基于MLPANN和NSGAⅡ算法的大空间公共建筑绿色性能优化方法

摘要

本发明涉及建筑能耗技术领域，具体涉及一种基于MLPANN和NSGAⅡ算法的大空间公共建筑绿色性能优化方法。本发明包括如下步骤S1：建筑参数变量的明确、S2：预测方案的构建及LHS采样、S3：预测方案的训练及测试、S4：NSGAⅡ算法中Pareto最优解的寻找，包括如下小步：S41：利用NSGAⅡ算法将得到的结果进行优化，得到Pareto最优解；S42：Pareto最优解进行建筑绿色性能分析。本发明以Matlab软件为基础提出了一种基于元神经网络和NSGAⅡ算法的建筑性能多目标优化方法，解决了大空间公共建筑能耗和热舒适的相互制约问题。

说明书

技术领域

本发明涉及建筑能耗技术领域，具体涉及一种基于MLPANN和NSGAⅡ算法的大空间公共建筑绿色性能优化方法。

背景技术

大空间公共建筑是遵循气候设计和节能的基本方法，对大空间进行研究后，设计出的低能耗建筑，如图3所示。现有专利CN201810618692.4公开了一种基于EnergyPlus与CFD耦合的大空间建筑能耗预测方法，其可以减少热分层现象引起的能耗模拟误差，从而增加能耗模拟的准确度、有效性和可靠性。但是对于大空间公共建筑能耗和热舒适的相互制约问题无法进行妥善解决。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于MLPANN(多层感知神经网络)和NSGAⅡ(非支配排序遗传算法Ⅱ)算法的大空间公共建筑绿色性能优化方法，解决了大空间公共建筑能耗和热舒适的相互制约问题。

本发明的技术方案为：

一种基于MLPANN和NSGAⅡ算法的大空间公共建筑绿色性能优化方法，包括如下步骤：

S1：建筑参数变量的明确，包括如下小步：

S11：收集大空间公共建筑涉及到的全部参数，然后形成N维的变量参数集；

S12：利用PCA算法或相关性分析，将N维的变量参数集进行简化，得到N-M维的新建筑参数；

S2：预测方案的构建及LHS采样，包括如下小步：

S21：采用Matlab与EnergyPlus进行联合仿真，构建预测方案Co-simulation；

S22：利用LHS采样方法进行样本采样，样本数量为E个；

S3：预测方案的训练及测试，包括如下小步：

S31：将E个样本按照7:3的比例进行划分，分为训练集与测试集；

S32：在Matlab中利用训练集对ANN网络进行训练，并用测试集测试网络精确度；

S33：用训练好的ANN网络遍历设计方案的所有参数组合，预测能耗及热舒适等建筑绿色性能；

S4：NSGAⅡ算法中Pareto最优解的寻找，包括如下小步：

S41：利用NSGAⅡ算法将得到的结果进行优化，得到Pareto最优解；

S42：Pareto最优解进行建筑绿色性能分析。

优选地，所述步骤S21中，联合仿真利用EnergyPlus协同仿真工具箱中的mlep类实现，mlep类包含在Matlab环境中配置和运行EnergyPlus协同仿真所需的所有工具。

优选地，所述步骤S21中，预测方案Co-simulation至少包括如下变量参数：

建筑室内环境设计参数，包括室内地图房间、过道、楼梯、门或窗、照明灯具、耗电设备、室内人员活动；

建筑室内环境设计参数，包括采暖、通风、节能、抗震、排水、围护系统。

优选地，所述步骤S32中，用ANN算法得到训练网络，训练网络对预测方案Co-simulation的初始条件进行能耗计算，得到基于ANN算法的能耗模拟结果。

优选地，所述步骤S41中，Pareto最优解步骤S41中，Pareto最优解用于对大空间公共建筑的能耗和热舒适性能进行优化。

优选地，所述步骤S41中，利用NSGAⅡ算法进行多目标优化分析，包括如下小步：

构建目标函数

然后对目标函数进行均值归一化，计算出所有特征的均值；

计算协方差矩阵和方差矩阵的特征值，在Matlab中求解；

将N维的变量参数集进行简化，得到N-M维的新建筑参数，从U中选取前M个向量，获得一个N*M的矩阵Ureduce，然后通过Ureduce获得符合要求的新的特征向量。

本发明与现有技术相比，具有以下有益效果：

本发明以Matlab软件为基础提出了一种基于元神经网络和NSGAⅡ算法的建筑性能多目标优化方法，其中NSGAⅡ是一种进化优化算法，而ANN作为一种神经网络算法用于预测大空间公共建筑的性能；LHS(超立方采样)算法被用作算法的采样方法，解决了大空间公共建筑能耗和热舒适的相互制约问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的流程原理框图。

图2是本发明的结构原理框图。

图3是大空间公共建筑的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。

实施例1

如图1所示，本实施例提供了一种基于MLPANN和NSGAⅡ算法的大空间公共建筑绿色性能优化方法，包括如下步骤：

S1：建筑参数变量的明确，包括如下小步：

S11：收集大空间公共建筑涉及到的全部参数，然后形成N维的变量参数集；

S12：利用PCA算法或相关性分析，将N维的变量参数集进行简化，得到N-M维的新建筑参数；

S2：预测方案的构建及LHS采样，包括如下小步：

S21：采用Matlab与EnergyPlus进行联合仿真，构建预测方案Co-simulation；

S22：利用LHS采样方法进行样本采样，样本数量为E个；

S3：预测方案的训练及测试，包括如下小步：

S31：将E个样本按照7:3的比例进行划分，分为训练集与测试集；

S32：在Matlab中利用训练集对ANN网络进行训练，并用测试集测试网络精确度；

S33：用训练好的ANN网络遍历设计方案的所有参数组合，预测能耗及热舒适等建筑绿色性能；

S4：NSGAⅡ算法中Pareto最优解的寻找，包括如下小步：

S41：利用NSGAⅡ算法将得到的结果进行优化，得到Pareto最优解；

S42：Pareto最优解进行建筑绿色性能分析。

工作原理：本发明以Matlab软件为基础提出了一种基于元神经网络和NSGAⅡ算法的建筑性能多目标优化方法，其中NSGAⅡ是一种进化优化算法，而ANN作为一种神经网络算法用于预测大空间公共建筑的性能。LHS(超立方采样)算法被用作算法的采样方法，解决了大空间公共建筑能耗和热舒适的相互制约问题。

实施例2

在实施例1的基础上，如图2所示，所述步骤S41中，利用NSGAⅡ算法进行多目标优化分析，包括如下小步：

构建目标函数

然后对目标函数进行均值归一化，计算出所有特征的均值；

计算协方差矩阵和方差矩阵的特征值，在Matlab中求解；

将N维的变量参数集进行简化，得到N-M维的新建筑参数，从U中选取前M个向量，获得一个N*M的矩阵Ureduce，然后通过Ureduce获得符合要求的新的特征向量。

优选地，所述步骤S21中，联合仿真利用EnergyPlus协同仿真工具箱中的mlep类实现，mlep类包含在Matlab环境中配置和运行EnergyPlus协同仿真所需的所有工具。

优选地，所述步骤S21中，预测方案Co-simulation至少包括如下变量参数：

建筑室内环境设计参数，包括室内地图房间、过道、楼梯、门或窗、照明灯具、耗电设备、室内人员活动；

建筑室内环境设计参数，包括采暖、通风、节能、抗震、排水、围护系统。

优选地，所述步骤S32中，用ANN算法得到训练网络，训练网络对预测方案Co-simulation的初始条件进行能耗计算，得到基于ANN算法的能耗模拟结果。

优选地，所述步骤S41中，Pareto最优解步骤S41中，Pareto最优解用于对大空间公共建筑的能耗和热舒适性能进行优化。

尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。