分析和敏感性分析(基于方差)的建筑特征选择方法;基于非支配排序差分优化求解的多目标优化问题;并提出了提供决策支持的方法。建筑能耗性能仿真引擎使用团队前期开发的基于电阻-电容的低阶白箱建筑模拟引擎,与传统的白箱模型相比,具体更低的计算成本。借助数据驱动模型,使用目前已被验证和应用的全球气候模型,以考虑受气候变化影响的建筑未来能耗影响的不确定性。对层次聚类算法的进一步探索和使用,为高维多目标优化算法(帕累托前沿)提供了决策支持。
本发明是通过以下技术方案得以实现的:
一种建筑节能改造优化决策支持方法,包括以下步骤:
S1,基于电阻-电容模型理论构建建筑能耗模型;
S2,预测未来逐时气象数据,将未来逐时气象数据输入至建筑能耗模型中,获取未来逐时能耗,对未来逐时能耗模拟结果进行训练,以生成数据驱动模型;
S3,选择预优化决策变量,计算每种预优化决策变量下,未来逐时气象数据的未来逐时能耗及生命周期内的净现值;根据净现值分析并确定优选决策变量;
S4,确定多目标优化问题,采用非支配解排序的差分进化算法,对优选决策变量进行多目标优化;
S5,采用层次聚类算法对所生成的多目标优化结果进行自动聚类,并以平行坐标图为基础,生成可视化的决策支持路径。
作为本发明的优选方案之一,步骤S1中,采用基于电阻-电容类比模拟框架的低阶白箱建模工具。
作为本发明的优选方案之一,步骤S3中,基于节能措施选择预优化决策变量,预优化决策变量包括建筑围护结构的热性能、气密性、自然通风、采暖和降温的设定温度以及空置时间设定温度回退。
作为本发明的优选方案之一,步骤S3中,分析并确定优选决策变量,具体为:S31,采用边际减排成本分析方法,分析每一预优化决策变量对所选择的目标函数的影响;S32,基于方差的敏感性分析方法,分析每一预优化决策变量对系统的影响。
作为本发明的优选方案之一,步骤S4中,多目标优化包括四个目标,分别为节能量、经济效益、投资成本以及改造建筑全生命周期内建筑各分区中逐时PMV绝对值的总和。
作为本发明的优选方案之一,步骤S4中,节能量、经济效益、投资成本的计算公式分别为:
节能量:
经济效益:
投资成本:
作为本发明的优选方案之一,步骤S5具体为:
S51,获取帕累托前沿并基于层次聚类算法对解集进行聚类;
S52,对优选决策变量和多目标进行平行坐标轴绘制,得到平行坐标图;
S53,建立平衡的建筑改造决策思维模式以模拟决策过程,并根据该思维模式选取相应聚类后对下一层级解集进行聚类,以此类推获得最终解集;
S54,对模拟结果进行可视化处理,生成决策支持路径。
本发明的有益效果是:
本发明提出了一个面对未来气候变化情景自动化的建筑改造多目标优化方案。该方案包含3个主要阶段:优化前特征选择、多目标优化和基于帕累托前沿的后优化过程与决策。建筑仿真模拟的核心引擎是团队前期基于电阻-电容建模方案开发的轻量级仿真工具,该仿真工具可以大大加快建筑模拟的速度。虽然决策过程通常涉及主观性,但该方案能够可视化、保留和恢复整个决策路径,使多目标解的决策过程更加透明和直观。该方案具有广泛应用于单体建筑节能改造项目的潜力,同时对实际建筑节能改造项目的快速优化和决策具有现实意义和应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为实施例所述LRSM建筑实物图;
图2为实施例所述LRSM建筑所在区域俯视图;
图3为LRSM的边际减排成本曲线;
图4为对LRSM进行的Sobol敏感性分析结果-一阶Sobol指数;
图5为对LRSM进行的Sobol敏感性分析结果-二阶Sobol指数;
图6为实施例所述LRSM决策路径。
具体实施方式
下面结合附图和实施例对本发明作进一步详细的说明。
本发明提供一种建筑节能改造优化决策支持方法,包括以下核心步骤:
S1,基于电阻-电容模型理论构建建筑能耗模型;
S2,预测未来逐时气象数据,将未来逐时气象数据输入至建筑能耗模型中,获取未来逐时能耗,对未来逐时能耗模拟结果进行训练,以生成数据驱动模型;
S3,选择预优化决策变量,计算每种预优化决策变量下,未来逐时气象数据的未来逐时能耗及生命周期内的净现值;根据净现值分析并确定优选决策变量;
S4,确定多目标优化问题,采用非支配解排序的差分进化算法,对优选决策变量进行多目标优化;
S5,采用层次聚类算法对所生成的多目标优化结果进行自动聚类,并以平行坐标图为基础,生成可视化的决策支持路径。
具体地,步骤S1中,建筑能耗建模与仿真方法采用发明人前期开发的基于电阻-电容类比模拟框架的低阶白箱建模工具。该工具的具体方法和步骤见论文-Shen P,BrahamW,Yi Y.Development of a lightweight building simulation tool using simplifiedzone thermal coupling for fast parametric study.Applied energy,2018,223:188-214,此处不做赘述。
步骤S2中,通过现有工具获取未来逐时气象数据,采用随机森林算法来预测未来逐时能耗,并使用射频算法对极端气象年的逐时能耗模拟结果进行训练,以生成数据驱动模型。
步骤S3中,基于节能措施选择预优化决策变量(ECM),节能措施大部分是被动式节能措施,例如,改善建筑围护结构的热性能、气密性、自然通风、采暖和降温的设定温度以及空置时间设定温度回退等。非被动式措施例如提高照明效率。
不同类型窗户的更换成本如表1所示,需要进行货币投资的ECM如表2所示,无成本的ECM如表3所示。
表1 窗户更换的属性和所需成本
表2 ECM参数和所需成本
表3无成本ECM参数
步骤S3中,分析并确定优选决策变量,具体为:
S31,采用边际减排成本分析方法,分析每一预优化决策变量对所选择的目标函数的影响。在对特征选择进行敏感性分析之前,为防止那些可能降低建筑物性能的输入变量进入优化程序,先进行一个预措施分析,边际减排成本分析(MAC)已经被广泛应用于环境效应和相对成本之间的权衡,MAC曲线通过单独评估减排措施来获取。
S32,基于方差的敏感性分析(Sobol)方法,分析每一预优化决策变量对系统的影响。本实施例中,采用Saltelli对Sobol方法的扩展来生成样本,Saltelli提出的方案扩展了Sobol方法的序列,能够降低由此产生的敏感性指数计算中的错误率。
步骤S4中,多目标优化包括四个目标,分别为节能量、经济效益、投资成本以及改造建筑全生命周期内建筑各分区中逐时PMV绝对值的总和。每个ECM(输入变量)都被预处理为一个服从均匀分布的连续序列。为使不同目标具有可比性,使用转换系数F将总节能量(Es,GJ)转换为初始能耗。
节能量:
式中:Epre,k和Epost,k分别是第k年未改造建筑和改造建筑的全年能耗;L代表改造建筑的全生命周期;
经济效益(S,$)通过既有建筑改造前后在全生命周期内的能效成本之差来计算,计算公式为:
式中:τu是u型能源成本的增加比例;Cu post,k和Cu pre,k分别是改造建筑和未改造建筑在全生命周期内第k年的u型能源的成本;
投资成本(I,$)的计算还考虑了每五年发生一次的维护成本,该成本假定为总投资成本的15%。因此,投资成本可以计算为:
式中:τm是每年维护费用的增长率(%);r是贴现率(%),Io为初始投资成本。假设与每个ECM的初始投资成正比。假设贴现率为4%。
步骤S5具体为:
S51,获取帕累托前沿并基于层次聚类算法对解集进行聚类;
S52,对优选决策变量和多目标进行平行坐标轴绘制,得到平行坐标图;
S53,建立平衡的建筑改造决策思维模式以模拟决策过程,并根据该思维模式选取相应聚类后对下一层级解集进行聚类,以此类推获得最终解集;
S54,对模拟结果进行可视化处理,生成决策支持路径。
以下结合具体案例,详细说明本发明所述建筑节能改造优化决策支持方法。
以宾夕法尼亚大学物质结构研究实验室(LRSM)作为案例研究建筑,该建筑的建筑面积为7781.4m2,如图1、图2所示。
首先,采用基于电阻-电容类比模拟框架的低阶白箱建模工具对该建筑进行建模,并使用收集的2015年月度建筑能耗清单作为模型验证的依据。由于校园内所有建筑都使用冷凝水和蒸汽进行降温和供暖,因此,建筑能耗模型使用计量的冷凝水和蒸汽进行验证。
其次,获取该建筑区域的未来逐时气象数据,并输入至建筑能耗模型中,采用随机森林算法来预测未来逐时能耗,并使用射频算法对极端气象年的逐时能耗模拟结果进行训练,以生成数据驱动模型。本实施例中,改造建筑的全生命周期假定为20年。
再次,进行特征选择和敏感性分析:
MAC分析:单独模拟所有ECM和参数,以计算边际减排成本。本次分析共有84个参数,包括光伏系统的安装面积和倾角,计算结果如图3所示。其中,x轴为全年总节能量(Es,GJ),y轴为“成本”——NPV($/GJ)。每种ECM按照其单位成本绩效进行排序(从左到右)。可以看出,如果建筑在未来不使用更多的能源,那么那些没有货币投资的ECM将具有正的边际减排成本。同时,在这一阶段具有负的边际减排成本的ECM将被消除。LRSM的ECM排名为自然通风、采光、照明系统升级、降温设定温度、降温送风温度、空置时间设定温度回退、采暖设定温度、遮阳、窗户更换、空气渗透、光伏板倾角、外墙隔热和光伏板面积。
对Sobol结果进行分析:
在MAC分析中发现PV的最佳倾角为30°,故在Sobol分析阶段除了经过MAC分析后排除的ECM相关的参数之外,PV的角度也被排除。与其他ECM参数之间可能会相互影响相比,PV系统的参数是一个相对独立的因素,故将PV角度和PV面积进行合并。最后,对LRSM所涉及的由MAC分析自动生成的12种ECM进行基于方差的敏感性分析,分析结果如图4、图5所示。表4种列出了排名前7的ECM。
表4最终为LRSM选择的7种ECM
最后,基于聚类方法的决策:
获取帕累托前沿后,进一步绘制平行坐标图,对结果进行可视化处理,以对决策提供支持。为分析帕累托前沿的分布情况,在平行坐标图中对所选ECM的参数和4个子目标都进行平行绘制。建立平衡的建筑改造决策思维模式来模拟决策过程,该思维模式是指在有限的财政政策下,为追求更高的成本效应和更舒适的室内热环境来选取建筑改造方案。
中立建筑改造思维模式下的LRSM决策路径制作过程中,包括多层聚类,每层聚类中的优选集群可能有所不同。例如设置4个集群,3层聚类,在第一层聚类中,由于较低的经济投资和最佳的室内热舒适,集群4将作为首选。同时,考虑了同样的原因,分别在第2层聚类和第3层聚类中选择了集群2和集群3。经过综合考虑,可最终选择集群3所对应的路径,作为最终决策路径,如图6所示。
最终决策:表5列出了每栋建筑节能回报排名前5的解决方案,所选的ECM包括常见的参数选择,例如,降温送风温度为17℃,降温设定温度为25℃,并且没有空置时间设定温度回退。
表5为LRSM选择的排名前5的ECM组合
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (7)
1.一种建筑节能改造优化决策支持方法,其特征在于,包括以下步骤:
S1,基于电阻-电容模型理论构建建筑能耗模型;
S2,预测未来逐时气象数据,将未来逐时气象数据输入至建筑能耗模型中,获取未来逐时能耗,对未来逐时能耗模拟结果进行训练,以生成数据驱动模型;
S3,选择预优化决策变量,计算每种预优化决策变量下,未来逐时气象数据的未来逐时能耗及生命周期内的净现值;根据净现值分析并确定优选决策变量;
S4,确定多目标优化问题,采用非支配解排序的差分进化算法,对优选决策变量进行多目标优化;
S5,采用层次聚类算法对所生成的多目标优化结果进行自动聚类,并以平行坐标图为基础,生成可视化的决策支持路径。
2.根据权利要求1所述的建筑节能改造优化决策支持方法,其特征在于,步骤S1中,采用基于电阻-电容类比模拟框架的低阶白箱建模工具。
3.根据权利要求2所述的建筑节能改造优化决策支持方法,其特征在于,步骤S3中,基于节能措施选择预优化决策变量,预优化决策变量包括建筑围护结构的热性能、气密性、自然通风、采暖和降温的设定温度以及空置时间设定温度回退。
4.根据权利要求3所述的建筑节能改造优化决策支持方法,其特征在于,步骤S3中,分析并确定优选决策变量,具体为:
S31,采用边际减排成本分析方法,分析每一预优化决策变量对所选择的目标函数的影响;
S32,基于方差的敏感性分析方法,分析每一预优化决策变量对系统的影响。
5.根据权利要求4所述的建筑节能改造优化决策支持方法,其特征在于,步骤S4中,多目标优化包括四个目标,分别为节能量、经济效益、投资成本以及改造建筑全生命周期内建筑各分区中逐时PMV绝对值的总和。
7.根据权利要求6所述的建筑节能改造优化决策支持方法,其特征在于,步骤S5具体为:
S51,获取帕累托前沿并基于层次聚类算法对解集进行聚类;
S52,对优选决策变量和多目标进行平行坐标轴绘制,得到平行坐标图;
S53,建立平衡的建筑改造决策思维模式以模拟决策过程,并根据该思维模式选取相应聚类后对下一层级解集进行聚类,以此类推获得最终解集;
S54,对模拟结果进行可视化处理,生成决策支持路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333416.1A CN113947261A (zh) | 2021-11-11 | 2021-11-11 | 一种建筑节能改造优化决策支持方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333416.1A CN113947261A (zh) | 2021-11-11 | 2021-11-11 | 一种建筑节能改造优化决策支持方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947261A true CN113947261A (zh) | 2022-01-18 |
Family
ID=79337798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333416.1A Pending CN113947261A (zh) | 2021-11-11 | 2021-11-11 | 一种建筑节能改造优化决策支持方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947261A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611201A (zh) * | 2022-05-12 | 2022-06-10 | 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 |
CN118153180A (zh) * | 2024-05-10 | 2024-06-07 | 浙江大学 | 既有中小学建筑绿色性能改造设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201822129A (zh) * | 2016-12-01 | 2018-06-16 | 逢甲大學 | 綠建築效能模擬分析系統及其最適化決策方法 |
CN112182916A (zh) * | 2020-11-04 | 2021-01-05 | 国网北京市电力公司 | 一种配电网可靠性边际效益和边际成本分析方法及系统 |
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
- 2021-11-11 CN CN202111333416.1A patent/CN113947261A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201822129A (zh) * | 2016-12-01 | 2018-06-16 | 逢甲大學 | 綠建築效能模擬分析系統及其最適化決策方法 |
CN112182916A (zh) * | 2020-11-04 | 2021-01-05 | 国网北京市电力公司 | 一种配电网可靠性边际效益和边际成本分析方法及系统 |
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 (3)
Title |
---|
PENGYUAN SHEN,等: "Development of a lightweight building simulation tool using simplified zone thermal coupling for fast parametric study", 《APPLIED ENERGY》, vol. 223, 31 December 2018 (2018-12-31), pages 188 - 214 * |
PENGYUAN SHEN,等: "Rapid multi-objective optimization with multi-year future weather condition and decision-making support for building retrofit", 《ENERGY》, vol. 172, 31 December 2019 (2019-12-31), pages 892 - 912, XP085644370, DOI: 10.1016/j.energy.2019.01.164 * |
PENGYUAN SHEN,等: "The feasibility and importance of considering climate change impacts in building retrofit analysis", 《APPLIED ENERGY》, 31 December 2019 (2019-12-31), pages 254 - 270 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611201A (zh) * | 2022-05-12 | 2022-06-10 | 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 |
CN118153180A (zh) * | 2024-05-10 | 2024-06-07 | 浙江大学 | 既有中小学建筑绿色性能改造设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Multiobjective optimization of building energy consumption based on BIM-DB and LSSVM-NSGA-II | |
Giouri et al. | Zero energy potential of a high-rise office building in a Mediterranean climate: Using multi-objective optimization to understand the impact of design decisions towards zero-energy high-rise buildings | |
Sharif et al. | Simulation-based multi-objective optimization of institutional building renovation considering energy consumption, life-cycle cost and life-cycle assessment | |
Ferrara et al. | A simulation-based optimization method for cost-optimal analysis of nearly Zero Energy Buildings | |
Liu et al. | Enhancing building energy efficiency using a random forest model: A hybrid prediction approach | |
Pan et al. | Building energy simulation and its application for building performance optimization: A review of methods, tools, and case studies | |
Li et al. | Fast bidirectional building performance optimization at the early design stage | |
Ferrara et al. | Energy systems in cost-optimized design of nearly zero-energy buildings | |
Zhu et al. | Uncertainty and sensitivity analysis of cooling and heating loads for building energy planning | |
Deng et al. | AutoBPS: A tool for urban building energy modeling to support energy efficiency improvement at city-scale | |
Ferrara et al. | EDeSSOpt–Energy Demand and Supply Simultaneous Optimization for cost-optimized design: Application to a multi-family building | |
CN113947261A (zh) | 一种建筑节能改造优化决策支持方法 | |
Chen et al. | An integrated framework for multi-objective optimization of building performance: Carbon emissions, thermal comfort, and global cost | |
Alwisy et al. | Evidence-based ranking of green building design factors according to leading energy modelling tools | |
Liu et al. | A multi-objective optimization framework for designing urban block forms considering daylight, energy consumption, and photovoltaic energy potential | |
Wu et al. | Intelligent multiobjective optimization design for NZEBs in China: Four climatic regions | |
Wu et al. | Intelligent optimization framework of near zero energy consumption building performance based on a hybrid machine learning algorithm | |
Luo et al. | Study on dual-objective optimization method of life cycle energy consumption and economy of office building based on HypE genetic algorithm | |
Carpino et al. | Improve decision-making process and reduce risks in the energy retrofit of existing buildings through uncertainty and sensitivity analysis | |
Chen et al. | A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou | |
Liu et al. | Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology | |
Du et al. | Multi-regional building energy efficiency intelligent regulation strategy based on multi-objective optimization and model predictive control | |
CN114764521A (zh) | 基于遗传算法的园区建筑形体优化方法及系统 | |
CN117057021A (zh) | 一种基于多目标动态权重的建筑改造方案优化方法 | |
CN114037165B (zh) | 一种考虑多源不确定性的建筑冷热负荷预测方法 |
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 |