CN115935477A - 基于机器学习的能量桩绿色低碳建筑设计方法 - Google Patents

Abstract

本发明属于地热能开发与利用技术领域，提出了一种基于机器学习的能量桩绿色低碳建筑设计方法。影响热致应力和换热效率的样本属性所起的作用相反，寻找同时应用于热致应力和换热效率对应的能量桩特征参数，输入至能量桩绿色低碳建筑设计联邦学习算法中，作为判断最优方案的阈值和依据。输入相同样本属性至能量桩换热效率的模拟退火法优化支持向量回归模型、能量桩热致应力的K近邻回归预测模型；选取换热效率和热致应力所对应的能量桩特征参数，建立能量桩绿色低碳建筑设计方法，最终确定机组设备、能量桩结构、建筑负荷。该发明具有技术成本低、操作简单、普适性强的优势，克服了传统建筑设计方法的主观经验性，提高计算效率和设计结果的科学性。

Description

基于机器学习的能量桩绿色低碳建筑设计方法

技术领域

本发明涉及地热能开发与利用技术领域，尤其涉及基于机器学习的能量桩绿色低碳建筑设计方法。

背景技术

地源热泵技术通过提取可循环利用的浅层地热能，达到对建筑室内环境温度调节的目的，它的功能在本质上是一种季节性的能源储备机制。目前，地源热泵已被认为是实现绿色低碳建筑途径中最具发展潜力的节能环保的暖通空调技术。但是，实际运行中传统地源热泵系统通常需要足够大的土地空间来设置地埋管换热器，前期投入成本较高，与传统制冷制热方式相比其优势大打折扣，因而成为制约地源热泵技术进一步发展应用的主要障碍之一。

能量桩是地源热泵技术与传统桩基础相结合的经济、高效、节能减排的新技术。通过在桩基础中埋设各种形状的换热管路装置，进行浅层地热能转换，在满足常规桩基力学功能的同时还能通过桩体实现与浅层地热能的热交换，起到桩基和地埋管换热器同时施工的双重作用。相较传统的地源热泵技术在投资成本、换热效率、土地利用率方面都有显著的优势。既有现场试验表明能量桩的换热效率以及温度荷载对桩身应力的影响评价预测是能量桩绿色低碳建筑设计的基础和前提。

中国发明专利申请号为CN202110124290.0，名称为一种粮仓能源桩试验平台及其试验运行方法，公开了一种粮仓能源桩试验平台及其试验运行方法，可通过能源桩模型、粮仓模型、筏板模型中的热/力学监控系统监测粮仓能源桩的热致应力变化。

中国发明专利申请号为CN201410177624.0，名称为能量桩-土荷载、温度传递机理模型试验装置和试验方法，公开了一种可视化能量桩-土荷载、温度传递机理模型试验装置和试验方法，可通过PIV技术和光纤技术实时观测温度作用下桩-土相互作用。

中国发明专利申请号为CN201410077507.7，名称为一种能量桩桩-土接触面摩擦力测试装置及测试方法，公开了一种循环控制系统、加荷系统、加压系统、测量系统构成的能源桩桩-土接触面摩擦力测试装置。

中国发明专利申请号为CN201810818755.0，名称为能源桩试验监测系统及测试方法，公开了一种含能源桩桩体、加载装置、桩顶位移测试装置、循环温控装置、数据采集装置和岩土热响应测试装置的试验监测系统，可对能源桩的热力学参数做更完善的测试与分析。

中国发明专利申请号为CN201611087188.3，名称为一种能源桩热力耦合作用下轴力计算方法，公开了一种热力耦合作用下，基于荷载传递法思想的能量桩一维有限差分轴力计算方法。

上述为数不多的能量桩热力响应分析，主要通过模型试验、现场试验或数值模拟手段。因此，需要一种易于推广且简单合理的计算方法，便于实际工程中准确评价温度荷载对桩体承载性能的影响。

目前传统的建筑设计方法是由设计人员参考规范要求进行设计计算，在计算结果的基础上根据经验安全系数进行构思、完成设计图纸绘制工作，但是这种设计方法存在设计不合理、缺乏科学性的问题。能量桩绿色低碳建筑设计需要在准确评价换热效率和桩身热致应力的基础上，综合考虑能量桩埋管参数、建筑荷载、建筑负荷特征、机组设备选型各模块之间的相互约束，若继续沿用基于安全系数思想的传统设计方法易出现材料强度过大、设备配置过大，导致过于保守的设计方案，有违节能、环保、低碳、经济的设计初衷。

机器学习是通过建立合适的算法使得计算机能够从一类数据中自动分析获得规律，并利用规律对未知数据进行预测的科学技术。

中国发明专利申请号为CN202110380281.8，名称为基于机器学习的沉桩过程评估方法、存储介质及电子设备，公开了一种沉桩过程主成分评价模型。

中国发明专利申请号为CN202010319454.0，名称为基于机器学习的桩-土相互作用预测分析方法，公开了一种数值模拟样本基础上的桩体承载力神经网络模型。

机器学习可以通过建立合适的算法使得计算机能够从一类数据中自动分析获得规律，并利用规律对未知数据进行预测的科学技术。通过机器学习训练大量的数据样本，可以用于预测桩基施工和桩体承载力的评价。但上述基于机器学习的桩体评价方法仅分析了桩体的承载力以及沉桩施工的评价，且使用的两种学习模型存在计算过程可读性低、输入参数被简化的问题，不适用于评估能量桩的换热性能、热力特性，造成无法设计计算能量桩绿色低碳建筑系统。

发明内容

为了克服现有技术存在的以下不足和问题：(1)既有能量桩热力分析方法的计算成本过高、实施过程复杂；(2)传统基于经验安全系数思想的设计方法难以满足能量桩绿色低碳建筑系统设计的绿色低碳理念。因此，本发明专利提供一种基于机器学习的能量桩绿色低碳建筑设计方法，以达到提高能量桩绿色建筑设计的科学合理性和降低设计计算、经济成本的双重目标。

本发明的技术方案如下：一种基于机器学习的能量桩绿色低碳建筑设计方法，由于影响热致应力和换热效率相同的样本属性对二者所起的作用相反，寻找同时应用于热致应力和换热效率预测结果对应的能量桩特征参数，作为能量桩绿色建筑设计中训练能量桩埋管设计参数基础数据，输入至能量桩绿色低碳建筑设计联邦学习算法中，作为判断最优方案的阈值和依据；基于机器学习的能量桩绿色低碳建筑设计方法包括能量桩换热效率预测、能量桩热致应力预测以及基于联邦学习架构的能量桩绿色低碳建筑设计方法；

所述能量桩换热效率预测具体包括如下步骤：

S1：获取能量桩换热效率训练样本数据及对应的标签；能量桩换热效率训练样本数据包括能量桩特征参数、岩土体参数、换热循环液状态参数，标签数据包括反映能量桩换热效率的信息；能量桩特征参数包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数、

S2：能量桩换热效率训练样本数据预处理以及数据特征分析；对能量桩换热效率训练样本数据进行质量分析、特征分析、清洗处理，划分出监督学习所需的能量桩换热效率训练集和能量桩换热效率预测集；

S3：能量桩换热效率预测模型训练，根据能量桩换热效率训练集的样本数据信息建立能量桩换热效率预测模型进行训练；

S4：输入能量桩换热效率预测集的样本属性信息，能量桩换热效率预测集的样本属性包括：能量桩特征参数、岩土体参数、换热循环液状态参数；

S5：根据能量桩换热效率预测模型计算能量桩换热效率预测集对应的换热效率预测结果；

S6：能量桩换热效率预测结果评价；将S5获得的预测结果与能量桩换热效率预测集样本对应的标签进行对比，计算能量桩换热效率预测模型预测误差，评价其精度；

S7：将需要预测的能量桩特征参数、岩土体参数、换热循环液状态参数作为能量桩换热效率预测集属性空间，通过能量桩换热效率预测模型进行能量桩的传热特征预测计算；

所述能量桩热致应力预测具体包括如下步骤：

T1：获取热致应力训练样本数据及对应的标签；热致应力训练样本数据包括能量桩特征参数、岩土体参数，标签数据包括反映能量桩热致应力的相关信息，包括热致桩侧摩阻力、热致桩身应力、热致桩身应变；

T2：热致应力训练样本数据预处理，定义状态向量；对热致应力训练样本数据进行质量分析、特征分析、清洗处理获得热致应力训练集和热致应力预测集；通过敏感性分析将样本属性变量按照相关性进行排序，取排序靠前的样本属性变量作为状态参数的元素，t时刻的状态向量表示为X(t)＝[x₁(t),x₁(t-1),x₂(t),x₂(t-1),x₃(t),x₃(t-1),…,x_n(t),x_n(t-1)]；

T3：选择距离度量准则；状态空间中的各状态向量X与目标向量Y之间的相关程度用状态空间中的距离表示；

T4：热致应力预测集的样本属性包括：能量桩特征参数、岩土体参数；将热致应力训练集样本属性形成状态向量，在热致应力训练集中搜索当前状态向量的K个近邻，形成K近邻预测模型；输入热致应力预测集的样本属性信息至K近邻预测模型；K个近邻对应的预测均值

为K近邻预测模型计算热致应力预测集对应的热致应力预测结果；

T5：能量桩热致应力预测结果评价，将T4得到的预测结果与热致应力预测集样本对应的标签进行对比形成混淆矩阵；根据混淆矩阵计算K近邻预测模型灵敏度、准确度、精确度，进一步评价K近邻预测模型预测误差、模型精度；

灵敏度

其值越接近1，模型拟合效果越好。准确度

其值越接近1，模型预测能力越强。

其值越接近1，模型预测正确率越高。

表1混淆矩阵

T6：将需要预测的能量桩特征参数、岩土体参数作为热致应力预测集属性空间，通过K近邻预测模型进行能量桩的热致应力预测计算；

所述基于联邦学习架构的能量桩绿色低碳建筑设计方法，建立以客户端-服务器架构为基础的能量桩绿色低碳建筑设计联邦学习算法框架；客户端包括4大模块：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块，用于所有子模块的学习计算；将客户端计算出的脱敏参数汇总到中央服务器进行计算后，下发至各客户端更新自己的本地模型，直至全局模型稳健为止；具体步骤如下：

D1：收集整理建筑信息以及环境信息，进行数据预处理，分析样本数据特征，并将样本数据特征分配至对应的计算模块客户端；样本数据通过现场勘察技术、现场监测技术、问卷调查技术、图像智能识别技术中的一项或一项以上获取；样本数据信息包括建筑信息参数、环境信息参数、地基信息参数、机组设备参数、能量桩埋管几何参数；

D2：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端更新本地模型；

D3：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端以公钥的形式上传加密的脱敏参数至中央服务器；客户端i的相关数据表示为

可以加密为

D4：中央服务器利用私钥对4个客户端上传的加密脱敏参数解密，进行安全聚合，随后更新全局共享模型；中央服务器通过

进行加密脱敏参数的解码；中央服务器端的联邦学习至少按照如下一种同步方式获得全局共享模型：梯度平均、联邦平均、知识蒸馏；将所有客户端模型基于知识蒸馏进行联邦学习的聚合，按照公式

进行4个客户端的全局模型权重更新，其中W_n+1为第n轮的全局模型参数，

为第n轮客户端i上传服务器的客户端子模型权重。每一轮模型权重更新后，中央服务器计算全局模型的误差和准确率。中央服务器还可以控制传输速度、模型训练的关停。

D5：中央服务器将全局共享模型生成用于加密传输数据的公钥，并下发至各客户端；根据全局共享模型传递的各本地客户端更新其他相关客户端的迭代结果作为新样本数据属性参数；例如，能量桩埋管方案随机森林模型客户端，根据全局共享模型更新建筑负荷预测客户端算出的建筑负荷量以及机组选型客户端算出的循环泵参数、热泵参数。

D6：重复步骤D2～D5不断迭代，直至全局模型稳健为止，最终客户端根据全局共享模型计算得到对应结果；计算出能量桩绿色低碳建筑中相互匹配的设计参数，包括建筑负荷、热泵机组型号、循环泵型号、能量桩埋管几何参数。

所述能量桩埋管几何参数为换热管长度、管间距、管径、布管分类；所述能量桩材料参数为换热介质导热率、桩体材料弹性模量、膨胀系数、混凝土导热率、混凝土温度；所述岩土体参数为岩土体弹性模量、岩土体导热率、地下水埋深、地下水流速、岩土体温度；所述换热循环液状态参数为循环液流速、密度、比热、入口温度；所述能量桩换热效率为综合导热系数、延米换热量、取热量、换热功率；所述建筑信息参数为室内人行为、室内设备行为、围护结构材料、围护结构尺寸、围护结构热物性参数；所述环境信息参数为环境温度、环境湿度、太阳辐射；所述地基信息参数为地基承载力、地层参数；所述建筑负荷为逐时负荷、符合指标；所述机组设备参数为热泵机组参数、循环泵参数；所述样本数据的标签数据根据现场试验数据、模型试验数据、数值模拟数据进行分类；所述能量桩热致应力为热致应变、桩侧摩阻力、桩端阻力；样本属性变量包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数。

所述数据特征分析至少基于如下一项实现：提取数据的分布规律，数据的归一化处理，不同标签之间的样本数据相关性评价。

所述清洗处理的对象包括不完整数据、错误数据、重复数据、异常数据；清洗处理的内容包括识别无效值、异常值和缺失值，处理无效值、异常值和缺失值。无效值、异常值和缺失值的识别方法可以基于如下一项实现：1、箱形图计算出数据集的最大值、最小值、中位数、及上下四分位数。可以根据箱形图的上下四分位数识别异常值或无效值；2、3σ原则在数据服从正态分布的时候用的比较多，在这种情况下，异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值；3、散点图通过展示两组数据的位置关系直观地识别出离群值即为异常值或无效值。无效值、异常值和缺失值的处理方法可以基于如下一项实现：1、直接删除；2、统计数据特征按照均值、中位数、众数进行无效值、异常值和缺失值的填充；3、按照回归模型或最大似然估计进行无效值、异常值和缺失值的拟合。

所述能量桩换热效率预测模型基于以下一项或一项以上算法实现：模拟退火法、回归树算法、随机森林回归算法、支持向量回归算法、多元线性回归算法、模拟退火法改进支持向量回归算法、聚类回归算法。

所述能量桩换热效率预测模型采用模拟退火法改进支持向量回归算法进行训练时，具体步骤如下：

S3.1：为解决样本属性信息与样本标签之间的关系，引入松弛变量ξ_i，

和惩罚系数C构造考虑软间隔的非线性分割支持向量分类器；能量桩换热效率预测模型的预测精度和自身稳定性通过条件最值函数获得：

其中，w为超平面的法向量，C为惩罚系数,ξ、ξ^*为松弛因子，∈为决定边界宽度的超参数；y_i为训练样本的实测结果；f(X_i)＝w·Φ(X)+b为能量桩换热效率预测模型的分类超平面；i为训练样本编号；N为训练集样本数量；Φ(X)为非线性映射函数；b表示超平面的截距；

S3.2：通过拉格朗日函数将步骤S3.1条件最值函数转换为多元函数进行求解，令拉格朗日函数对优化目标的偏导数为0，优化目标包括超平面的法向量w,超平面的截距b,松弛因子ξ、ξ^*；将原始条件最值函数转化为对偶函数，从而找到符合预测边界内的最小值；

其中，α、α^*、μ、μ^*表示拉格朗日乘子；

S3.3：能量桩换热效率预测模型的分类超平面所包含的非线性映射函数Φ(X)，其内积Φ(X_i)^TΦ(X_j)的处理采用组合核函数处理：组合核函数为高斯核、线性核、多项式核、Sigmoid核中的一种及一种以上的组合；高斯核：

线性核：φ(X_i)^Tφ(X_j)＝κ(X_i,X_j)＝X_i ^TX_j；多项式核：φ(X_i)^Tφ(X_j)＝κ(X_i，X_j)＝(eX_i ^TX_j+c)^d；Sigmoid核：φ(X_i)^Tφ(X_j)＝κ(X_i,X_j)＝tanh(eX_i ^TX_j+c)；组合核：φ(X_i)^Tφ(X_j)＝λκ₁(X_i,X_j)+(λ-1)κ₂(X_i,X_j)。

S3.4：采用分段模拟退火法进行支持向量回归算法中的模型参数优化：表示不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、e、c、d；

步骤S3.4.1：随机产生初始模型参数集合进行交互验证，记误差值EEP为当前退火系统状态E₀，初始温度T₀，退火阶段一的温度T₁，退火结束温度为T₂；

步骤S3.4.2：按照m′_i＝m_i+s·(τ-0.5)(B_i-A_i)对模型参数进行扰动形成新模型参数集合，经过交互验证得到当前退火系统状态参数E_n，计算ΔE＝E_n-E_n-1；

其中：m′_i为扰动后的变量，m_i为当前的变量，s为扰动比例，τ为[0,1]的随机数，B_i、A_i为当前的变量m_i的范围；

步骤S3.4.3：当ΔE＜0时，接受新的模型参数集合，跳至步骤S3.4.5；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的模型参数集合，跳至步骤S3.4.4；当上述条件都不满足则拒绝接受临界状态，执行步骤S3.4.2，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.3中的参数集合接受条件；

步骤S3.4.4：降温，在得到新状态时，按照降温计划

进行降温，当没有达到设定温度T₁时返回步骤S3.4.2，当达到设定温度T₁时，进行新的退火计划

步骤S3.4.5：按照新的扰动方式和退火计划，继续对第一阶段退火的模型参数集进行扰动，计算对应的退火系统状态参数E_n；

步骤S3.4.6：当ΔE＜0时，则接受新的参数集合，跳至步骤S3.4.7；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的参数集合，跳至步骤S3.4.7；当上述条件都不满足则拒绝接受参数集合，则返回步骤S3.4.5，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.7中的模型参数集合接受条件；

步骤S3.4.7：设置结束温度T₂为算法出口，全局最大计算EEP次数设置为N；当达到T₂或N时停止退火，此时接受的临界状态交叉验证误差E_n为最低的E_n，对应的参数为最佳的预测参数，否则返回至步骤S3.4.5。

所述距离度量准则为欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧式距离、马氏距离、夹角余弦中的一种或一种以上的组合。欧式距离：

曼哈顿距离：

切比雪夫距离：d_xy＝max_i(x_i-y_i)。闵可夫斯基距离：

标准化欧式距离：

马氏距离：

夹角余弦：

组合距离：d_xy＝λd_xy1+(1-λ)d_xy2。

所述建筑负荷计算模块根据环境信息参数、建筑信息参数作为样本属性数据，建立建筑能耗的支持向量回归局部模型，预测计算建筑负荷并加密上传至中央处理器；根据环境信息参数、建筑信息参数计算建筑的冷/热负荷；具体步骤如下：

D2.1.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑荷载模块、机组选型模块、能量桩埋管模块客户端的迭代结果作为新样本数据属性参数；根据样本数据，将环境信息参数、建筑信息参数作为样本属性空间集，将建筑负荷作为学习目标；

D2.1.2：为解决样本属性参数与建筑负荷之间的关系，引入松弛变量

和惩罚系数β构造考虑软间隔的非线性分割支持向量分类器；建筑能耗的支持向量回归局部模型的预测精度和模型的自身稳定性通过损失函数表示；

D2.1.3：需要通过拉格朗日函数对上述损失函数降维转换为多元函数进行求解，令拉格朗日函数对优化目标ζ,δ,

的偏导数为0，得到拉格朗日乘子，将原始条件最值函数转化为对偶函数，从而找到符合预测边界内的最小值；

D2.1.4：建筑能耗支持向量回归局部模型中分类超平面所包含的非线性映射函数Φ(X)，其内积Φ(X_i)^TΦ(X_j)选择的核函数处理方法，按照高斯核、线性核、多项式核、Sigmoid核中的一种或一种以上；

D2.1.5：优化建筑能耗的支持向量回归局部模型中的模型参数：不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、e、c、d；选用模拟退火法、网格搜索法、粒子群优化法、PSO算法、遗传算法中一种或一种以上优化方法；

D2.1.6：输入目标建筑的特征参数，用训练出的支持向量回归模型预测计算目标建筑的全年逐时环控负荷，将建筑负荷结果利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代；

所述建筑荷载计算模块，根据建筑基本信息建立建筑荷载的支持向量回归局部模型预测计算建筑荷载，根据建筑信息参数、地基信息参数计算建筑力学荷载；当样本数量不足时，采用有限元、有限差分或离散元的数值方法计算建筑荷载；最后将荷载结果加密上传至中央处理器；

所述机组选型模块，根据建筑负荷结果和机组设备参数样本建立决策树机组选型局部模型，确定出热泵和循环泵的参数并加密上传至中央处理器；所述机组设备参数包括：热泵机组的制冷方式、热泵机组的制冷量、热泵机组的流量、冷冻循环泵的流量、冷冻循环泵的扬程信息；决策树模型的形成基于以下ID3算法、C4.5算法、CART算法中一种或一种以上产生；具体步骤如下：

D2.3.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑负荷模块、建筑荷载模块、能量桩埋管模块相关客户端的迭代结果作为新样本数据属性参数；根据信息熵计算训练样本的所有属性的信息增益，并按照信息增益对所有属性进行排序；

给定样本的总信息熵：

样本子集{s_1j,s_2j,…,s_mj}的总信息熵：

P_ij为样本子集s_j中类别为C_i的样本概率；

根据属性A划分样本的信息熵值：

对应的信息增益为：Gain(A)＝I(s₁,s₂,…,s_m)-E(A)；

D2.3.2：选择信息增益最大的属性作为最优属性，以最优属性作为依据进行样本划分，将最优属性取值相同的样本作为同一样本集形成根节点；

D2.3.3：再将每个根节点视为完整数据集，按照次优属性作为依据进行样本划分，将次优属性取值相同的样本作为同一样本集形成叶子节点，采用REP方法、PEP方法或MEP方法进行决策树的剪枝，依次迭代形成决策树；将机组参数利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代；

所述能量桩埋管设计模块，根据建筑负荷、建筑荷载、机组设备参数，在客户端上，以能量桩结构参数为样本属性建立能量桩埋管随机森林局部模型，计算出能量桩埋管参数作为最优埋管方案并加密上传至中央处理器；具体步骤如下：

D2.4.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑负荷模块、建筑荷载模块、机组选型模块相关客户端的迭代结果作为新样本数据属性参数；利用Bootstrap抽样法从样本中随机产生样本子集，作为其中一颗决策树模型的训练样本，重复k次抽样形成k个决策树训练样本；

D2.4.2：根据k个训练样本中的属性子集进行决策树训练，形成k个相互独立的随机决策树；

D2.4.3：随机森林的随机选择分类器对k个决策树预测出的埋管方案进行投票，投票结果作为随机森林的最优埋管方案；

D2.4.4：将能量桩埋管参数利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代。

本发明的有益效果：相较现有能量桩技术，本发明存在以下技术优势：

(1)现有的能量桩换热计算模型多采用地埋管传热模型或复杂的数值模型，存在计算误差大，计算效率低的缺陷。本发明通过支持向量回归算法训练出适合能量桩自身的换热模型，且计算效率和预测误差得到大幅改善。

(2)能量桩热致应力多采用不同形式的现场试验和数值模型方法获得，实际操作复杂费时费力，缺少成熟的数学模型。本发明通过K近邻回归算法训练出能量桩的热致应力模型，具有技术成本低、操作简单的优势。

(3)本发明提出的能量桩绿色低碳建筑联邦学习设计方法实现了绿色低碳建筑用户端、机组选型、埋管端三个部分的综合化一体设计，提高了设计效率、设计参数的科学合理性，降低了设计风险。

附图说明

图1是本发明实施例的一种可选的能量桩换热效率支持向量回归计算流程示意图；

图2是本发明实施例的一种可选的能量桩换热效率支持向量回归结构示意图；

图3是本发明实施例的一种可选的模拟退火法改进支持向量回归算法流程示意图；

图4是本发明实施例的一种可选的能量桩热致应力K近邻预测模型计算流程示意图；

图5是本发明实施例的一种可选的基于联邦学习架构的能量桩绿色低碳建筑设计方法概念图示意图；

图6是本发明实施例的一种可选的基于联邦学习架构的能量桩绿色低碳建筑设计方法联邦学习框架结构示意图；

图7是本发明实施例的一种可选的建筑负荷计算模块支持向量回归预测模型结构示意图；

图8是本发明实施例的一种可选的建筑负荷计算模块支持向量回归预测模型流程示意图；

图9是本发明实施例的一种可选的建筑荷载计算模块支持向量回归预测模型结构示意图；

图10是本发明实施例的一种可选的机组选型模块决策树模型结构示意图；

图11是本发明实施例的一种可选的机组选型模块决策树模型流程示意图；

图12是本发明实施例的一种可选的能量桩埋管设计模块随机森林模型结构示意图；

图13是本发明实施例的一种可选的能量桩埋管设计模块随机森林模型流程示意图。

具体实施方式

以下结合附图详细叙述本发明专利的具体实施方式，本发明专利的保护范围并不仅仅局限于本实施方式的描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本专利一个实施例的能量桩换热效率预测方法流程图，包括如下步骤：

步骤S1：能量桩换热效率训练样本数据及对应的标签收集。所述获取训练样本数据集包括能量桩特征参数、岩土体参数、换热循环液状态参数，标签数据包括反映能量桩换热效率的相关信息。样本数据及对应的标签数据需要按照现场试验数据、模型试验数据、数值模拟数据进行分类。能量桩特征参数包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数。其中，能量桩埋管几何参数为换热管长度、管间距、管径、布管分类；能量桩材料参数为换热介质导热率、换热介质温度、换热介质流速、混凝土导热率、混凝土温度；岩土体参数为岩土体导热率、地下水埋深、地下水流速、岩土体温度；换热循环液状态参数为循环液流速、密度、比热、入口温度；能量桩换热效率参数为综合导热系数、延米换热量、取热量、换热功率。

步骤S2：样本数据预处理、数据特征分析。对样本数据进行质量分析、特征分析、清洗处理、划分监督学习所需的训练集和预测集。主要内容包括：对样本数据进行清洗、分析数据特征、划分监督学习所需的训练集和预测集。具体操作过程如下：1、按照3σ原则分析数据的分布，在这种情况下，测定值中与平均值的偏差超过3倍标准差的值被视为无效值或异常值；2、按照回归模型或最大似然估计进行无效值、异常值和缺失值的拟合；3、对清洗后的数据提取数据的分布规律、数据的归一化处理、不同标签之间的样本数据相关性评价。表1为大连市某绿色低碳建筑的能量桩换热效率预测样本空间及样本质量。

表1大连市某绿色低碳建筑的能量桩换热效率预测样本空间及样本质量

步骤S3：换热效率模型训练，根据训练集的样本属性信息建立能量桩换热效率预测模型训练。所述能量桩换热效率预测模型采用模拟退火法改进支持向量回归训练能量桩换热效率预测模型。图2和图3分别为专利实施例一种可选的模拟退火法改进支持向量回归训练能量桩换热效率预测模型结构图和流程图，具体步骤如下：

步骤S3.1：为解决样本属性数据与样本标签数据之间的关系，引入松弛变量ξ_i，

和惩罚系数C构造考虑软间隔的非线性分割支持向量分类器。模型的预测精度和模型的自身稳定性可通过损失函数(L＝max(0,|z|-∈))表示。

步骤S3.2：需要通过拉格朗日函数将上述条件转换为多元函数进行求解，令拉格朗日函数对优化目标w,b,ξ的偏导数为0，得到拉格朗日乘子，可将原始条件最值函数转化为对偶函数，从而找到约束区域内的最小值。

步骤S3.3：能量桩换热效率预测模型的分类超平面所包含的非线性映射函数Φ(X)，其内积Φ(X_i)^TΦ(X_j)的处理可以采用组合核函数φ(X_i)^Tφ(X_j)＝λκ₁(X_i,X_j)+(λ-1)κ₂(X_i,X_j)进行处理。

步骤S3.4：支持向量回归模型训练的过程主要是优化模型参数：不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、c、e、d。优选地，采用分段模拟退火法进行模型参数优化，其步骤如下：

步骤S3.4.1：随机产生初始参数集合进行交互验证，记误差值EEP为当前退火系统状态E₀，初始温度T₀，退火阶段一的温度T₁，退火结束温度为T₂。

步骤S3.4.2：按照m′_i≤＝m_i+s·(τ-0.5)(B_i-A_i)对参数进行扰动形成新参数集合，经过交互验证得到当前退火系统状态E_n，计算ΔE＝E_n-E_n-1。

步骤S3.4.3：当ΔE＜0时，接受新的模型参数集合，跳至步骤S3.4.5；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的模型参数集合，跳至步骤S3.4.4；当上述条件都不满足则拒绝接受临界状态，执行步骤S3.4.2，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.3中的参数集合接受条件；

步骤S3.4.4：降温，在得到新状态时，按照降温计划

进行降温，当没有达到设定温度T₁时返回步骤S3.4.2，当达到设定温度T₁时，进行新的退火计划

步骤S3.4.5：按照新的扰动方式和退火计划，继续对第一阶段退火的模型参数集进行扰动，计算对应的退火系统状态参数E_n；

步骤S3.4.6：当ΔE＜0时，则接受新的参数集合，跳至步骤S3.4.7；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的参数集合，跳至步骤S3.4.7；当上述条件都不满足则拒绝接受参数集合，则返回步骤S3.4.5，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.7中的模型参数集合接受条件；

步骤S3.4.7：设置结束温度T₂为算法出口，全局最大计算EEP次数设置为N；当达到T₂或N时停止退火，此时接受的临界状态交叉验证误差E_n为最低的E_n，对应的参数为最佳的预测参数，否则返回至步骤S3.4.5。

步骤S4：输入预测集的样本属性信息，能量桩换热效率预测集的样本属性包括：能量桩特征参数、岩土体参数、换热循环液状态参数。样本属性包括：能量桩的埋管参数、岩土体热物性参数、换热循环液状态参数。其中，能量桩埋管几何参数为换热管长度、管间距、管径、布管分类；所述能量桩材料参数为换热介质导热率、桩体材料弹性模量、膨胀系数、混凝土导热率、混凝土温度；所述岩土体参数为岩土体弹性模量、岩土体导热率、地下水埋深、地下水流速、岩土体温度；所述换热循环液状态参数为循环液流速、密度、比热、入口温度；

步骤S5：根据能量桩换热效率预测模型计算预测集对应的综合导热系数、换热效率、换热量结果。

步骤S6：能量桩换热效率预测结果评价，将预测集属性信息输入训练模型计算对应的预测结果。并将预测结果与预测集样本对应的标签进行对比，计算模型预测误差，评价模型精度。大连市某绿色低碳建筑的能量桩换热效率预测模型的预测误差约为76.8％。

步骤S7：输入50组需要预测的能量桩基本属性参数，进行能量桩的换热效率预测计算预测结果的分布特征如表2所示。表2 50组能量桩换热效率预测结果的分布特征

图4是一个实施例的能量桩热致应力预测方法流程图，包括如下步骤：

步骤T1：能量桩热致应力训练样本数据及对应的标签收集。所述获取训练样本数据集包括能量桩特征参数、岩土体参数、换热循环液状态参数，标签数据包括反映能量桩热致应力的相关信息。样本数据及对应的标签数据需要按照现场试验数据、模型试验数据、数值模拟数据进行分类。能量桩特征参数包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数。其中，能量桩埋管几何参数为换热管长度、管间距、管径、布管分类；所述能量桩材料参数为换热介质导热率、桩体材料弹性模量、膨胀系数、混凝土导热率、混凝土温度；所述岩土体参数为岩土体弹性模量、岩土体导热率、地下水埋深、地下水流速、岩土体温度；所述换热循环液状态参数为循环液流速、密度、比热、入口温度；能量桩热致应力为热致应变、桩侧摩阻力、桩端阻力。

步骤T2：样本数据预处理，定义状态向量。对样本数据进行质量分析、特征分析、清洗处理。具体数据预处理过程如下：1、通过箱形图计算出数据集的最大值、最小值、中位数、及上下四分位数。可是根据箱形图的上下四分位数识别异常值或无效值。2、对识别出的无效值、异常值和缺失值按照均值、中位数、众数进行无效值、异常值和缺失值的填充。3、清洗后的数据可以进一步提取数据的分布规律、数据的归一化处理。可通过敏感性分析将样本属性变量按照相关性进行排序，取排序靠前的属性作为状态参数的元素，t时刻的状态向量可表示为X(t)＝[x₁(t),x₁(t-1),x₂(t),x₂(t-1),x₃(t),x₃(t-1),…,x_n(t),x_n(t-1)]。

步骤T3：选择距离度量准则。状态空间中的各状态向量X与目标向量Y之间的相关程度可以用状态空间中的距离表示，因此选择“组合距离：d_xy＝λd_xy1+(1-λ)d_xy2”距离度量准则是K近邻预测模型的重点。

步骤T4：输入预测集的样本属性信息，样本属性包括：能量桩的埋管参数、岩土体力学参数。将训练集样本属性形成状态向量，在训练集中搜索当前向量的K个近邻，形成K近邻预测模型。K个近邻对应的

为模型计算预测集对应的热致应力预测结果。

步骤T5：能量桩热致应力预测结果评价，将预测集的预测结果与预测集样本对应的标签进行对比形成混淆矩阵。根据混淆矩阵计算出灵敏度(TPR)、准确度(ACC)、精确度三个指标评价模型预测误差、模型精度。大连市某绿色低碳建筑的能量桩换热效率预测模型的灵敏度(TPR)、准确度(ACC)、精确度分别约为0.658、0.729、0.821。

步骤T6：输入50组需要预测的能量桩特征参数作为预测集属性空间，进行能量桩的热致应力预测计算。表3为50组能量桩热致应力预测结果的分布特征。

表3 50组能量桩热致应力预测结果的分布特征

分布指标	桩侧摩阻力(kPa)	热致应力(MPa)	热致应变(με)	桩端阻力(kPa)
					最大值	45.61	3.48	305.8	33.38
最小值	10.24	1.55	145.9	9.45
					平均值	33.75	2.24	228.4	19.44
标准差	5.32	0.64	34.8	2.38

本发明实施例的另一方面还提供了一种能量桩绿色低碳建筑设计方法，图5为能量桩绿色建筑设计概念图。建立以客户端-服务器架构为基础的能量桩绿色低碳建筑设计联邦学习算法框架，图6为基于联邦学习架构的能量桩绿色低碳建筑设计方法结构图。在客户端实现所有子模块的学习计算，包括4大模块：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块。最后，将客户端计算出的脱敏参数汇总到中央服务器进行计算后，下发至各数据持有方(客户端)更新自己本地的模型，直至全局模型稳健为止。具体步骤如下：

步骤D1：通过现场勘察技术、问卷调查技术、图像智能识别技术的方法收集整理建筑信息、环境信息信息、机组设备信息、能量桩信息、地基信息，进行简单的数据预处理，分析50组样本数据特征，并分配至相应的计算模块客户端。所述建筑信息参数包括建筑围挡结构材料、建筑尺寸、室内人行为、室内设备行为、室内照明行为、室内空调设计参数、建筑材料、梁柱配筋、建筑荷载；所述环境信息参数包括环境温度、环境湿度、太阳辐射量；所述系统设备参数包括热泵制冷量、热泵制热量、热泵流量、循环泵流量、循环泵扬程；所述能量桩参数包括桩基尺寸、埋管形式、埋管长度、换热介质流量、换热量。

步骤D2：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端更新本地模型，4个客户端本地模型分别如下：

1、建筑负荷计算模块：根据建筑基本信息建立建筑能耗的支持向量回归局部模型，预测计算建筑负荷并加密上传至中央处理器，图7为本发明实施例提供的一种建筑负荷计算模块支持向量回归预测模型结构图。特征在于根据环境信息参数、建筑特征计算建筑的冷/热负荷。图8为建筑负荷计算模块支持向量回归预测模型流程图，该模型第s轮的具体步骤如下：

步骤D2.1.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑荷载模块、机组选型模块、能量桩埋管模块客户端的迭代结果作为新样本数据属性参数。将环境信息参数、建筑信息参数作为样本属性X_i，形成包含多个特征的样本数据X＝{X₁,X₂,…X_n}，将建筑负荷作为学习目标y＝{y₁,y₂,…y_n}。

步骤D2.1.2：为解决样本属性空间与建筑负荷之间的关系，引入松弛变量

和惩罚系数β构造考虑软间隔的非线性分割支持向量分类器；建筑能耗的支持向量回归局部模型的预测精度和模型的自身稳定性通过损失函数L＝max(0,|z|-∈)表示；

步骤D2.1.3：需要通过拉格朗日函数将上述条件转换为多元函数进行求解，令拉格朗日函数对优化目标ζ,δ,

的偏导数为0，得到拉格朗日乘子，可将原始条件最值函数转化为对偶函数，从而找到符合预测边界内的最小值。

步骤D2.1.4：式中映射函数内积φ(X_i)^Tφ(X_j)的处理可以采用“高斯核：

”进行处理。

步骤D2.1.5：根据训练集数据优化支持向量回归模型参数：不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、e、c、d。可至少选用如下其中一种优化方法：模拟退火法、网格搜索法、粒子群优化法、PSO算法、遗传算法。

步骤D2.1.6：输入大连市某绿色低碳建筑的特征参数，用训练出的支持向量回归模型预测计算大连市某绿色低碳建筑的全年逐时环控负荷。将建筑负荷结果利用公钥进行加密，上传中央服务器。

2、建筑荷载计算模块：图9为建筑荷载的支持向量回归模型结构图。根据建筑基本信息建立建筑荷载的支持向量回归局部模型，预测计算建筑荷载并加密上传至中央处理器。其特征在于根据建筑结构特征计算建筑力学荷载，建筑荷载支持向量回归模型中的学习样本属性包括建筑材料、建筑尺寸、材料属性、框架结构、梁柱配筋、荷载条件。另外，根据中央服务器的全局共享模型生成用于加密传输数据的公钥，更新建筑荷载端、机组端、能量桩埋管端相关客户端的迭代结果作为新样本数据属性参数。当缺少训练样本时还可采用有限元、有限差分、离散元数值模拟方法计算建筑荷载，该模型第s轮的具体步骤如下：

步骤D2.2.1：建立建筑几何模型，定义材料属性、确定材料的本构关系。

步骤D2.2.2：进行有限网格划分，将建筑物理模型划分为各种形状且彼此相连的有限个单元体。单元体之间的数据信息通过节点传递，确定单元体的形函数。

步骤D2.2.3：定义各部件的接触连接关系：定义边界条件和荷载条件。

步骤D2.2.4：定义单元刚度矩阵、节点位移矩阵。

步骤D2.2.5：将单元总装成整个离散域的总矩阵方程(联合方程组)。联立方程组的求解可用直接法、迭代法，将建筑荷载结果利用私钥进行加密，上传中央服务器。

3、机组选型模块：根据建筑负荷情况和机组参数样本建立决策树机组选型局部模型，确定出热泵和循环泵的参数并加密上传至中央处理器。图10为本发明实施例提供的一种机组选型决策树模型结构图，其特征在于，所述的机组参数包括：热泵制冷量、热泵机组功率、热泵流量、冷冻循环泵的流量、冷冻循环泵的扬程信息。以ID3算法为本发明实施例，图11为实施例的一种机组选型决策树模型流程图，该客户端的第s轮的具体步骤如下：

步骤D2.3.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新大连市某绿色低碳建筑的建筑荷载模块、建筑负荷模块、能量桩埋管模块相关客户端的迭代结果作为新样本数据属性参数。根据信息熵计算训练样本的所有属性(各种机组参数)的信息增益，并按照信息增益对所有属性进行排序。

步骤D2.3.2：选择信息增益最大的属性作为最优属性，以最优属性作为依据进行样本划分，将属性取值相同的样本作为同一样本集形成根节点。

步骤D2.3.3：再将每个根节点视为完整数据集，按照次优属性作为依据进行样本划分，将属性取值相同的样本作为同一样本集形成叶子节点，通过REP法进行剪枝，以解决决策树模型的过拟合问题。依次迭代形成决策树，计算的最优机组参数进行加密上传中央服务器，进行联邦学习全局共享模型的迭代。

4、能量桩埋管设计模块：图12为本发明提供的一种能量桩埋管方案随机森林模型结构图，根据建筑负荷、建筑荷载、机组设备参数信息，在客户端上，以能量桩参数为样本属性建立能量桩埋管随机森林局部模型，计算出的能量桩参数加密上传至中央处理器。其特征在于，所述能量桩参数包括：换热管材料、埋管长度、埋管间距、能量桩尺寸、换热流速信息。

图13为该模型的流程图，该客户端本地模型的第s轮具体步骤如下：

步骤D2.4.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新大连市某绿色低碳建筑的建筑荷载模块、建筑负荷模块、机组设备模块相关客户端的迭代结果作为新样本数据属性参数。利用Bootstrap抽样法从样本中随机产生样本子集，作为其中一颗决策树模型的训练样本，重复k次抽样形成k个决策树训练样本。

步骤D2.4.2：根据k个训练样本中的属性子集进行决策树训练，形成k个相互独立的随机决策树。

步骤D2.4.3：对k个决策树预测出的埋管方案进行投票，投票结果作为随机森林的最优埋管方案。

步骤D2.4.4：将计算出的最优埋管方案利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代。

步骤D3：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端以公钥的形式上传加密的脱敏参数至服务器。

步骤D4：服务器利用私钥对4个客户端上传的加密脱敏参数解密，将所有客户端模型的解密参数基于知识蒸馏进行联邦学习的聚合，按照如下公式进行M个客户端的全局模型权重更新：

其中W_s+1为第s轮的全局模型参数，

为第s轮客户端i上传服务器的客户端子模型权重。每一轮模型权重更新后，中央服务器计算全局模型的误差和准确率。中央服务器还可以控制传输速度、模型训练的关停。

步骤D5：中央服务器将全局共享模型生成用于加密传输数据的公钥，并下发至各客户端。根据全局共享模型各本地客户端更新其他相关客户端的迭代结果作为新样本数据属性参数。例如，根据全局共享模型更新建筑负荷预测客户端算出的建筑负荷量以及机组选型客户端算出的循环泵参数、热泵参数，供能量桩埋管方案随机森林模型客户端计算与建筑负荷端、热泵机组端相匹配的能量桩埋管方案。

步骤D6：重复步骤D2～D5不断迭代，直至全局模型稳健为止，最终客户端根据全局模型计算得到对应的结果。计算出大连市某能量桩绿色低碳建筑中相互匹配的建筑负荷端、热泵机组型号、循环泵型号、能量桩结构特征、埋管参数设计参数，如表4所示。

表4大连市某能量桩绿色低碳建筑的设计参数结果

Claims (7)

1.一种基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，由于影响热致应力和换热效率相同的样本属性对二者所起的作用相反，寻找同时应用于热致应力和换热效率预测结果对应的能量桩特征参数，作为能量桩绿色建筑设计中训练能量桩埋管设计参数基础数据，输入至能量桩绿色低碳建筑设计联邦学习算法中，作为判断最优方案的阈值和依据；基于机器学习的能量桩绿色低碳建筑设计方法包括能量桩换热效率预测、能量桩热致应力预测以及基于联邦学习架构的能量桩绿色低碳建筑设计方法；

所述能量桩换热效率预测具体包括如下步骤：

S1：获取能量桩换热效率训练样本数据及对应的标签；能量桩换热效率训练样本数据包括能量桩特征参数、岩土体参数、换热循环液状态参数，标签数据包括反映能量桩换热效率的信息；能量桩特征参数包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数；

S2：能量桩换热效率训练样本数据预处理以及数据特征分析；对能量桩换热效率训练样本数据进行质量分析、特征分析、清洗处理，划分出监督学习所需的能量桩换热效率训练集和能量桩换热效率预测集；

S3：能量桩换热效率预测模型训练，根据能量桩换热效率训练集的样本数据信息建立能量桩换热效率预测模型进行训练；

S4：输入能量桩换热效率预测集的样本属性信息，能量桩换热效率预测集的样本属性包括：能量桩特征参数、岩土体参数、换热循环液状态参数；

S5：根据能量桩换热效率预测模型计算能量桩换热效率预测集对应的换热效率预测结果；

S6：能量桩换热效率预测结果评价；将S5获得的预测结果与能量桩换热效率预测集样本对应的标签进行对比，计算能量桩换热效率预测模型预测误差，评价其精度；

S7：将需要预测的能量桩特征参数、岩土体参数、换热循环液状态参数作为能量桩换热效率预测集属性空间，通过能量桩换热效率预测模型进行能量桩的传热特征预测计算；

所述能量桩热致应力预测具体包括如下步骤：

T1：获取热致应力训练样本数据及对应的标签；热致应力训练样本数据包括能量桩特征参数、岩土体参数，标签数据包括反映能量桩热致应力的相关信息，包括热致桩侧摩阻力、热致桩身应力、热致桩身应变；

T2：热致应力训练样本数据预处理，定义状态向量；对热致应力训练样本数据进行质量分析、特征分析、清洗处理获得热致应力训练集和热致应力预测集；通过敏感性分析将样本属性变量按照相关性进行排序，取排序靠前的样本属性变量作为状态参数的元素，t时刻的状态向量表示为X(t)＝[x₁(t),x₁(t-1),x₂(t),x₂(t-1),x₃(t),x₃(t-1),…,x_n(t),x_n(t-1)]；

T3：选择距离度量准则；状态空间中的各状态向量X与目标向量Y之间的相关程度用状态空间中的距离表示；

T4：热致应力预测集的样本属性包括：能量桩特征参数、岩土体参数；将热致应力训练集样本属性形成状态向量，在热致应力训练集中搜索当前状态向量的K个近邻，形成K近邻预测模型；输入热致应力预测集的样本属性信息至K近邻预测模型；K个近邻对应的预测均值

为K近邻预测模型计算热致应力预测集对应的热致应力预测结果；

T5：能量桩热致应力预测结果评价，将T4得到的预测结果与热致应力预测集样本对应的标签进行对比形成混淆矩阵；根据混淆矩阵计算K近邻预测模型灵敏度、准确度、精确度，进一步评价K近邻预测模型预测误差、模型精度；

T6：将需要预测的能量桩特征参数、岩土体参数作为热致应力预测集属性空间，通过K近邻预测模型进行能量桩的热致应力预测计算；

所述基于联邦学习架构的能量桩绿色低碳建筑设计方法，建立以客户端-服务器架构为基础的能量桩绿色低碳建筑设计联邦学习算法框架；客户端包括4大模块：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块，用于所有子模块的学习计算；将客户端计算出的脱敏参数汇总到中央服务器进行计算后，下发至各客户端更新自己的本地模型，直至全局模型稳健为止；具体步骤如下：

D1：收集整理建筑信息以及环境信息，进行数据预处理，分析样本数据特征，并将样本数据特征分配至对应的计算模块客户端；样本数据通过现场勘察技术、现场监测技术、问卷调查技术、图像智能识别技术中的一项或一项以上获取；样本数据信息包括建筑信息参数、环境信息参数、地基信息参数、机组设备参数、能量桩埋管几何参数；

D2：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端更新本地模型；

D3：建筑负荷计算模块、建筑荷载计算模块、机组选型模块以及能量桩埋管设计模块4个客户端以公钥的形式上传加密的脱敏参数至中央服务器；

D4：中央服务器利用私钥对4个客户端上传的加密脱敏参数解密，进行安全聚合，随后更新全局共享模型；中央服务器进行加密脱敏参数的解码；中央服务器端的联邦学习至少按照如下一种同步方式获得全局共享模型：梯度平均、联邦平均、知识蒸馏；

D5：中央服务器将全局共享模型生成用于加密传输数据的公钥，并下发至各客户端；根据全局共享模型传递的各本地客户端更新其他相关客户端的迭代结果作为新样本数据属性参数；

D6：重复步骤D2～D5不断迭代，直至全局模型稳健为止，最终客户端根据全局共享模型计算得到对应结果；计算出能量桩绿色低碳建筑中相互匹配的设计参数，包括建筑负荷、热泵机组型号、循环泵型号、能量桩埋管几何参数。

2.根据权利要求1所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述能量桩埋管几何参数为换热管长度、管间距、管径、布管分类；所述能量桩材料参数为换热介质导热率、桩体材料弹性模量、膨胀系数、混凝土导热率、混凝土温度；所述岩土体参数为岩土体弹性模量、岩土体导热率、地下水埋深、地下水流速、岩土体温度；所述换热循环液状态参数为循环液流速、密度、比热、入口温度；所述能量桩换热效率为综合导热系数、延米换热量、取热量、换热功率；所述建筑信息参数为室内人行为、室内设备行为、围护结构材料、围护结构尺寸、围护结构热物性参数；所述环境信息参数为环境温度、环境湿度、太阳辐射；所述地基信息参数为地基承载力、地层参数；所述建筑负荷为逐时负荷、符合指标；所述机组设备参数为热泵机组参数、循环泵参数；所述样本数据的标签数据根据现场试验数据、模型试验数据、数值模拟数据进行分类；所述能量桩热致应力为热致应变、桩侧摩阻力、桩端阻力；样本属性变量包括能量桩尺寸参数、能量桩材料参数、能量桩埋管几何参数。

3.根据权利要求1或2所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述清洗处理的对象包括不完整数据、错误数据、重复数据、异常数据；清洗处理的内容包括识别无效值、异常值和缺失值，处理无效值、异常值和缺失值。

4.根据权利要求3所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述能量桩换热效率预测模型基于以下一项或一项以上算法实现：模拟退火法、回归树算法、随机森林回归算法、支持向量回归算法、多元线性回归算法、模拟退火法改进支持向量回归算法、聚类回归算法。

5.根据权利要求4所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述能量桩换热效率预测模型采用模拟退火法改进支持向量回归算法进行训练时，具体步骤如下：

S3.1：为解决样本属性信息与样本标签之间的关系，引入松弛变量ξ_i，

和惩罚系数C构造考虑软间隔的非线性分割支持向量分类器；能量桩换热效率预测模型的预测精度和自身稳定性通过条件最值函数获得：

其中，w为超平面的法向量，C为惩罚系数,ξ、ξ^*为松弛因子，∈为决定边界宽度的超参数；y_i为训练样本的实测结果；f(X_i)＝w·Φ(X)+b为能量桩换热效率预测模型的分类超平面；i为训练样本编号；N为训练集样本数量；Φ(X)为非线性映射函数；b表示超平面的截距；

S3.2：通过拉格朗日函数将步骤S3.1条件最值函数转换为多元函数进行求解，令拉格朗日函数对优化目标的偏导数为0，优化目标包括超平面的法向量w,超平面的截距b,松弛因子ξ、ξ^*；将原始条件最值函数转化为对偶函数，从而找到符合预测边界内的最小值；

其中，α、α^*、μ、μ^*表示拉格朗日乘子；

S3.3：能量桩换热效率预测模型的分类超平面所包含的非线性映射函数Φ(X)，其内积Φ(X_i)^TΦ(X_j)的处理采用组合核函数处理：组合核函数为高斯核、线性核、多项式核、Sigmoid核中的一种及一种以上的组合；

S3.4：采用分段模拟退火法进行支持向量回归算法中的模型参数优化：不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、e、c、d；

步骤S3.4.1：随机产生初始模型参数集合进行交互验证，记误差值EEP为当前退火系统状态E₀，初始温度T₀，退火阶段一的温度T₁，退火结束温度为T₂；

步骤S3.4.2：按照m′_i＝m_i+s·(τ-0.5)(B_i-A_i)对模型参数进行扰动形成新模型参数集合，经过交互验证得到当前退火系统状态参数E_n，计算ΔE＝E_n-E_n-1；

其中：m′_i为扰动后的变量，m_i为当前的变量，s为扰动比例，τ为[0,1]的随机数，B_i、A_i为当前的变量m_i的范围；

步骤S3.4.3：当ΔE＜0时，接受新的模型参数集合，跳至步骤S3.4.5；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的模型参数集合，跳至步骤S3.4.4；当上述条件都不满足则拒绝接受临界状态，执行步骤S3.4.2，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.3中的参数集合接受条件；

步骤S3.4.4：降温，在得到新状态时，按照降温计划

进行降温，当没有达到设定温度T₁时返回步骤S3.4.2，当达到设定温度T₁时，进行新的退火计划

步骤S3.4.5：按照新的扰动方式和退火计划，继续对第一阶段退火的模型参数集进行扰动，计算对应的退火系统状态参数E_n；

步骤S3.4.6：当ΔE＜0时，则接受新的参数集合，跳至步骤S3.4.7；否则按Metropolis准则exp(ΔE/kT)-τ＞0的条件接受对应的参数集合，跳至步骤S3.4.7；当上述条件都不满足则拒绝接受参数集合，则返回步骤S3.4.5，重新扰动产生新模型参数集合，进行交互验证，直至满足步骤S3.4.7中的模型参数集合接受条件；

步骤S3.4.7：设置结束温度T₂为算法出口，全局最大计算EEP次数设置为N；当达到T₂或N时停止退火，此时接受的临界状态交叉验证误差E_n为最低的E_n，对应的参数为最佳的预测参数，否则返回至步骤S3.4.5。

6.根据权利要求1或2所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述距离度量准则为欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧式距离、马氏距离、夹角余弦中的一种或一种以上的组合。

7.根据权利要求1或2所述的基于机器学习的能量桩绿色低碳建筑设计方法，其特征在于，所述建筑负荷计算模块根据环境信息参数、建筑信息参数作为样本属性数据，建立建筑能耗的支持向量回归局部模型，预测计算建筑负荷并加密上传至中央处理器；根据环境信息参数、建筑信息参数计算建筑的冷/热负荷；具体步骤如下：

D2.1.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑荷载模块、机组选型模块、能量桩埋管模块客户端的迭代结果作为新样本数据属性参数；根据样本数据，将环境信息参数、建筑信息参数作为样本属性空间集，将建筑负荷作为学习目标；

D2.1.2：为解决样本属性参数与建筑负荷之间的关系，引入松弛变量

和惩罚系数β构造考虑软间隔的非线性分割支持向量分类器；建筑能耗的支持向量回归局部模型的预测精度和模型的自身稳定性通过损失函数表示；

D2.1.3：需要通过拉格朗日函数对上述损失函数降维转换为多元函数进行求解，令拉格朗日函数对优化目标ζ,δ,

的偏导数为0，得到拉格朗日乘子，将原始条件最值函数转化为对偶函数，从而找到符合预测边界内的最小值；

D2.1.4：建筑能耗支持向量回归局部模型中分类超平面所包含的非线性映射函数Φ(X)，其内积Φ(X_i)^TΦ(X_j)选择的核函数处理方法，按照高斯核、线性核、多项式核、Sigmoid核中的一种或一种以上；

D2.1.5：优化建筑能耗的支持向量回归局部模型中的模型参数：不敏感损失函数∈、惩罚系数C、核函数中的超参数γ、λ、e、c、d；选用模拟退火法、网格搜索法、粒子群优化法、PSO算法、遗传算法中一种或一种以上优化方法；

D2.1.6：输入目标建筑的特征参数，用训练出的支持向量回归模型预测计算目标建筑的全年逐时环控负荷，将建筑负荷结果利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代；

所述建筑荷载计算模块，根据建筑基本信息建立建筑荷载的支持向量回归局部模型预测计算建筑荷载，根据建筑信息参数、地基信息参数计算建筑力学荷载；当样本数量不足时，采用有限元、有限差分或离散元的数值方法计算建筑荷载；最后将荷载结果加密上传至中央处理器；

所述机组选型模块，根据建筑负荷结果和机组设备参数样本建立决策树机组选型局部模型，确定出热泵和循环泵的参数并加密上传至中央处理器；所述机组设备参数包括：热泵机组的制冷方式、热泵机组的制冷量、热泵机组的流量、冷冻循环泵的流量、冷冻循环泵的扬程信息；决策树模型的形成基于以下ID3算法、C4.5算法、CART算法中一种或一种以上产生；具体步骤如下：

D2.3.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑负荷模块、建筑荷载模块、能量桩埋管模块相关客户端的迭代结果作为新样本数据属性参数；根据信息熵计算训练样本的所有属性的信息增益，并按照信息增益对所有属性进行排序；

给定样本的总信息熵：

样本子集{s_1j,s_2j,…,s_mj}的总信息熵：

P_ij为样本子集s_j中类别为C_i的样本概率；

根据属性A划分样本的信息熵值：

对应的信息增益为：Gain(A)＝I(s₁,s₂,…,s_m)-E(A)；

D2.3.2：选择信息增益最大的属性作为最优属性，以最优属性作为依据进行样本划分，将最优属性取值相同的样本作为同一样本集形成根节点；

D2.3.3：再将每个根节点视为完整数据集，按照次优属性作为依据进行样本划分，将次优属性取值相同的样本作为同一样本集形成叶子节点，采用REP方法、PEP方法或MEP方法进行决策树的剪枝，依次迭代形成决策树；将机组参数利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代；

所述能量桩埋管设计模块，根据建筑负荷、建筑荷载、机组设备参数，在客户端上，以能量桩结构参数为样本属性建立能量桩埋管随机森林局部模型，计算出能量桩埋管参数作为最优埋管方案并加密上传至中央处理器；具体步骤如下：

D2.4.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新建筑负荷模块、建筑荷载模块、机组选型模块相关客户端的迭代结果作为新样本数据属性参数；利用Bootstrap抽样法从样本中随机产生样本子集，作为其中一颗决策树模型的训练样本，重复k次抽样形成k个决策树训练样本；

D2.4.2：根据k个训练样本中的属性子集进行决策树训练，形成k个相互独立的随机决策树；

D2.4.3：随机森林的随机选择分类器对k个决策树预测出的埋管方案进行投票，投票结果作为随机森林的最优埋管方案；

D2.4.4：将能量桩埋管参数利用公钥转化为加密参数上传中央服务器，以备联邦学习的全局共享模型迭代。

Images