CN114662201B - 一种自然通风智能调控的寻优方法 - Google Patents
一种自然通风智能调控的寻优方法 Download PDFInfo
- Publication number
- CN114662201B CN114662201B CN202210345406.8A CN202210345406A CN114662201B CN 114662201 B CN114662201 B CN 114662201B CN 202210345406 A CN202210345406 A CN 202210345406A CN 114662201 B CN114662201 B CN 114662201B
- Authority
- CN
- China
- Prior art keywords
- natural ventilation
- ventilation
- building
- model
- performance
- 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
- 238000009423 ventilation Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000011835 investigation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 241000254032 Acrididae Species 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 3
- 230000001808 coupling effect Effects 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002195 synergetic effect Effects 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/06—Energy or water supply
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Structural Engineering (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
Abstract
本发明公开了一种自然通风智能调控的寻优方法,包括:S1搭建参数化建筑信息平台;S2自然通风调控倾向的快速识别;S3建筑自然通风性能的快速预测;S4自然通风智能调控决策模型;本发明的优点是:充分挖掘多种通风要素耦合作用下的自然通风调控潜力。在性能模拟的基础上加入机器学习算法,为自然通风性能的快速预测提供方法支撑。能够在较短时间内,为实现建筑自然通风性能的多目标优化,搜索出多种通风要素耦合的最优组合,从而尽可能地延长自然通风有效时间,充分发挥自然通风的健康、节能优势。
Description
技术领域
本发明涉及建筑节能减排技术领域,特别涉及一种自然通风智能调控的寻优方法。
背景技术
自然通风由风压和热压驱动,能够在降低能耗的同时起到良好的降温、换气作用,是绿色、节能的建筑环境调节方式。《新冠肺炎疫情期间重点场所和单位卫生防护指南》中建议,新冠肺炎疫情期间,人员密集且流动性大、容易暴发聚集性疫情的场所以及容易暴发聚集性疫情的单位,在温度适宜时尽量采用自然通风加强室内空气流通。自然通风在办公、体育、医疗、教育、餐饮等各类公共建筑中的普遍应用变得十分重要和迫切。但是自然通风同时面临不稳定和难以控制的问题。为了提高自然通风对不同公共建筑风热环境需求的适应能力,本项目以“自然通风智能调控”为切入点,通过自然通风与使用者行为的交互应变,加强自然通风的有效控制。
智能控制是一种可以调用多种调控手段动态应变的智慧型控制方式。如图1 所示,与自我感知、决策、执行的人工控制方式相比,智能控制模式下只需事先编写好控制程序,其他工作交由控制系统自动执行:传感器实时获取全方位环境信息,中央处理器评估输入信息,快速预测并搜索出最优调控方案;调控指令传输至执行器实现多种建筑要素的即时调整;一轮调控完成后还可通过人机交互获取使用者反馈,据此较正控制目标并开始新一轮调控;当中央处理器判断自然通风已无法满足需求时,则会停止通风并适时开启机械空调系统,最终实现多种调控方式联动协同。
智能控制系统的设计是一个十分复杂的过程,需要多学科、多工种协同合作:“万物互联”的物联网技术可为智能控制提供全方位环境信息,自动化技术为控制系统的执行提供帮助。而在自然通风智能调控的整个流程中,类似人类大脑的数据处理器是实现室外气象条件、室内使用者行为与通风装置要素的交互应变,决定整个系统是否能够正确、准确运转的关键。
本发明旨在建立使用者通风需求和自然通风调控要素的深层关联:通过分析各个终端感应器获取的实时气象参数数据、室内物理环境参数以及使用者需求指令,计算出合理的智能调控目标,然后从建筑设计角度提出与调控目标相匹配的通风装置形态,将指定下到执行器,最终完成自然通风的智能调控。总之,本发明研究体育建筑自然通风的智能调控设计,其具体的研究意义和应用前景如下:提升绿色建筑运行管理的智能化科技水平,保证建筑健康、节能设计的真正落实,为健康建筑以及节能建筑的智能升级提供技术方案。
现有技术的局限性
现有技术尝试通过调整侧窗的开启位置和大小使室内气流适应运动、静坐等人群的不同行为需求,而除此之外,侧窗、天窗等通风口的形状、开启构造和角度以及翼墙、挡风板、隔断等导风、挡风装置的位置、尺寸和倾斜角度均可起到调节自然通风的作用。但是这些研究止步于单一通风装置与自然通风性能的关联,多种通风装置要素耦合的自然通风调控潜力需要进一步研究。
有研究发现温度控制自然通风可有效延长建筑的热舒适时间。而除了空气温度以外,操作温度、新有效温度以及CO2浓度也是常见的控制指标。但是,需要注意的是风速、空气品质、热舒适等多种性能目标之间存在协同和竞争共存的复杂关系,单一指标的控制难以平衡多目标需求,甚至有时还会激化矛盾。采用多目标优化算法可以较好的解决多种性能的平衡问题,对本发明研究问题的解决提供方法途径。
目前,智能控制已被应用于遮阳、采光、通风等多种性能的动态控制中。可变建筑要素的模块化、复合化是实现其灵活调节、高效性能的重要设计思路。参数化设计是可变建筑的重要设计方法。在智能控制的逻辑机理方面,现阶段,自然通风以设定温度、CO2浓度等指标控制值的规则控制(Rule-based control)为主。而实际上,模型预测控制(ModelPredictive control,MPC)对多要素- 多目标控制问题(Multiple-input-multiple-output Control,MIMO)具有更强的处理能力,是未来智能控制的重要发展趋势,但同时也对支持模型的计算速度和数据处理能力提出更高要求。
目前,以风速为自然通风控制指标的研究较少,CFD模拟等风速计算方法流程复杂、耗时较长,难以实现动态计算,限制了以风速为指标实现自然通风动态控制的研究发展。以温度和CO2浓度为控制指标的研究虽然较多,但主要依赖于建筑性能动态模拟方法。该方法基于集总参数法,将室内空气视为一个节点,模拟结果的精度较低。机器学习可以实现建筑风热性能的快速预测,对CFD模拟结果的预测也已在汽车热舒适、城市风环境等多领域出现,对本发明具有很强的借鉴意义。
发明内容
本发明针对现有技术的缺陷,提供了一种自然通风智能调控的寻优方法。
为了实现以上发明目的,本发明采取的技术方案如下:
一种自然通风智能调控的寻优方法,包括以下步骤:
S1搭建参数化建筑信息平台;
S11建立参数化建筑基础模型;
利用grasshopper参数化建模软件建立智能调控目标建筑的参数化基础模型,包括:建筑基本信息如朝向、平面布局、形体、材料为常量,通风装置要素如侧窗、天窗、翼墙、挡风板、隔断的形态为变量;
S12建立建筑通风性能模拟模型;
调研可以适配到目标建筑的通风装置要素形态和可变范围并赋值到参数化基础模型中;生成通风要素形态随机组合的建筑模型若干,为通风性能模拟做准备;
S2自然通风调控倾向的快速识别;
S21获取通风倾向基础信息;
选择与智能调控目标建筑功能、体量相近的已建成建筑若干(位于同一城市最佳),通过现场调研获取建筑内典型行为发生的空间及时间特征,典型行为包括平躺、静坐、行走和运动等,通过在这些已建成建筑中进行现场实测获取建筑的室内外风热环境数据,同时发放问卷令使用者对当下建筑环境调节的需求倾向进行投票,包括充分自然通风、停止自然通风、限制自然通风三种;
S22建立自然通风倾向识别模型;
以通风需求基础信息为训练数据,采用随机森林算法对不同典型行为模式及室内外风热环境条件下使用者期望的需求倾向进行特征分类,实现自然通风调控需求倾向及室内外风热环境数据的快速匹配,在实际运行中负责对智能调控系统下达调控目标指令。
随机森林算法的输入项为使用者行为模式以及发放问卷当下的室内外风热环境数据,输出项为充分自然通风、限制自然通风、停止自然通风三种通风需求倾向,最终建立自然通风倾向识别模型;
S3建筑自然通风性能的快速预测;
S31获取建筑风热性能基础数据;
针对随机组合的建筑模型,依托BCVTB软件平台实现CFD模拟与Energyplus 建筑性能动态模拟的耦合计算,高效地获取通风装置形态多要素随机组合的目标建筑自然通风性能模拟数据;
S32训练自然通风性能快速预测模型
以性能模拟数据结果为训练数据,采用支持向量机回归算法建立以通风装置形态要素、室外环境参数、室内行为模式为输入,室内风速、操作温度、CO2浓度等性能指标为输出的自然通风性能预测模型,实现多种通风要素耦合性能的快速预测;
S4自然通风智能调控决策模型;
采用粒子群算法搜索操作温度、CO2浓度、风速多目标共同作用下的非支配解集;选择调控前后通风装置形态最小的最优解输出,最终建立能完成多要素-多目标寻优的自然通风智能调控决策模型,为调控手段的正确决策提供依据。
进一步地,参数化基础模型包括:建筑基本信息如朝向、平面布局、形体、材料为常量,通风装置要素如侧窗、天窗、翼墙、挡风板、隔断的形态为变量。
进一步地,S31的耦合计算具体为:
先由Energyplus建筑能耗模拟引擎读取气象数据,将计算所得的墙体表面温度以及气象数据中的室外风向、风速、空气温度信息传递给CFD软件包作为CFD 模拟边界条件。CFD迭待完成后,将计算得出的通风量、室内空气温度数据传递回Energyplus,以此类推直至气象数据读取完成,并最终输出每一轮模拟得到的包括:室内风速、操作温度、CO2浓度的性能模拟数据。
进一步地,S32具体为:训练开始前需将所有特征向量进行归一化处理,消除风速、热舒适等数据指标之间量纲不统一的影响。为保证预测结果的准确性采用交叉验证的方法划分训练集、测试集和预测集。首先,整体数据集采用N-10 交叉验证方法,将性能模拟数据集分成训练集和预测集,将数据集随机并平均分成10份,其中9份作为训练集,建立模型;剩余的1份作为独立的预测集,验证模型预测能力,如此迭代10次。同时,利用训练集进行特征选择、构建模型时,采用5折交叉验证,即将所有的训练集患者分成5份,其中4份再作为子训练集,用于构建模型;剩下的1份用于测试模型的性能;如此循环5次,直到每一份数据都被测试一次,形成最终模型;最后将最终模型放入预测集中进行验证。
与现有技术相比,本发明的优点在于:
第一,首先,侧窗、天窗、翼墙、挡风板、隔断等一系列通风装置要素的尺度、数量、分布、构造均可影响自然通风特性。本发明充分挖掘多种通风要素耦合作用下的自然通风调控潜力,打破了以往研究中仅针对一种或几种通风要素进行自然通风性能评估的局限性。
第二,CFD、建筑性能动态模拟等目前常用的自然通风研究方法计算速度慢,难以实现多种通风要素耦合性能的快速预测。本发明在性能模拟的基础上加入机器学习算法,为自然通风性能的快速预测提供方法支撑。
第三,风速、操作温度、CO2浓度等均为常见的自然通风控制指标,但是单一指标的控制难以平衡室内风场、热舒适、室内空气品质等多种性能的需求。与目前常用的规则控制方法相比,本发明采用机器学习和多目标优化算法相结合的模型预测控制方法,对自然通风调控这种多要素-多目标问题具有更强的处理能力,能够在较短时间内,为实现建筑自然通风性能的多目标优化,搜索出多种通风要素耦合的最优组合,从而尽可能地延长自然通风有效时间,充分发挥自然通风的健康、节能优势。
附图说明
图1是随机森林特征分类的原理示意图;
图2是本发明实施例Energyplus-Fluent耦合计算流程图;
图3是本发明实施例支持向量机回归模型的建立流程图;
图4是本发明实施例粒子群算法模型的建立流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
一种自然通风智能调控的寻优方法,包括以下步骤:
S1搭建参数化建筑信息平台;
S11建立建筑基础模型;
利用grasshopper参数化建模软件建立智能调控目标建筑的参数化基础模型,涵盖建筑朝向、平面布局、形体、材料等基本信息;
S12建立建筑通风性能模拟模型;
调研可以适配到智能调控目标建筑的侧窗、天窗、翼墙、挡风板、隔断等通风装置的合理形态和可变范围;基于建筑基础模型进一步生成通风要素形态随机组合的建筑模型若干(建议20~50种组合左右)。S2自然通风调控需求的快速识别
S21获取通风需求基础信息
选择与智能调控建筑对象在功能、规模等方面相近的位于同一城市的已建成建筑若干,通过现场调研获取建筑内典型行为(如平躺、静坐、行走、运动等) 发生的空间及时间特征,通过在这些已建成建筑中进行现场实测获取建筑的室内外风热环境数据,同时发放问卷获取当下使用者对建筑环境调节的需求倾向。
S22自然通风需求倾向分类模型。
以实地调研获取的使用者自然通风需求感受以及当下的室内外物理环境情况为训练数据,采用随机森林算法对不同行为模式及室内外风热环境条件下使用者期望的自然通风调控倾向进行特征分类,实现自然通风调控需求及室内外物理环境数据的快速匹配,在实际运行中负责对智能调控系统下达调控目标指令。
随机森林算法的输入项为使用者环境调节需求以及发放问卷当下的室内外风热环境数据,输出项为充分自然通风、限制自然通风、停止自然通风三种通风模式,最终建立自然通风倾向评估模型。
随机森林是一种常用的特征分类方法(图1)。它基于众多决策树,每棵决策树都是一个分类器,从根节点开始,依据if-then规则对特征属性进行测试并分配到子节点,如此递归最后到达叶节点,得到分类结果。随机森林由n棵决策树组成,每棵决策树的分类结果记为一张选票,最后得票最多的类别即为预测结果。随机森林算法的优势在于对大部分数据均有较好的分类效果,训练速度也比较快,还可以评估各个特征在分类问题上的重要性,能够较好地解释不同环境条件下的自然通风倾向性问题。
S3建筑风热性能的快速预测
S31获取建筑风热性能基础数据
针对随机组合的建筑模型,采用CFD与建筑性能动态模拟耦合计算的方法,高效地获取通风装置形态随机组合的目标建筑风热性能数据。
这一阶段将依托BCVTB软件平台实现CFD模拟与建筑性能动态模拟的耦合计算,充分利用CFD模拟在流体传热方面、建筑性能动态模拟在固体传热方面的计算优势,获取建筑要素和性能指标关联信息,保证结果准确度的同时提高计算效率,为机器学习提供充足、可靠的训练数据。具体方法流程如图2所示:先由 Energyplus(建筑能耗模拟引擎)读取气象数据,将计算所得的墙体表面温度以及气象数据中的室外风向、风速、空气温度等信息传递给Fluent(商用CFD软件包)作为CFD模拟边界条件。CFD迭待完成后,将计算得出的通风量、室内空气温度等数据传递回Energyplus,以此类推直至气象数据读取完成,并最终输出每一轮模拟得到的室内风速、操作温度、CO2浓度等性能模拟数据。
S32训练风热性能快速预测模型
以性能模拟数据结果为训练数据,采用支持向量机回归算法(Support VectorRegression,SVR)建立以通风装置形态要素、室外环境参数为输入,室内风速、操作温度、CO2浓度等性能指标为输出的自然通风性能预测模型,实现多种通风要素耦合性能的快速预测。
支持向量机是一种基于统计的机器学习方法。与人工神经网络等其他常用的机器学习回归算法相比,它的运算过程具有更强的解释性,即使训练数据相对较少也能很好地解决非线性问题,而且运算速度相对较快,与本项目对计算速度快、模型体积小的诉求一致。本项目将依托支持向量机工具箱LibSVM实现支持向量机回归算法的训练,训练流程如图3所示:训练开始前需将所有特征向量进行归一化处理,消除风速、热舒适等数据指标之间量纲不统一的影响。为保证预测结果的准确性,研究将采用交叉验证(Crossvalidation,CV)的方法划分训练集、测试集和预测集。首先,整体数据集采用N-10交叉验证方法,将数据集分成训练集和预测集,即将数据集随机并平均分成10份,其中9份作为训练集,建立模型;剩余的1份作为独立的预测集,验证模型预测能力,如此迭代10次。同时,利用训练集进行特征选择、构建模型时,采用5折交叉验证,即将所有的训练集患者分成5份,其中4份再作为子训练集,用于构建模型;剩下的1份用于测试模型的性能;如此循环5次,直到每一份数据都被测试一次,形成最终模型;最后将最终模型放入预测集中进行验证。这样的好处是:充分利用了所有的样本,所有样本都用作训练模型,所有样本也都用作测试集;更重要的是,每一次被预测的被试都独立于模型的训练,符合独立样本验证的要求。
S4自然通风智能调控决策模型
如图4所示,采用粒子群算法(Particle Swarm optimization,PSO)搜索操作温度CO2浓度、风速等多目标作用下的非支配解集(多目标最优解)。为降低调控设备执行压力,除性能目标外寻优搜索还需考虑可变要素的变化幅度,选择调控前后差异最小的最优解输出,最终建立多要素-多目标寻优模型,为调控手段的正确决策提供依据。
S4具体为:采用粒子群多目标优化算法对符合自然通风调控倾向的通风要素最优组合结果进行搜索。粒子群算法来源于对鸟群捕食行为的模拟,每次搜寻都会根据自身经验(自身历史搜寻的最优地点)和种群交流(种群历史搜寻的最优地点)调整自身搜寻方向和速度,通过跟踪极值最终找到非支配解即最优解。在多目标优化中,“支配”的含义是假设任何两个可行解S1及S2对所有目标而言 S1均优于S2,则认为S1支配S2。当某一可行解不受其他解支配时,该可行解即为非支配解,即最终输出的自然通风智能调控最优方案。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种自然通风智能调控的寻优方法,其特征在于,包括以下步骤:
S1搭建参数化建筑信息平台;
S11建立建筑基础模型;
利用grasshopper参数化建模软件建立智能调控目标建筑的参数化基础模型,基础模型包括:建筑基本信息如朝向、平面布局、形体、材料为常量,通风装置要素如侧窗、天窗、翼墙、挡风板、隔断的形态为变量;
S12建立建筑通风性能模拟模型;
调研适配到目标建筑的通风装置要素形态和可变范围,并赋值到参数化基础模型中;生成通风要素形态随机组合的建筑模型若干,为通风性能模拟做准备;
S2自然通风调控倾向的快速识别;
S21获取通风倾向基础信息;
选择与智能调控目标建筑功能、体量相近的位于同一城市的已建成建筑若干,通过现场调研获取建筑内典型行为发生的空间及时间特征,典型行为包括平躺、静坐、行走和运动,通过在这些已建成建筑中进行现场实测获取建筑的室内外风热环境数据,同时发放问卷令使用者对当下建筑环境调节的需求倾向进行投票,包括充分自然通风、停止自然通风、限制自然通风三种;
S22自然通风调控倾向识别模型建立;
以通风需求基础信息为训练数据,采用随机森林算法对不同典型行为模式及室内外风热环境条件下使用者期望的需求倾向进行特征分类,实现自然通风调控需求倾向及室内外风热环境数据的快速匹配,在实际运行中负责对智能调控系统下达调控目标指令;
随机森林算法的输入项为使用者行为模式以及发放问卷当下的室内外风热环境数据,输出项为充分自然通风、限制自然通风、停止自然通风三种通风需求倾向,最终建立自然通风倾向识别模型;
S3建筑自然通风性能的快速预测;
S31获取建筑风热性能基础数据;
针对随机组合的建筑模型,依托BCVTB软件平台实现CFD模拟与Energyplus建筑性能动态模拟的耦合计算,高效地获取通风装置形态随机组合的目标建筑自然通风性能模拟数据;
所述耦合计算具体为:
先由Energyplus建筑能耗模拟引擎读取气象数据,将计算所得的墙体表面温度以及气象数据中的室外风向、风速、空气温度信息传递给CFD软件包作为CFD模拟边界条件;CFD迭待完成后,将计算得出的通风量、室内空气温度数据传递回Energyplus,以此类推直至气象数据读取完成,并最终输出每一轮模拟得到的包括:室内风速、操作温度、CO2浓度的性能模拟数据;
S32训练自然通风性能快速预测模型
以性能模拟数据结果为训练数据,采用支持向量机回归算法建立以通风装置形态要素、室外环境参数、室内行为模式为输入,室内风速、操作温度、CO2浓度性能指标为输出的自然通风性能预测模型,实现多种通风要素耦合性能的快速预测;
具体为:训练开始前将所有特征向量进行归一化处理,消除风速、操作温度、CO2浓度指标之间量纲不统一的影响;采用交叉验证的方法划分训练集、测试集和预测集;首先,整体数据集采用N-10交叉验证方法,将性能模拟数据集分成训练集和预测集,将数据集随机并平均分成10份,其中9份作为训练集,建立模型;剩余的1份作为独立的预测集,验证模型预测能力,如此迭代10次;同时,利用训练集进行特征选择、构建模型时,采用5折交叉验证,即将所有的训练集患者分成5份,其中4份再作为子训练集,用于构建模型;剩下的1份用于测试模型的性能;如此循环5次,直到每一份数据都被测试一次,形成最终模型;最后将最终模型放入预测集中进行验证;
S4自然通风智能调控决策模型;
采用粒子群算法搜索操作温度、CO2浓度、风速多目标共同作用下的非支配解集;选择调控前后通风装置形态最小的最优解输出,最终建立能完成多要素-多目标寻优的自然通风智能调控决策模型,为调控手段的正确决策提供依据。
2.根据权利要求1所述的一种自然通风智能调控的寻优方法,其特征在于:参数化基础模型包括:建筑基本信息包括:朝向、平面布局、形体、材料为常量,通风装置要素包括:侧窗、天窗、翼墙、挡风板、隔断的形态为变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345406.8A CN114662201B (zh) | 2022-03-31 | 2022-03-31 | 一种自然通风智能调控的寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345406.8A CN114662201B (zh) | 2022-03-31 | 2022-03-31 | 一种自然通风智能调控的寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662201A CN114662201A (zh) | 2022-06-24 |
CN114662201B true CN114662201B (zh) | 2024-01-19 |
Family
ID=82034104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210345406.8A Active CN114662201B (zh) | 2022-03-31 | 2022-03-31 | 一种自然通风智能调控的寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662201B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915746B (zh) * | 2023-09-14 | 2023-11-21 | 北京国旭网络科技有限公司 | 一种基于物联网的IPv6寻址方法 |
CN116976155B (zh) * | 2023-09-25 | 2023-12-26 | 青岛理工大学 | 基于bim建筑能耗的模拟方法及系统 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN108665187A (zh) * | 2018-05-23 | 2018-10-16 | 中国石油大学(华东) | 基于海陆风资源的沿海城市建筑风环境设计 |
CN108827386A (zh) * | 2018-07-02 | 2018-11-16 | 长沙理工大学 | 一种建筑模型室内自然通风测试装置及测试方法 |
CN110532687A (zh) * | 2019-08-29 | 2019-12-03 | 哈尔滨工业大学 | 一种寒地体育馆建筑自然通风参数化设计方法 |
KR20200100374A (ko) * | 2019-02-18 | 2020-08-26 | 충북대학교 산학협력단 | 실내 공간에 대한 환기 알림 장치 |
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 |
CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及系统 |
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 |
CN113378357A (zh) * | 2021-05-20 | 2021-09-10 | 湖北工业大学 | 基于气候适应性的自然通风参数化设计与动态分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10705492B2 (en) * | 2017-06-12 | 2020-07-07 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
US10921760B2 (en) * | 2018-06-12 | 2021-02-16 | PassiveLogic, Inc. | Predictive control loops using time-based simulation and building-automation systems thereof |
CN109282443B (zh) * | 2018-09-05 | 2021-03-09 | 广东工业大学 | 一种多模式、低能耗的室内热调节方法 |
-
2022
- 2022-03-31 CN CN202210345406.8A patent/CN114662201B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN108665187A (zh) * | 2018-05-23 | 2018-10-16 | 中国石油大学(华东) | 基于海陆风资源的沿海城市建筑风环境设计 |
CN108827386A (zh) * | 2018-07-02 | 2018-11-16 | 长沙理工大学 | 一种建筑模型室内自然通风测试装置及测试方法 |
KR20200100374A (ko) * | 2019-02-18 | 2020-08-26 | 충북대학교 산학협력단 | 실내 공간에 대한 환기 알림 장치 |
CN110532687A (zh) * | 2019-08-29 | 2019-12-03 | 哈尔滨工业大学 | 一种寒地体育馆建筑自然通风参数化设计方法 |
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 |
CN113378357A (zh) * | 2021-05-20 | 2021-09-10 | 湖北工业大学 | 基于气候适应性的自然通风参数化设计与动态分析方法 |
CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及系统 |
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 |
Non-Patent Citations (5)
Title |
---|
Cheng Zheng 等.Natural ventilation potential for gymnasia – Case study of ventilation and comfort in a multisport facility in northeastern United States.《Building and Environment》.2016,第108卷全文. * |
Guo Weihong 等.Combining EnergyPlus and CFD to predict and optimize the passive ventilation mode of medium-sized gymnasium in subtropical regions.《Building and Environment》.2022,第207卷全文. * |
白晓伟 等.基于响应面的全民健身中心自然通风性能优化研究.《工业建筑》.2020,(第03期),全文. * |
程征 等.体育馆自然通风降温潜力评估及优化策略研究.《建筑与文化》.2019,(第12期),全文. * |
程征.基于自然通风模拟的体育馆设计策略研究.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2019,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114662201A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
Alcalá et al. | Fuzzy control of HVAC systems optimized by genetic algorithms | |
Merabet et al. | Intelligent building control systems for thermal comfort and energy-efficiency: A systematic review of artificial intelligence-assisted techniques | |
CN106951611B (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Sha et al. | Overview of computational intelligence for building energy system design | |
Wei et al. | Multi-objective optimization of the HVAC (heating, ventilation, and air conditioning) system performance | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
Yuan et al. | Study on the application of reinforcement learning in the operation optimization of HVAC system | |
CN110298487A (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 | |
CN113269365B (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 | |
Broday et al. | The role of internet of things (IoT) in the assessment and communication of indoor environmental quality (IEQ) in buildings: a review | |
CN114623569A (zh) | 一种基于深度强化学习的集群空调负荷差异化调控方法 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
Sözer et al. | Predicting the indoor thermal data for heating season based on short-term measurements to calibrate the simulation set-points | |
Jitkongchuen et al. | Prediction Heating and cooling loads of building using evolutionary grey wolf algorithms | |
CN111288610A (zh) | 一种变风量空调系统变静压自适应模糊控制方法 | |
Luo et al. | Data-driven thermal preference prediction model with embodied air-conditioning sensors and historical usage behaviors | |
Wang et al. | Research on intelligent regulation of air conditioning energy saving based on human thermal comfort | |
Aparicio-Ruiz et al. | KNN and adaptive comfort applied in decision making for HVAC systems | |
Gao et al. | Fault diagnosis for cooling dehumidifier based on fuzzy classifier optimized by adaptive genetic algorithm | |
CN114200839B (zh) | 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 | |
CN113255223B (zh) | 一种空调负荷短期预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |