CN116663412B - 一种基于深度学习技术的零碳建筑布局优化方法及系统 - Google Patents
一种基于深度学习技术的零碳建筑布局优化方法及系统 Download PDFInfo
- Publication number
- CN116663412B CN116663412B CN202310635862.0A CN202310635862A CN116663412B CN 116663412 B CN116663412 B CN 116663412B CN 202310635862 A CN202310635862 A CN 202310635862A CN 116663412 B CN116663412 B CN 116663412B
- Authority
- CN
- China
- Prior art keywords
- building
- deep learning
- zero
- carbon
- learning model
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 121
- 238000005286 illumination Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000009423 ventilation Methods 0.000 claims abstract description 73
- 230000007613 environmental effect Effects 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 abstract description 5
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
- Instructional Devices (AREA)
Abstract
本发明公开了一种基于深度学习技术的零碳建筑布局优化方法及系统，涉及零碳建筑布局优化技术领域，通过预先收集零碳建筑的训练数据集合，使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，设置朝向调整步长以及尺寸调整步长、初始建筑朝向和初始窗户尺寸，计算出建筑光照强度、建筑通风度以及建筑温度稳定度，采用梯度下降法寻找合适的建筑布局；实现了在零碳建筑建造前，检索合适的建筑布局，从而保证在实际建造时，提高零碳建筑的能源利用率。
Description
技术领域
本发明涉及零碳建筑布局优化技术领域，具体是一种基于深度学习技术的零碳建筑布局优化方法及系统。
背景技术
传统的建筑设计中，对于零碳建筑的布局优化通常是基于经验和规则进行的。然而，这种方法存在一些不足之处。首先，人工设计需要大量的时间和经验，并且很难考虑到所有的影响因素和复杂的相互关系。其次，传统方法往往缺乏系统性和智能性，无法评估各种布局方案的能源利用率。
在现有技术中，一些基于计算模型和仿真方法的研究已经开始关注零碳建筑的布局优化。然而，这些方法往往基于固定的规则和假设，无法灵活适应不同场景和需求。此外，这些方法也很难处理大规模的建筑布局优化问题，并且在计算效率和准确性方面存在一定的限制。
为此，本发明提出一种基于深度学习技术的零碳建筑布局优化方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习技术的零碳建筑布局优化方法及系统，实现了在零碳建筑建造前，检索合适的建筑布局，从而保证在实际建造时，提高零碳建筑的能源利用率。
为实现上述目的，根据本发明的实施例1提出一种基于深度学习技术的零碳建筑布局优化方法，包括以下步骤：
步骤一：预先收集零碳建筑的训练数据集合；
步骤二：使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型；
步骤三：收集待优化零碳建筑的环境数据；
步骤四：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤五：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤五，直至综合能效值达到收敛；
步骤六：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局；
其中，所述训练数据集合中的元素包括光照强度训练数据、通风度训练数据以及温度稳定度训练数据；
所述光照强度训练数据包括若干组光照特征数据以及建筑光照强度；
所述通风度训练数据包括若干组通风特征数据以及建筑通风度；
所述温度稳定度训练数据包括若干组温度稳定度特征数据以及建筑温度稳定度；
其中，所述光照特征数据包括测试零碳建筑所处建筑数据以及测试零碳建筑所处环境的环境数据；
所述测试零碳建筑为利用数字孪生技术构建的采用与待优化零碳建筑相同的建筑图纸的虚拟建筑模型，且在数字孪生形成的模拟环境中，通过控制测试零碳建筑所处的环境数据、建筑朝向以及窗户尺寸，再收集测试零碳建筑内部的光照强度、通风度以及温度稳定度；
预先设置收集时间周期T；
进一步的，每组所述光照特征数据包括测试零碳建筑的建筑朝向、窗户尺寸以及环境平均光照强度；
其中，建筑朝向采用偏离角度进行量化表达；具体的，建筑朝向可以将某一方向的偏离角度设置为0，其后计算建筑朝向与偏离角度为0的位置在旋转方向上偏离的角度值，该偏离的角度值即为偏离角度；
其中，窗户尺寸为窗户的面积；
环境平均光照强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均光照强度；
所述建筑光照强度为收集时间周期T内，测试零碳建筑内部的平均光照强度；
每组所述通风特征数据包括建筑朝向、窗户尺寸以及环境平均风力强度；
所述环境平均风力强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均风力强度；
所述建筑通风度为收集时间周期T内，测试零碳建筑内部的平均风力强度；
每组所述温度稳定度特征数据包括建筑朝向、窗户尺寸以及环境温差系数；
环境温差系数为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的温差系数；所述温差系数是指温度的最大值除以温度的最小值；
所述建筑温度稳定度为收集时间周期T内，测试零碳建筑内部的温差系数除以环境温差系数；
训练出预测光照强度的第一深度学习模型的方式为：
将每组光照特征数据作为第一深度学习模型的输入，所述第一深度学习模型以对每组光照特征数据的预测的建筑光照强度为输出，以该组光照特征数据在光照强度训练数据中对应的建筑光照强度为预测目标，以最小化所有光照特征数据的预测误差之和作为训练目标；对第一深度学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述第一深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
训练出预测建筑通风度的第二深度学习模型的方式为：
将每组通风特征数据作为第二深度学习模型的输入，所述第二深度学习模型以对每组通风特征数据的预测的建筑通风度为输出，以该通风特征数据在通风度训练数据中对应的建筑通风度为预测目标，以最小化所有通风特征数据的预测误差之和作为训练目标；对第二深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
训练出预测建筑温度稳定度的第三深度学习模型的方式为：
将每组温度稳定度特征数据作为第三深度学习模型的输入，所述第三深度学习模型以对每组温度稳定度特征数据的预测的建筑建筑温度稳定度为输出，以该温度稳定度特征数据在温度稳定度训练数据中对应的建筑温度稳定度为预测目标，以最小化所有温度稳定度特征数据的预测误差之和作为训练目标；对第三深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第三深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
所述待优化零碳建筑的环境数据包括待优化零碳建筑在收集时间周期T内的环境平均光照强度、环境平均风力强度以及环境温差系数；
输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度的方式为：
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均光照强度作为第一深度学习模型的输入，获得第一深度学习模型对建筑光照强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均风力强度作为第二深度学习模型的输入，获得第而深度学习模型对建筑风力强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境温差系数作为第三深度学习模型的输入，获得第三深度学习模型对建筑温度稳定度的预测输出；
计算出综合能效值的方式为：
将建筑光照强度的预测输出标记为G，将建筑风力强度的预测输出标记为F，将建筑温度稳定度的预测输出标记为E；
将综合能效值标记为N，则综合能效值N的计算公式为N＝h1*G+h2*F-h3*E，其中，h1、h2以及h3分别为预设的比例系数；
对初始建筑朝向、初始窗户尺寸做初次调整的方式为：
将朝向调整步长标记为b1，将尺寸调整步长标记为b2；
将调整前的初始建筑朝向以及初始窗户尺寸分别标记为c1和d1，将调整后的初始建筑朝向以及初始窗户尺寸分别标记为c2和d2，则c2调整为c1+b1,将d2调整为d1+b2；
基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸的方式为：
将重新计算出综合能效值之前的综合能效值标记为N1，将重新计算的综合能效值为N2；
则将c2更新为将c1更新为c2；
将d2更新为将d1更新为d2。
根据本发明的实施例2提出一种基于深度学习技术的零碳建筑布局优化系统，包括训练数据收集模块、模型训练模块、待优化数据收集模块以及布局优化模块；其中，各个模块之间通过优先和/或无线网络方式连接；
其中，所述训练数据收集模块主要用于预先收集零碳建筑的训练数据集合，并将训练数据集合发送至模型训练模块；
其中，所述模型训练模块主要用于使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，并将训练完成的第一深度学习模型、第二深度学习模型以及第三深度学习模型发送至布局优化模块；
其中，所述待优化数据收集模块主要用于收集待优化零碳建筑的环境数据，并将待优化零碳建筑的环境数据发送至布局优化模块；
所述布局优化模块主要用于获得对待优化零碳建筑的建筑布局；
获得对待优化零碳建筑的建筑布局包括以下步骤：
步骤U1：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤U2：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤U2，直至综合能效值达到收敛；
步骤U3：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集零碳建筑的训练数据集合，使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，再通过预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸，基于初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型，分别计算出建筑光照强度、建筑通风度以及建筑温度稳定度，再基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值，最后采用梯度下降法寻找合适的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局；实现了在零碳建筑建造前，检索合适的建筑布局，从而保证在实际建造时，提高零碳建筑的能源利用率。
附图说明
图1为本发明的实施例1中基于深度学习技术的零碳建筑布局优化方法的流程图；
图2为本发明的实施例2中基于深度学习技术的零碳建筑布局优化系统的模块连接图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种基于深度学习技术的零碳建筑布局优化方法，包括以下步骤：
步骤一：预先收集零碳建筑的训练数据集合；
步骤二：使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型；
步骤三：收集待优化零碳建筑的环境数据；
步骤四：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤五：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤五，直至综合能效值达到收敛；
步骤六：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局；
其中，所述训练数据集合中的元素包括光照强度训练数据、通风度训练数据以及温度稳定度训练数据；
在一个优选的实施例中，所述光照强度训练数据包括若干组光照特征数据以及建筑光照强度；
所述通风度训练数据包括若干组通风特征数据以及建筑通风度；
所述温度稳定度训练数据包括若干组温度稳定度特征数据以及建筑温度稳定度；
其中，所述光照特征数据包括测试零碳建筑所处建筑数据以及测试零碳建筑所处环境的环境数据；
所述测试零碳建筑为利用数字孪生技术构建的采用与待优化零碳建筑相同的建筑图纸的虚拟建筑模型，且在数字孪生形成的模拟环境中，通过控制测试零碳建筑所处的环境数据、建筑朝向以及窗户尺寸，再收集测试零碳建筑内部的光照强度、通风度以及温度稳定度；
需要说明的是，数字孪生技术应用在建筑领域是一项较为成熟的技术领域，常用的建模软件包括但不限于BIM、3D Max、Blender以及Rhino等，本发明在此不再赘述建模过程；
预先设置收集时间周期T；
进一步的，每组所述光照特征数据包括测试零碳建筑的建筑朝向、窗户尺寸以及环境平均光照强度；
其中，建筑朝向采用偏离角度进行量化表达；具体的，建筑朝向可以将某一方向的偏离角度设置为0，其后计算建筑朝向与偏离角度为0的位置在旋转方向上偏离的角度值，该偏离的角度值即为偏离角度；某一方向可以是东方、西方、南方以及北方中的任意一个；旋转方向可以是顺时针或逆时针中的任意一个；
其中，窗户尺寸为窗户的面积；
环境平均光照强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均光照强度；可以理解的是，在数字孪生技术中，可以对环境光照强度进行随机模拟或读取现实世界中存在的某些地区的光照强度变化，从而计算出环境中的平均光照强度；
所述建筑光照强度为收集时间周期T内，测试零碳建筑内部的平均光照强度；可以理解的是，测试零碳建筑内部的光照强度可以使用光学物理引擎模拟在光照特征数据条件下环境光照在测试零碳建筑上模拟获得；
每组所述通风特征数据包括建筑朝向、窗户尺寸以及环境平均风力强度；
所述环境平均风力强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均风力强度；可以理解的是，在数字孪生技术中，可以对环境风力强度进行随机模拟或读取现实世界中存在的某些地区的风力强度变化，从而计算出环境中的平均风力强度；
所述建筑通风度为收集时间周期T内，测试零碳建筑内部的平均风力强度；可以理解的是，测试零碳建筑内部的风力强度可以使用力学物理引擎模拟在特征数据条件下环境风通过在测试零碳建筑上模拟获得；
每组所述温度稳定度特征数据包括建筑朝向、窗户尺寸以及环境温差系数；
环境温差系数为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的温差系数；所述温差系数是指温度的最大值除以温度的最小值；显然温差系数越接近1，温度越稳定；可以理解的是，在数字孪生技术中，可以对环境温度进行随机模拟或读取现实世界中存在的某些地区的温度变化，从而计算出环境中的温差系数；
所述建筑温度稳定度为收集时间周期T内，测试零碳建筑内部的温差系数除以环境温差系数；显然，建筑温度稳定度越小，建筑的保温效果越好；可以理解的是，测试零碳建筑内部的风力强度可以使用力学物理引擎模拟在特征数据条件下环境风通过在测试零碳建筑上模拟获得；
训练出预测光照强度的第一深度学习模型的方式为：
将每组光照特征数据作为第一深度学习模型的输入，所述第一深度学习模型以对每组光照特征数据的预测的建筑光照强度为输出，以该组光照特征数据在光照强度训练数据中对应的建筑光照强度为预测目标，以最小化所有光照特征数据的预测误差之和作为训练目标；对第一深度学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述第一深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
训练出预测建筑通风度的第二深度学习模型的方式为：
将每组通风特征数据作为第二深度学习模型的输入，所述第二深度学习模型以对每组通风特征数据的预测的建筑通风度为输出，以该通风特征数据在通风度训练数据中对应的建筑通风度为预测目标，以最小化所有通风特征数据的预测误差之和作为训练目标；对第二深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
训练出预测建筑温度稳定度的第三深度学习模型的方式为：
将每组温度稳定度特征数据作为第三深度学习模型的输入，所述第三深度学习模型以对每组温度稳定度特征数据的预测的建筑建筑温度稳定度为输出，以该温度稳定度特征数据在温度稳定度训练数据中对应的建筑温度稳定度为预测目标，以最小化所有温度稳定度特征数据的预测误差之和作为训练目标；对第三深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第三深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
需要说明的是，深度学习模型中，预测误差的计算公式为:zk＝(ak-wk)2，其中，k为特征数据的编号，zk为预测误差，ak为第k组特征数据对应的预测的状态值，wk为第k组训练数据对应的实际的状态值；
例如，对于第一深度学习模型，特征数据即为光照特征数据，状态值即为建筑光照强度；对于第二深度学习模型，特征数据即为通风特征数据，状态值即为建筑通风度；对于第三深度学习模型，特征数据即为温度稳定度特征数据，状态值即为建筑温度稳定度；
所述待优化零碳建筑的环境数据包括待优化零碳建筑在收集时间周期T内的环境平均光照强度、环境平均风力强度以及环境温差系数；
输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度的方式为：
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均光照强度作为第一深度学习模型的输入，获得第一深度学习模型对建筑光照强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均风力强度作为第二深度学习模型的输入，获得第而深度学习模型对建筑风力强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境温差系数作为第三深度学习模型的输入，获得第三深度学习模型对建筑温度稳定度的预测输出；
计算出综合能效值的方式为：
将建筑光照强度的预测输出标记为G，将建筑风力强度的预测输出标记为F，将建筑温度稳定度的预测输出标记为E；
将综合能效值标记为N，则综合能效值N的计算公式为N＝h1*G+h2*F-h3*E，其中，h1、h2以及h3分别为预设的比例系数；
对初始建筑朝向、初始窗户尺寸做初次调整的方式为：
将朝向调整步长标记为b1，将尺寸调整步长标记为b2；
将调整前的初始建筑朝向以及初始窗户尺寸分别标记为c1和d1，将调整后的初始建筑朝向以及初始窗户尺寸分别标记为c2和d2，则c2调整为c1+b1,将d2调整为d1+b2；
基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸的方式为：
将重新计算出综合能效值之前的综合能效值标记为N1，将重新计算的综合能效值为N2；
则将c2更新为将c1更新为c2；
将d2更新为将d1更新为d2；
可以理解的是，该更新方式为梯度下降法；
进一步的，判断综合能效值是否达到收敛的方式可以采用对梯度下降法进行收敛判断的方式，梯度下降法的收敛判断属于本领域的公知常识，在此不再赘述。
如图2所示，一种基于深度学习技术的零碳建筑布局优化系统，包括训练数据收集模块、模型训练模块、待优化数据收集模块以及布局优化模块；其中，各个模块之间通过优先和/或无线网络方式连接；
其中，所述训练数据收集模块主要用于预先收集零碳建筑的训练数据集合，并将训练数据集合发送至模型训练模块；
其中，所述模型训练模块主要用于使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，并将训练完成的第一深度学习模型、第二深度学习模型以及第三深度学习模型发送至布局优化模块；
其中，所述待优化数据收集模块主要用于收集待优化零碳建筑的环境数据，并将待优化零碳建筑的环境数据发送至布局优化模块；
所述布局优化模块主要用于获得对待优化零碳建筑的建筑布局；
获得对待优化零碳建筑的建筑布局包括以下步骤：
步骤U1：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤U2：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤U2，直至综合能效值达到收敛；
步骤U3：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (9)
1.一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，包括以下步骤：
步骤一：预先收集零碳建筑的训练数据集合；
步骤二：预先设置收集时间周期T；使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型；
步骤三：收集待优化零碳建筑的环境数据；所述待优化零碳建筑的环境数据包括待优化零碳建筑在收集时间周期内的环境平均光照强度、环境平均风力强度以及环境温差系数；
步骤四：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤五：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤五，直至综合能效值达到收敛；
步骤六：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局；
计算出综合能效值的方式为：
将建筑光照强度的预测输出标记为G，将建筑风力强度的预测输出标记为F，将建筑温度稳定度的预测输出标记为E；
将综合能效值标记为N，则综合能效值N的计算公式为N＝h1*G+h2*F-h3*E，其中，h1、h2以及h3分别为预设的比例系数。
2.根据权利要求1所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，所述训练数据集合中的元素包括光照强度训练数据、通风度训练数据以及温度稳定度训练数据；
所述光照强度训练数据包括若干组光照特征数据以及建筑光照强度；
所述通风度训练数据包括若干组通风特征数据以及建筑通风度；
所述温度稳定度训练数据包括若干组温度稳定度特征数据以及建筑温度稳定度。
3.根据权利要求2所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，所述光照特征数据包括测试零碳建筑所处建筑数据以及测试零碳建筑所处环境的环境数据；
所述测试零碳建筑为利用数字孪生技术构建的采用与待优化零碳建筑相同的建筑图纸的虚拟建筑模型，且在数字孪生形成的模拟环境中，通过控制测试零碳建筑所处的环境数据、建筑朝向以及窗户尺寸，收集测试零碳建筑内部的光照强度、通风度以及温度稳定度；
每组所述光照特征数据包括测试零碳建筑的建筑朝向、窗户尺寸以及环境平均光照强度；
其中，建筑朝向采用偏离角度进行量化表达；具体的，建筑朝向将某一方向的偏离角度设置为0，其后计算建筑朝向与偏离角度为0的位置在旋转方向上偏离的角度值，该偏离的角度值即为偏离角度；
其中，窗户尺寸为窗户的面积；
环境平均光照强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均光照强度；
所述建筑光照强度为收集时间周期T内，测试零碳建筑内部的平均光照强度；
每组所述通风特征数据包括建筑朝向、窗户尺寸以及环境平均风力强度；
所述环境平均风力强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均风力强度；
所述建筑通风度为收集时间周期T内，测试零碳建筑内部的平均风力强度；
每组所述温度稳定度特征数据包括建筑朝向、窗户尺寸以及环境温差系数；
环境温差系数为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的温差系数；所述温差系数是指温度的最大值除以温度的最小值；
所述建筑温度稳定度为收集时间周期T内，测试零碳建筑内部的温差系数除以环境温差系数。
4.根据权利要求3所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，训练出预测光照强度的第一深度学习模型的方式为：
将每组光照特征数据作为第一深度学习模型的输入，所述第一深度学习模型以对每组光照特征数据的预测的建筑光照强度为输出，以该组光照特征数据在光照强度训练数据中对应的建筑光照强度为预测目标，以最小化所有光照特征数据的预测误差之和作为训练目标；对第一深度学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述第一深度学习模型是深度神经网络模型或多层感知器模型中的任意一个。
5.根据权利要求4所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，训练出预测建筑通风度的第二深度学习模型的方式为：
将每组通风特征数据作为第二深度学习模型的输入，所述第二深度学习模型以对每组通风特征数据的预测的建筑通风度为输出，以该通风特征数据在通风度训练数据中对应的建筑通风度为预测目标，以最小化所有通风特征数据的预测误差之和作为训练目标；对第二深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二深度学习模型是深度神经网络模型或多层感知器模型中的任意一个。
6.根据权利要求5所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，训练出预测建筑温度稳定度的第三深度学习模型的方式为：
将每组温度稳定度特征数据作为第三深度学习模型的输入，所述第三深度学习模型以对每组温度稳定度特征数据的预测的建筑建筑温度稳定度为输出，以该温度稳定度特征数据在温度稳定度训练数据中对应的建筑温度稳定度为预测目标，以最小化所有温度稳定度特征数据的预测误差之和作为训练目标；对第三深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第三深度学习模型是深度神经网络模型或多层感知器模型中的任意一个。
7.根据权利要求6所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度的方式为：
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均光照强度作为第一深度学习模型的输入，获得第一深度学习模型对建筑光照强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均风力强度作为第二深度学习模型的输入，获得第而深度学习模型对建筑风力强度的预测输出；
将初始建筑朝向、初始窗户尺寸以及环境数据中的环境温差系数作为第三深度学习模型的输入，获得第三深度学习模型对建筑温度稳定度的预测输出。
8.根据权利要求7所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，对初始建筑朝向、初始窗户尺寸做初次调整的方式为：
将朝向调整步长标记为b1，将尺寸调整步长标记为b2；
将调整前的初始建筑朝向以及初始窗户尺寸分别标记为c1和d1，将调整后的初始建筑朝向以及初始窗户尺寸分别标记为c2和d2，则c2调整为c1+b1,将d2调整为d1+b2；
基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸的方式为：
将重新计算出综合能效值之前的综合能效值标记为N1，将重新计算的综合能效值为N2；
则将c2更新为将c1更新为c2；
将d2更新为将d1更新为d2。
9.一种基于深度学习技术的零碳建筑布局优化系统，其基于权利要求1-8中任意一条所述的方法实现，其特征在于，包括训练数据收集模块、模型训练模块、待优化数据收集模块以及布局优化模块；其中，各个模块之间通过优先和/或无线网络方式连接；
其中，所述训练数据收集模块用于预先收集零碳建筑的训练数据集合，并将训练数据集合发送至模型训练模块；
其中，所述模型训练模块用于使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，并将训练完成的第一深度学习模型、第二深度学习模型以及第三深度学习模型发送至布局优化模块；
其中，所述待优化数据收集模块用于收集待优化零碳建筑的环境数据，并将待优化零碳建筑的环境数据发送至布局优化模块；
所述布局优化模块用于获得对待优化零碳建筑的建筑布局；
获得对待优化零碳建筑的建筑布局包括以下步骤：
步骤U1：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
并对初始建筑朝向、初始窗户尺寸做初次调整；
步骤U2：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤U2，直至综合能效值达到收敛；
步骤U3：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310635862.0A CN116663412B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310635862.0A CN116663412B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663412A CN116663412A (zh) | 2023-08-29 |
| CN116663412B true CN116663412B (zh) | 2024-03-29 |
Family
ID=87714821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310635862.0A Active CN116663412B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663412B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
| CN113297659A (zh) * | 2021-05-27 | 2021-08-24 | 建科环能科技有限公司 | 零能耗零碳建筑的计算方法及计算系统 |
| 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 |
| CN115713219A (zh) * | 2022-11-29 | 2023-02-24 | 广东电网有限责任公司 | 零碳运行的建筑方案的优化方法、系统、设备及介质 |
| CN115879601A (zh) * | 2022-11-15 | 2023-03-31 | 国家电网有限公司技术学院分公司 | 一种零碳园区综合能源优化配置方法及系统 |
| CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
-
2023
- 2023-06-01 CN CN202310635862.0A patent/CN116663412B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
| CN113297659A (zh) * | 2021-05-27 | 2021-08-24 | 建科环能科技有限公司 | 零能耗零碳建筑的计算方法及计算系统 |
| 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 |
| CN115879601A (zh) * | 2022-11-15 | 2023-03-31 | 国家电网有限公司技术学院分公司 | 一种零碳园区综合能源优化配置方法及系统 |
| CN115713219A (zh) * | 2022-11-29 | 2023-02-24 | 广东电网有限责任公司 | 零碳运行的建筑方案的优化方法、系统、设备及介质 |
| CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 零碳建筑技术指南;陈硕;;建筑技艺;20111020(第Z5期);127-131 * |
| 零碳建筑概念及关键技术梳理;沈玥 等;《绿色建筑》;20230320;第15卷(第2期);21-24 * |
| 零能耗住宅的节能技术与室内环境优化研究;宋浏;《中国硕士全文数据库 工程科技II辑》;20181215(第12期);1-91 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663412A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
| JP7319141B2 (ja) | 人工知能ベースの製造部品設計 | |
| CN115115284B (zh) | 一种基于神经网络的能耗分析方法 | |
| CN115270642A (zh) | 基于数字孪生的植物工厂智能管理系统 | |
| CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
| CN108255059B (zh) | 一种基于模拟器训练的机器人控制方法 | |
| CN114692488A (zh) | 一种超临界翼型的生成方法、装置、电子设备及存储介质 | |
| CN111191785A (zh) | 一种基于拓展搜索空间的结构搜索方法 | |
| CN111382581B (zh) | 一种机器翻译中的一次剪枝压缩方法 | |
| CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
| CN115204041A (zh) | 一种大型航空器进场和进近阶段耗油量预测方法 | |
| CN116663412B (zh) | 一种基于深度学习技术的零碳建筑布局优化方法及系统 | |
| CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
| CN115936108A (zh) | 基于知识蒸馏的面向多元时序预测图神经网络压缩方法 | |
| CN115310727A (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN115438619A (zh) | 基于迁移学习的自动化芯片布线系统及方法 | |
| CN115270686A (zh) | 一种基于图神经网络的芯片布局方法 | |
| CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
| CN110501903B (zh) | 机器人免逆解控制系统参数的自调节及优化方法 | |
| Ma et al. | Parallel Systems for the Bridge Inspection | |
| Lu et al. | Apso-based optimization algorithm of lstm neural network model | |
| CN109726805B (zh) | 利用黑盒模拟器进行神经网络处理器设计的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |