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

摘要

本发明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，属于建筑设计领域；其步骤依次为：集成建筑本体与环境信息‑确定优化目标及设计变量‑建立建筑多目标预测模型‑耦合预测模型并执行运算‑构建节能优化的设计模式。本发明在方案阶段同时考虑建筑能耗、热舒适指标和初投资成本，采用机器学习中的支持向量机算法构建多目标预测模型，相比软件模拟而言，可将目标预测由性能模拟过程转化为数值计算过程，提高性能指标的预测效率，且能够保证多目标预测的同步性。该算法专门针对小样本问题而提出，从而可以剔除大量冗余样本，在有限样本的情况下获得最优模型，提高预测模型的构建效率。

说明书

技术领域

本发明属于建筑设计领域，具体涉及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。

背景技术

我国建筑业规模随着城镇化进程不断推进而迅速增长，建筑能源消耗和碳排放随之大幅度攀升，2018年建筑建造和运行用能占全社会总能耗的37％，二氧化碳排放占全社会总CO

既有的建筑节能设计方法通常是以建筑能耗作为优化目标，如：一种以夏季空调制冷能耗控制为目标的办公建筑空间节能设计方法(申请公布号：CN108804802A，中国)，该技术主要采用DesignBuilder软件对办公建筑体型设计因素与建筑能耗的关系进行模拟分析，进而挖掘建筑体型的被动式节能设计潜能，实现办公建筑节能目标；或以建筑能耗和用户不舒适小时数作为优化目标，如：一种基于多目标智能优化和EnergyPlus的建筑节能设计方法(申请公布号：CN110069823A，中国)，该技术采用优化算法与EnergyPlus软件耦合的方式对建筑系统参数进行优化，得出使两个性能指标达到最优的系统参数取值。上述建筑节能设计方法仍存在如下不足：由于既有节能设计考虑的优化目标单一或数量较少，其提出的单纯应用模拟软件或优化算法耦合模拟软件的技术方法并不能在方案阶段有效解决建筑能耗、热舒适指标和初投资成本的协同优化及设计模式构建问题。

发明内容

要解决的技术问题：

为了避免现有技术的不足之处，本发明提出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，该发明采用优化算法和机器学习相结合的方法处理建筑节能设计中建筑能耗、热舒适指标和初投资成本的多目标优化问题，机器学习方法可将目标预测由性能模拟过程转化为数值计算过程，且实现多目标同步预测，提高建筑节能优化设计效率。针对优化得出的Pareto非支配解集，进一步提取满足不同决策需求的设计模式，形成解决多目标优化问题的完整方案。

本发明的技术方案是：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，其特征在于具体步骤如下：

步骤1：集成建筑本体与环境信息；

首先集成建筑本体参数和室外环境参数；然后根据集成的建筑本体参数和室外环境参数，采用性能模拟软件建立建筑信息模型；

步骤2：确定优化目标及设计变量；

步骤2.1：根据建筑方案阶段的节能设计需求确定优化目标；

步骤2.2：根据步骤2.1所确定的优化目标，从步骤1集成的建筑本体参数中选择影响优化目标的M个参数作为优化设计变量，M≥2，并设定每个优化设计变量的取值范围；

步骤3：建立建筑多目标预测模型；

在步骤1和步骤2的基础上，通过数据集成、处理、训练及模型评价，生成多目标预测模型，实现各目标预测的同步性和高效性；

步骤4：耦合预测模型并执行运算；

步骤4.1：编写多目标遗传算法程序，设置种群大小、最大迭代次数、交叉概率、变异概率，进行种群初始化；

步骤4.2：调用支持向量机预测模型的输出结果作为遗传算法的适应度函数值，对生成每个方案的优化目标值进行评价，执行迭代运算，直到满足收敛条件或预先设置的最大迭代次数，运算停止；

步骤4.3：将运算结果输出到MATLAB工作空间，提取Pareto非支配解集，该解集中包括设计变量取值及对应的优化目标值；

步骤5：构建节能优化的设计模式；

步骤5.1：根据实际决策需求，采用多属性决策方法确定优化目标的权重值，并采用权重加和法计算各优化目标的标准化值，计算方法如公式(2)：

其中，F为各优化目标的标准化值，f

步骤5.2：基于步骤4.3提取的Pareto非支配解集，根据步骤5.1计算的优化目标的标准化值对设计方案进行排序，确定最优的节能优化设计模式。

本发明的进一步技术方案是：所述步骤1中，集成的建筑本体参数包括几何空间参数、构造材料参数、设备运行参数、人员特征参数和室内环境参数；

其中，几何空间参数包括建筑朝向、建筑体型、空间布局和细部尺度；构造材料参数包括外墙、屋面、地面和门窗的构造做法、材料及价格；设备运行参数包括采暖/制冷设备运行模式、照明和其它电器设备功率及运行情况；人员特征参数包括室内人员密度、服装热阻、新陈代谢率；室内环境参数包括室内设计温度、换气次数。

本发明的进一步技术方案是：所述步骤1中，结合建筑所在地区的典型年气象数据集成室外环境参数，作为性能模拟的边界条件。

本发明的进一步技术方案是：所述步骤2中，优化目标包括建筑能耗、热舒适指标和初投资成本，热舒适指标为PPD或热不舒适小时数。

本发明的进一步技术方案是：所述步骤2中，优化目标的约束条件为自然采光设计评价指标中的采光系数，即采光系数需要满足《GB 50033建筑采光设计标准》中对各类型建筑的相关规定。

本发明的进一步技术方案是：所述步骤2中，每个优化设计变量的取值范围，根据实际需求及现行国家和地方建筑节能设计标准确定。

本发明的进一步技术方案是：所述步骤3中，通过MATLAB平台编写支持向量SVM算法的程序实现多目标预测模型的生成，具体为：

步骤3.1：数据集成；基于步骤1建立的建筑信息模型，结合步骤2确定的M个优化设计变量，运用性能模拟软件进行“设计变量—优化目标”的映射数据收集，形成样本数据集，按照8:2的比例随机分割，形成训练集和测试集两部分；

步骤3.2：数据处理；对步骤3.1获取的样本数据集进行归一化处理，消除设计变量和优化目标之间的量纲影响；

步骤3.3：数据训练；支持向量机的类型选取ε-SVR，并确定核函数类型以及参数组合，基于步骤2.1确定的优化目标和步骤2.2确定的优化设计变量，完成对训练集样本数据的学习，生成各优化目标关于优化设计变量的支持向量机预测模型；

步骤3.4：模型评价；采用样本测试集检测步骤3.3生成的支持向量机预测模型，以均方误差MSE和决定系数R

其中，n为测试集样本的个数，y

本发明的进一步技术方案是：所述步骤4中，通过MATLAB平台编写多目标遗传算法程序。

有益效果

本发明的有益效果在于：现有建筑节能设计方法通常考虑较少的优化目标，不能将节能设计的衍生问题综合考虑，容易造成设计参数的取值出现偏颇，如以外墙保温层厚度的取值为例，当只考虑降低建筑能耗时，保温层厚度越大越好，而当兼顾初投资成本时，保温层厚度并不是越大越好，而是存在一个平衡值。本发明在方案阶段同时考虑建筑能耗、热舒适指标和初投资成本，应用优化算法和机器学习结合的方法自动寻找最佳设计参数取值，可提高建筑节能优化设计效率，同时提升设计参数的取值精度和广度。

本发明采用机器学习中的支持向量机算法构建多目标预测模型，相比软件模拟而言，可将目标预测由性能模拟过程转化为数值计算过程，提高性能指标的预测效率，且能够保证多目标预测的同步性。该算法专门针对小样本问题而提出，从而可以剔除大量冗余样本，在有限样本的情况下获得最优模型，提高预测模型的构建效率。

针对优化计算得出的Pareto非支配解集，本发明采用多属性决策方法对其进行进一步处理，提取满足不同决策需求的节能优化设计模式，进而指导设计者在方案阶段合理确定兼顾三个优化目标的设计参数取值。

附图说明

图1为建筑方案阶段节能优化设计模式构建流程图；

图2为三个优化目标的测试集预测结果对比分析图；

图3为多目标遗传算法输出的Pareto非支配解集示意图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

以下结合西安地区某单层独立式农村住宅对本发明的实施方式进行说明：

步骤1：集成建筑本体和环境信息：

步骤1.1：集成建筑本体参数，包括：建筑面积为100.8m

步骤1.2：选择中国标准气象数据库中西安地区的典型年气象数据作为性能模拟的室外计算参数。

步骤1.3：根据集成的建筑本体参数与室外计算参数，采用EnergyPlus模拟软件建立农村住宅模型并设置相关参数，其中优化设计变量为可以调节的参数。

步骤2：确定优化目标及设计变量：

步骤2.1：以建筑能耗(EC)、PPD和初投资成本(IC)作为优化目标，采光系数作为约束条件。

步骤2.2：本案例中选择的优化设计变量包括：建筑朝向、南向外窗宽度和北向外窗宽度(受采光系数约束，外窗尺度的阈值下限需要能够满足最低采光要求)、南向外窗传热系数、北向外窗传热系数、各朝向外墙保温层厚度、屋面保温层厚度和冬季采暖设计温度11个，其符号、单位、取值范围如表1所示。

表1优化设计变量的相关参数设置

步骤3：建立建筑多目标预测模型：

在步骤1和步骤2的基础上，通过数据集成、处理、训练及模型评价，生成多目标预测模型，实现各目标预测的同步性和高效性。该过程通过MATLAB平台编写支持向量机(SVM)算法的程序实现。

步骤3.1：数据集成。采用控制变量方法，运用EnergyPlus模拟软件对1000组设计方案的建筑能耗和PPD进行仿真计算，并对各方案的初投资成本进行计算。以“设计变量-优化目标”的映射数据作为样本数据集，按照8:2的比例进行随机分割，其中800组数据作为训练集用于训练预测模型，200组数据做测试集用来检验模型的准确性。

步骤3.2：数据处理。对步骤3.1获取的样本数据进行归一化处理，消除设计变量和优化目标之间的量纲影响。

步骤3.3：数据训练。支持向量机的类型选取ε-SVR，核函数的类型选取RBF径向基函数，利用交叉验证方法寻找最佳参数c(惩罚因子)和参数g(RBF核函数中的方差)。基于步骤2.1确定的3个优化目标和步骤2.2确定的11个优化设计变量，完成对训练集800组数据的学习，生成各优化目标关于设计变量的支持向量机预测模型。

步骤3.4：模型评价。将测试集中的优化设计变量输入步骤3.3生成的支持向量机预测模型，输出优化目标的预测值。将建筑能耗、PPD和初投资成本的预测值与测试集中的优化目标真实值进行对比，如图2所示，建筑能耗的均方误差MSE＝0.00027，R

步骤4：耦合预测模型并执行运算：

步骤4.1：通过MATLAB平台编写多目标遗传算法程序，基本参数设置如下：种群大小为100、最大迭代次数为1000、交叉概率为0.9、变异概率为0.01，进行种群初始化。

步骤4.2：调用支持向量机预测模型输出的建筑能耗、PPD和初投资成本作为适应度函数值，对生成每个方案的目标值进行评价，通过选择、交叉、变异，执行迭代运算，直到满足收敛条件(平均变化小于0.00001)时停止运算。

步骤4.3：将运算结果输出到MATLAB工作空间，提取Pareto非支配解集，共包括88组优化设计变量及对应的优化目标值，Pareto非支配解集如图3所示。

步骤5：建立节能优化的设计模式：

步骤5.1：根据不同的建筑节能设计决策需求，本案例分析时设置3种工况，即：建筑能耗(EC)、PPD和初投资成本(IC)的权重值分别设定为：0.5/03/0.2(工况1)、0.33/0.33/0.33(工况2)和0.2/0.3/0.5(工况3)，并计算各工况下优化目标的标准化值。

步骤5.2：基于步骤4.3提取的88组设计方案，根据步骤5.1计算的优化目标的标准化值对设计方案进行排序，标准化值最小的为最优设计方案，从而确定3种工况下的节能优化设计模式，各设计变量及对应的目标值如表2所示。

表2三种工况下建筑节能优化设计模式

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。