CN116702261A - 一种光伏建筑群最优化布局方法及系统 - Google Patents
一种光伏建筑群最优化布局方法及系统 Download PDFInfo
- Publication number
- CN116702261A CN116702261A CN202310087354.3A CN202310087354A CN116702261A CN 116702261 A CN116702261 A CN 116702261A CN 202310087354 A CN202310087354 A CN 202310087354A CN 116702261 A CN116702261 A CN 116702261A
- Authority
- CN
- China
- Prior art keywords
- building
- scheme
- building group
- layout
- optimal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000002787 reinforcement Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 31
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏建筑群最优化布局方法及系统,涉及光伏建筑群布局技术领域,按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。本方案区域建筑群优化设计算法对地块社区建筑群进行重新优化设计计算,并将优化方案和原设计方案进行对比,结果表明优化方案较原方案有较大提升,具备推广价值。
Description
技术领域
本发明涉及光伏建筑群布局技术领域,具体为一种光伏建筑群最优化布局方法及系统。
背景技术
未来社区是以人为核心的城市现代化崭新平台,也是老旧小区系统改造更新方案,未来社区建设以推动人的全面发展和社会的全面进步为出发点,聚焦人本化、生态化、数字化三维价值坐标,打造有归属感、舒适感和未来感的新型城市功能单元。
基于未来社区的建筑表面辐照度关键影响因子,进行建筑群优化算法研究,以构建“疏密有致”的空间布局形态和“宜居宜业”的居住区环境品质为目标,形成具备推广性的未来社区低碳建筑群优化布局。
在建筑布局方案制定过程中,需通过城市技术管理规定或者日照规范来确定建筑间距,建筑间距主要和高度,面宽,日照有关,在某些情况下,日照需要考虑场地内建筑对界外建筑的影响,以及界外建筑对场地内建筑的影响。
传统建筑师进行建筑群方案设计过程中,一般采用人工对建筑群进行预排布,然后根据日照分析软件对建筑群最小日照时数进行检查,若有不满足的地方则进行单栋建筑的位置调整。此类方法十分依赖建筑师的主观判断,且从全局角度来看,既非局部最优解,亦非全局最优解,更无法根据建筑群对光伏资源最大消纳为导向进行优化。
故传统区域住宅建筑群设计过程在方法和流程上存在一定优化空间。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种光伏建筑群最优化布局方法及系统,按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。本方案区域建筑群优化设计算法对地块社区建筑群进行重新优化设计计算,并将优化方案和原设计方案进行对比,结果表明优化方案较原方案有较大提升,具备推广价值,解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
基于未来社区的建筑表面辐照度关键影响因子,进行建筑群优化算法研究,以构建“疏密有致”的空间布局形态和“宜居宜业”的居住区环境品质为目标,优化未来社区“光伏建筑一体化”与“绿色建筑”布局方式,分析研究未来社区的占地面积、建筑面积、容积率、建筑限高、户数等现状情况和存在问题,对社区建筑群布局提出优化设计方法和合理指导建议,将助于推进本研究的理论到实际设计生产的转化,进而形成具备推广性的未来社区低碳建筑群优化布局设计方法。
一种光伏建筑群最优化布局方法,按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。
进一步的,将建筑体等效成矩形,平面在Z轴方向上拉伸而得的三维体,建筑的在投影面上的碰撞边缘为建筑的边缘,在南北和东西方向上增加的间距。
进一步的,根据日地天文位置计算理论和建筑几何投影理论,对建筑在冬至日或大寒日时阴影区域进行模拟,以需满足冬季最小日照的需求。
进一步的,若建筑体之间不落在北向最小日照时数三角形阴影区间内,将日照要求对三维建筑体在空间上的约束,降维为二维平面XOY上建筑体碰撞边缘的约束。
进一步的,约束建筑体在三维空间中的间距、日照;通过该降维方法,将建筑体在三维装箱问题中的碰撞判断降维为二维上的碰撞判断,若两个建筑体的二维碰撞边缘构成的多边形重合面积为0,则该两个建筑体在三维空间上将同时满足间距和日照的约束要求。
进一步的,选取天空角系数SVF作为关键影响因子,完成建筑体的建筑体碰撞边缘计算后,基于蒙特卡洛随机采样对该地块的建筑群布局方案进行全局较优解求解,并选择其中最优方案,作为强化学习的基准方案。
进一步的,在基准方案的基础上,采用基于马尔科夫链的强化学习框架,按照1米为步长对各建筑体在X和Y轴上进行漫步尝试,若漫步后方案的关键影响因子指标优于原方案,则将漫步后方案设为基准方向,继续基准方案的基础上进行优化;若漫步后方案的关键影响因子指标劣于原方案,则基准方案依然为原方案;
重复上述漫步迭代过程直至迭代收敛,或达到最大迭代次数。
进一步的,关键影响因子收敛阈值设置为0.01,强化学习框架最大迭代次数设置为20000。
一种光伏建筑群最优化布局系统,包括:
排序单元,按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;
解算单元,对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;
强化学习单元,以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;
处理单元,以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。
(三)有益效果
本发明提供了一种光伏建筑群最优化布局方法及系统,具备以下有益效果:
在经济性约束性指标下,实现建筑群的光伏最优化利用,具备一定工程应用价值。
在区域建筑群布局算法中,提出了建筑体碰撞边缘算法,将三维装箱问题降维为二维,进而采用基于蒙特卡洛随机采样的全局较优解算法和基于马尔科夫链的强化学习局部最优解算法,对给定表面辐照度关键影响因子条件下进行未来社区建筑群布局最优化求解。
该区域建筑群布局方案算法结合了传统建筑师设计理念和机器学习优化求解方法,以建筑表面辐照度关键影响因子为优化指标,在全局随机较优解搜寻的基础上,采用强化学习算法进一步求解局部最优解。既通过融入传统设计理念减少了求解运算量,又通过全局较优解搜索避免了装箱问题优化过程中常见的局部极值点陷入问题,还通过强化学习算法在全局较优解基础上求解局部最优解。
以某未来社区实际案例为基准参照案例,用本方案区域建筑群优化设计算法对地块社区建筑群进行重新优化设计计算,并将优化方案和原设计方案进行对比,结果表明优化方案较原方案有较大提升,具备一定工程推广价值。
附图说明
图1为本发明建筑体间距约束下XOY平面二维碰撞边缘示意图;
图2为本发明建筑体冬至日或大寒日时阴影区域进行模拟俯视图;
图3为本发明建筑体日照约束下XOY平面二维碰撞边缘示意图;
图4为本发明建筑体约束条件下XOY平面二维碰撞边缘构建示意图;
图5为本发明基于蒙特卡洛随机采样及马尔科夫链的区域建筑群布局求解算法框架;
图6为本发明未来社区住宅地块基本信息示意图;
图7为本发明开发商社区设计方案图;
图8为本发明该地块强化学习基准方案示意图;
图9为本发明强化学习后的该地块建筑群布局方案二维建筑碰撞轮廓视角示意图;
图10为本发明强化学习后的该地块建筑群布局方案三维建筑群视角示意图;
图11为本发明该地块未来社区实际设计完工方案的日照及辐照度模拟示意图;
图12为本发明基于本研究区域建筑群布局优化设计算法方案的日照及辐照度模拟示意图;
图13为本发明光伏建筑群最优化布局系统流程图。
图中:
10、排序单元;20、解算单元;30、强化学习单元;40、处理单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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他实施例,都属于本发明保护的范围。
实施例1
请参阅图1-12,本发明提供一种光伏建筑群最优化布局方法,
将建筑体等效成某矩形平面在Z轴方向上拉伸而得的三维体(即建筑体任意XOY截面与其Z轴方向投影形状一致),将建筑体的三维装箱问题降维为在Z轴方向投影上的二维装箱问题,建筑的在投影面上的碰撞边缘为建筑的边缘,加上建筑根据设计规范,需在南北和东西方向上增加的间距,如图1所示。
建筑体除南北和东西方向上增加的间距外,还需满足冬季最小日照的需求,根据日地天文位置计算理论和建筑几何投影理论,对建筑在冬至日或大寒日时阴影区域进行模拟,结果如图2所示。
由模拟结果可知,对于建筑的自遮挡而言,若建筑体之间不落在北向“最小日照时数”三角形阴影区间内,则都将满足冬季最小日照时数的要求,故可将日照要求对三维建筑体在空间上的约束,降维为二维平面XOY上建筑体碰撞边缘的约束,如下图图3所示。
综上,参见图4,提出一种建筑体在约束条件下的XOY平面二维碰撞边缘构造方法,用于约束建筑体在三维空间中的间距、日照;
通过该降维方法,将建筑体在三维装箱问题中的碰撞判断降维为二维(XOY平面)上的碰撞判断,若两个建筑体的二维碰撞边缘构成的多边形重合面积为0,则该两个建筑体在三维空间上将同时满足间距和日照的约束要求。
经过降维预处理,将区域建筑群布局装箱问题简化为基于二维建筑体碰撞边缘的二维装箱问题;
但是,考虑到此类组合优化问题通常带有大量的局部极值点,往往是不可微的、不连续的、多维的、有约束条件的、高度非线性的NP完全问题,因此,在计算二维装箱问题前,首先对建筑体的数量进行缩减以减少模拟工作量、增加求解的可行性;
结合传统住宅建筑设计流程可知,设计师往往将最高的建筑群放于小区最北面,使得建筑群整体以南低北高的姿态获取最大光伏利用潜能。
因此,本研究将建筑群的布局方案拆分为两个步骤,首先,按照传统建筑强排布局理念,将最高或体量最大的建筑沿地块北侧布局,其次,对剩余建筑进行最优布局求解。
整体上,区域建筑群布局方案算法按照如下步骤进行展开:
步骤一、按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止;
步骤二、对剩余建筑进行N次基于蒙特卡洛随机样本法的建筑群布局方案求解;
步骤三、以未来社区建筑群表面辐照度关键影响因子为基准筛选N个方案中的最优值;
步骤四、以该方案为基准继续以马尔科夫链强化学习算法为框架搜寻局部最优解。
该区域建筑群布局方案算法结合了传统建筑师设计理念和机器学习优化求解方法,以建筑表面辐照度关键影响因子为优化指标,在全局随机较优解搜寻的基础上,采用强化学习算法进一步求解局部最优解。既通过融入传统设计理念减少了求解运算量,又通过全局较优解搜索避免了装箱问题优化过程中常见的局部极值点陷入问题,还通过强化学习算法在全局较优解基础上求解局部最优解,具体算法流程框架如图5。
为检验未来社区建筑群优化设计算法的有效性,选取某未来社区住宅地块(见图6),进行基于本研究优化框架的优化布局运算,地块信息如下表1:
表1案例分析地块相关信息表
容积率 | 建筑密度 | 限高 |
小于等于2.35 | 小于等于35% | 80米 |
基于图7的开发商的强排方案及相关CAD图纸,可供选择的户型如下表2:
表2案例分析地块可选户型列表
区域建筑群布局最优解算法
鉴于太阳直射辐射复合因子计算较为复杂,且反射辐射量在总辐照度值中占比较小,而天空角系数SVF不仅是天空散射辐射的关键影响因子,在直射照度值中相关系数亦较高,选取天空角系数作为关键影响因子,在完成15栋建筑体的建筑体碰撞边缘计算后,基于蒙特卡洛随机采样对该地块的建筑群布局方案进行全局较优解求解,并选择其中最优方案,作为强化学习的基准方案,如图8所示。
在基准方案的基础上,采用基于马尔科夫链的强化学习框架,按照1米为步长对各建筑体在X和Y轴上进行漫步尝试,若漫步后方案的关键影响因子指标优于原方案,则将漫步后方案设为基准方向,继续基准方案的基础上进行优化;
若漫步后方案的关键影响因子指标劣于原方案,则基准方案依然为原方案;
重复上述漫步迭代过程直至迭代收敛,或达到最大迭代次数;关键影响因子收敛阈值设置为0.01,强化学习框架最大迭代次数设置为20000。
经计算,该地块建筑群布局方案最终强化学习结果如图9和图10所示。对比图8和图9可知,经强化学习迭代运算后建筑的排布更为分散,中心区域更为开阔,关键影响因子指标更优,较原基准方案有显著提升。
对该地块现行设计强排方案和本研究区域建筑群布局优化方案进行日照和辐照度模拟分析,结果见图11。
而参照图12可知,在日照方面,优化后方案在中心区域日照更为充沛,有利于开敞空间绿植生长及人员活动区域的设置,而中心区域及建筑底部的辐照度较原方案亦更优,有利于提升该未来社区的光伏资源利用潜能。
进一步按表3对原方案和优化方案进行光伏系统设计和年发电量计算,屋顶、南墙和西墙光伏发电量模拟结果对比见表4。
表3本案例光伏系统设计参数
面积铺设利用率 | 组件形式 | 光伏组件效率 | 光伏系统效率 | |
屋顶 | 0.5 | 单晶硅 | 20% | 0.85 |
南墙 | 0.2 | 薄膜 | 16% | 0.85 |
西墙 | 0.2 | 薄膜 | 16% | 0.85 |
表4原方案和优化方案年发电量对比
经对比可知,优化方案相较于原方案在屋顶年总发电量、南墙年总发电量、西墙年总发电量和年总发电量上均有提升,其中南墙和西墙与原方案基本持平,而屋顶年总发电量显著提升,达21.94%。屋顶为未来社区建筑光伏组件铺设的主要部位,本研究区域建筑群布优化设计算法在容积率不变的情况下,将社区屋顶年总发电量显著优化提升,具备一定工程指导价值。
以住宅建筑为重点方案并开发了未来社区建筑群,优化设计算法,并结合实际案例进行了算法应用分析。根据建筑间距规范和日照要求提出了建筑碰撞边缘算法,将三维装箱问题简化为二维以大幅减少预算量,而后基于蒙特卡洛随机采样对建筑群布局方案的全局较优解进行搜寻,并确定最优的基准布局方案,最终在基准方案的基础上基于马尔科夫链强化学习算法架构了建筑群迭代算法,以建筑辐照度关键影响因子为优化指标对最终局部最优解进行求解计算。
以某未来社区实际案例为基准参照案例,用本方案区域建筑群优化设计算法对地块社区建筑群进行重新优化设计计算,并将优化方案和原设计方案进行对比,结果表明优化方案较原方案有较大提升,具备一定工程推广价值。
基于蒙特卡洛随机采样法和马尔科夫链强化学习框架开发了未来社区建筑群优化设计算法,该算法通过建筑体碰撞边缘算法将三维装箱问题简化为二维,通过先全局较优解搜寻、后局部最优解求解的分步运算逻辑,简化了组合优化求解运算量。
实施例2
请参阅图13,本发明提供一种光伏建筑群最优化布局系统,包括:
排序单元10,按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;
解算单元20,对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;
强化学习单元30,以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;
处理单元40,以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一些逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光伏建筑群最优化布局方法,其特征在于:包括,
按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;
对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;
以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;
以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。
2.根据权利要求1所述的一种光伏建筑群最优化布局方法,其特征在于:
将建筑体等效成矩形,平面在Z轴方向上拉伸而得的三维体,建筑的在投影面上的碰撞边缘为建筑的边缘,在南北和东西方向上增加的间距。
3.根据权利要求1所述的一种光伏建筑群最优化布局方法,其特征在于:
根据日地天文位置计算理论和建筑几何投影理论,对建筑在冬至日或大寒日时阴影区域进行模拟,以需满足冬季最小日照的需求。
4.根据权利要求3所述的一种光伏建筑群最优化布局方法,其特征在于:
若建筑体之间不落在北向最小日照时数三角形阴影区间内,将日照要求对三维建筑体在空间上的约束,降维为二维平面XOY上建筑体碰撞边缘的约束。
5.根据权利要求4所述的一种光伏建筑群最优化布局方法,其特征在于:
约束建筑体在三维空间中的间距、日照;
通过该降维方法,将建筑体在三维装箱问题中的碰撞判断降维为二维上的碰撞判断,若两个建筑体的二维碰撞边缘构成的多边形重合面积为0,则该两个建筑体在三维空间上将同时满足间距和日照的约束要求。
6.根据权利要求5所述的一种光伏建筑群最优化布局方法,其特征在于:
选取天空角系数SVF作为关键影响因子,完成建筑体的建筑体碰撞边缘计算后,基于蒙特卡洛随机采样对该地块的建筑群布局方案进行全局较优解求解,并选择其中最优方案,作为强化学习的基准方案。
7.根据权利要求6所述的一种光伏建筑群最优化布局方法,其特征在于:
在基准方案的基础上,采用基于马尔科夫链的强化学习框架,按照1米为步长对各建筑体在X和Y轴上进行漫步尝试,若漫步后方案的关键影响因子指标优于原方案,则将漫步后方案设为基准方向,继续基准方案的基础上进行优化;
若漫步后方案的关键影响因子指标劣于原方案,则基准方案依然为原方案;
重复上述漫步迭代过程直至迭代收敛,或达到最大迭代次数。
8.根据权利要求7所述的一种光伏建筑群最优化布局方法,其特征在于:
关键影响因子收敛阈值设置为0.01,强化学习框架最大迭代次数设置为20000。
9.一种光伏建筑群最优化布局系统,其特征在于:包括:
排序单元(10),按照建筑总建筑面积和高度进行降序排列,并沿地块最北沿线进行自动布局直至不能再增加数量为止,形成建筑群预布局;
解算单元(20),对剩余建筑进行若干次基于蒙特卡洛随机样本法的建筑群布局方案求解,形成若干个基准方案;
强化学习单元(30),以未来社区建筑群表面辐照度关键影响因子为基准,基于强化学习算法,筛选若干个方案中的最优值,形成最优方案;
处理单元(40),以最优方案为基准,继续以马尔科夫链强化学习算法为框架,搜寻局部最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087354.3A CN116702261B (zh) | 2023-01-13 | 2023-01-13 | 一种光伏建筑群最优化布局方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087354.3A CN116702261B (zh) | 2023-01-13 | 2023-01-13 | 一种光伏建筑群最优化布局方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702261A true CN116702261A (zh) | 2023-09-05 |
CN116702261B CN116702261B (zh) | 2024-07-16 |
Family
ID=87831769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310087354.3A Active CN116702261B (zh) | 2023-01-13 | 2023-01-13 | 一种光伏建筑群最优化布局方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702261B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982822A (zh) * | 2023-01-05 | 2023-04-18 | 浙江大学 | 一种光伏住宅区域建筑群模型生成方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074608A1 (en) * | 2004-10-01 | 2006-04-06 | Freeman Clay | System and method for designing building structures with associated estimates and schedules |
CN111090899A (zh) * | 2019-11-07 | 2020-05-01 | 郑州大学 | 一种用于城市建筑空间布局设计方法 |
CN112100718A (zh) * | 2020-08-28 | 2020-12-18 | 东南大学 | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 |
CN112464339A (zh) * | 2020-11-25 | 2021-03-09 | 西北工业大学 | 一种最大化建筑群太阳能利用潜力的建筑布局确定方法 |
CN112767194A (zh) * | 2021-01-04 | 2021-05-07 | 西北工业大学 | 一种建筑群太阳能利用潜力的分析方法 |
CN115329425A (zh) * | 2022-07-29 | 2022-11-11 | 武汉城市学院 | 一种空气质量驱动下的建筑群体形态优化设计方法及系统 |
-
2023
- 2023-01-13 CN CN202310087354.3A patent/CN116702261B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074608A1 (en) * | 2004-10-01 | 2006-04-06 | Freeman Clay | System and method for designing building structures with associated estimates and schedules |
CN111090899A (zh) * | 2019-11-07 | 2020-05-01 | 郑州大学 | 一种用于城市建筑空间布局设计方法 |
CN112100718A (zh) * | 2020-08-28 | 2020-12-18 | 东南大学 | 一种基于智能算法及能耗综合优化的城市建筑群设计方法 |
CN112464339A (zh) * | 2020-11-25 | 2021-03-09 | 西北工业大学 | 一种最大化建筑群太阳能利用潜力的建筑布局确定方法 |
CN112767194A (zh) * | 2021-01-04 | 2021-05-07 | 西北工业大学 | 一种建筑群太阳能利用潜力的分析方法 |
CN115329425A (zh) * | 2022-07-29 | 2022-11-11 | 武汉城市学院 | 一种空气质量驱动下的建筑群体形态优化设计方法及系统 |
Non-Patent Citations (3)
Title |
---|
桂宁;董彦松;蒋米敏;李俊男;: "基于建筑信息模型的光伏设备自动优化铺设研究", 浙江理工大学学报(自然科学版), no. 03, 10 May 2016 (2016-05-10) * |
翟颖妮;王怡;黄艳秋;肖勇强;: "下沉式建筑底层自然通风与采光优化方法研究", 地下空间与工程学报, no. 06, 15 December 2018 (2018-12-15) * |
范新宇等: ""基于数字化的光伏建筑一体化设计方法研究"", 《建筑学报》, 31 December 2019 (2019-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982822A (zh) * | 2023-01-05 | 2023-04-18 | 浙江大学 | 一种光伏住宅区域建筑群模型生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116702261B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagy et al. | Generative urban design: integrating financial and energy goals for automated neighborhood layout | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
Veisi et al. | Using intelligent multi-objective optimization and artificial neural networking to achieve maximum solar radiation with minimum volume in the archetype urban block | |
CN116702261B (zh) | 一种光伏建筑群最优化布局方法及系统 | |
Lin et al. | MOOSAS–A systematic solution for multiple objective building performance optimization in the early design stage | |
De Luca et al. | Computational method for variable objectives and context aware solar envelopes generation | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
CN111668845B (zh) | 一种计及光伏相关性的概率潮流计算方法 | |
CN113221356A (zh) | 复杂建筑物不规则屋顶光伏板排布系统及优化方法 | |
CN115238950A (zh) | 一种基于蚁群算法的输电线路路径智能选择方法及系统 | |
CN116663849A (zh) | 一种光伏场站选址方法 | |
KR101674970B1 (ko) | 일조량 적응형 건축물 배치를 위한 컴퓨터를 이용한 시뮬레이션 방법 | |
CN116561845B (zh) | 数字技术赋能的城市屋顶绿化多情景模拟方法及系统 | |
Darmon | Voxel computational morphogenesis in urban context: Proposition and analysis of rules-based generative algorithms considering solar access | |
Sepúlveda et al. | A multi-objective optimization workflow based on solar access and solar radiation for the design of building envelopes in cold climates | |
Kaftan et al. | Integrating the cellular method for shading design with a thermal simulation | |
Singh et al. | Impact of commercial land mixture on energy and environmental performance of mixed use neighbourhoods | |
Dong et al. | An integrated ultra short term power forecasting method for regional wind–pv–hydro | |
CN113221368A (zh) | 一种将二维地质剖面转换为flac3d计算模型的方法 | |
Xu | Multi-objective intelligent algorithm model design for housing environment optimization | |
Kumar et al. | Topological and Dimensional constraints based optimal placement of Layout Entities using Clustering and Genetic Algorithm | |
CN105426626A (zh) | 基于相似数据样式聚类的多点地质统计学建模方法 | |
Xiong et al. | Parametric generation and multi-objective optimization of stilted building in Zhuang residence | |
Poon et al. | A morphological based PV generation and energy consumption predictive model for Singapore neighbourhood |
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 |