节能建筑目标优化与方案设计

摘要：为了在建筑设计中协调建筑能耗和舒适度，以一矩形平面布局的民用住宅为案例，选择与建筑能耗和舒适度密切相关的若干个设计参数，借助于EnergyPlus全能耗模拟分析软件，生成样本数据，用一三层的BP神经网络对样本数据进行学习训练，从而建立建筑能耗和室内舒适度的BP模型。经过验证，检验了所建BP网络的合理性，在此基础上，将NSGA-II多目标优化算法用于建筑能耗和室内舒适度的多目标优化，获得设计参数的取值范围及能耗与舒适度的Pareto前沿，优化结果具有一定的实际意义，在节能建筑设计方案决策的初期具有指导作用。

关键词：建筑能耗；室内舒适度；神经网络；多目标优化

随着生活水准的提高，建筑节能、建筑舒适度及健康居住已成为未来建筑设计的重要话题[1]。我国东北部地区的1～3月份与世界同纬度地区相比的平均气温要低20℃左右，黄河中下游一带普遍低15℃左右，长江以南一带平均低10℃左右，东南沿海地区低5℃左右；而7～9月份的平均气温，绝大部分地区比世界同纬度地区要高出5℃左右，再考虑我国大部分东部地区的夏天、冬天的湿度较高[2]，出现长时间的夏天闷热，潮凉局势。在建筑使用过程中，为维持内环境舒适度，对空调有非常高的需求，会产生大量能耗。在我国大力推行绿色建筑的政策背景下，如在建筑方案决策初期就为设计者提供一系列的基本参考标准，将节省节能建筑设计的时间成本。

1建筑能耗及舒适度模型的建立

1.1能耗模型影响建筑能耗的因素复杂，如建筑物外墙、外窗及屋顶的传热系数、建筑布局、窗墙比、建筑物的体形系数、朝向及光照等。从报道的文献资料来看，建筑能耗计算通常采用三种方法：基于热力学定律、基于人工神经网络及集成计算平台[3]。一些集成化的计算平台也为建筑设计的能耗计算提供了有效的方法，如Energyplus、DeST和DOE-2，其中Energyplus作为一种开放的全能耗模拟分析软件，其功能强大，已在建筑节能设计领域产生了充分的认可度。1.2人工神经网络的建筑能耗及舒适度模型构想，BP神经网络模型的训练样本数据可由Energyplus软件工具进行多次模拟获得。文章住宅建筑能耗和室内舒适度的BP神经网络模型为一个三层的BP神经网络，输入层节点个数为21，选择隐层节点个数为25，输出层节点数为2。21个输入的设计参数的选择范围如表1所示。通过Energyplus软件工具对上述21个输入参数在输入范围内进行反复计算，产生250组样本数据，其中200组用来训练3层的BP网络模型，50组用来对训练的神经网络进行检验。1.3模型的训练及校验按输入参数的上、下限范围，用Energyplus软件工具进行全能耗的分析处理，产生覆盖面广泛的300组数据作为BP神经网络的样本数据。设置BP神经网络的学习率为0.5，训练的误差精度为0.01，最大迭代数为1000。考虑输入参数的量纲影响，为了提高模型的预测准确度和收敛速度，在进行网络训练与测试之前，需要对所有的样本数据进行归一化处理，如公式（1）所示：（1）使用已处理好的数据分别对传统的BP网络进行训练和测试。对BP网络的输出结果，再进行反归一化处理，如公式（2）所示：（2）从训练的结果来看：建筑能耗的模拟值和预测值吻合较好，训练的平均绝对精度为1.7kWh/m2，平均相对精度为1.21%；室内舒适度的平均绝对精度为0.35，平均相对精度为0.82%。然后，用训练后的BP网络对50组样本测试数据进行预测。当运用BP网络对数据进行预测时，得出网络的预测精度较高，对建筑能耗预测的平均绝对误差为2.25，相对误差为1.61%，对舒适度检验的平均绝对误差为0.46，相对误差为1.08%。从以上结果得出，用测试样本来检验训练后的网络模型，预测结果是比较理想的。

2建筑节能和舒适度的多目标优化方法

2.1NSGA-II多目标优化方法多目标优化获得的是被优化目标的非劣解集。NSGA-II操作的主要思想为：首先按二进制或实数等进行编码，生成一定的初始种群，对初始种群进行基本的交叉变异遗传操作，产生了子代种群，将父子两代种群合并，进行快速的非支配排序、精英保留和拥挤度排序操作[4]；然后选择前沿中的前若干个个体进入下一父代中，继续以上循环操作，直至达到最大循环代数。基本的算法流程如下：①随机产生初始种群0P，对0P作复制、交叉、变异操作，产生子代种群0Q，令t=0；②对父代及子代种群进行合并操作，即ttt=QPR，对tR进行快速非支配排序，生成非劣前沿n,,,FFF21；③对非劣前沿进行拥挤度排挤和精英保留选择操作，选择N个个体，组成新一代种群t+1P；④对新种群t+1P进行复制、交叉、变异操作，生成种群t+1Q；⑤如果达到终止条件，则退出；否则tt+=1，返回执行②；程序结束最后所得的非劣前沿n,,,FFF21即为所需要的多目标解集。2.2NSGA-II的优化应用以矩形平面布局的建筑类型为设计对象，将NSGA-II用于建筑的能耗和室内的舒适度的双目标优化设计，优化目标函数描述如公式（3）所示：

3优化设计应用

根据NSGA-II的优化设计结果，本研究结合具体案例，以平面布局为矩形的民用住宅为典型设计案例，设计中固定了一部分参数，来验证优化结果的合理性，如：建筑方位为南向，建筑面积为100m2，建筑层数为5层，层高为3.0m，建筑来流方向风速为均匀分布，来流风速大小为2.0m/s，方向与建筑法线方向平行，设备功率为25W/m2，照明密度为9W/m2，保暖温度为18℃，制冷温度为26℃，锅炉效率为0.89。当建筑的东、西、北向窗墙比从约0.38增大到约0.62时，建筑的能耗从约142.2kWh/m2增大到约142.7kWh/m2，而室内的舒适度约从42.6%减少到42.2%，尤其以南向的窗墙比变化比较明显，建筑能耗从约142.2kWh/m2增大到约155.4kWh/m2，而室内的舒适度约从42.6%减少到40.8%；当外窗传热系数发生变化时，对建筑节能和室内舒适的影响不明显；随着外墙传热系数的不断增大，从3.02W/m2k变化到3.52W/m2k时，建筑能耗变化不明显，而舒适度随之减少，而屋顶传热系数对于建筑能耗的影响显得比较敏感。

4结束语

实现低能耗和高舒适度是节能建筑的目标。文章通过选择对建筑能耗和舒适度密切相关的若干个设计参数，选择了一典型的南向矩形平面民用建筑为案例，借助EnergyPlus全能耗模拟分析软件，生成了250组覆盖广泛的样本数据，用BP神经网络对样本数据进行学习训练，从而建立了建筑能耗和室内舒适度的模型，并用所建的BP网络对建筑能耗和室内舒适度进行了检验，50组样本数据对能耗检验的平均绝对误差达2.25，相对误差达1.61%，对舒适度检验的平均绝对误差达0.46，相对误差达1.08%。在今后的研究中，如果能更进一步对影响建筑能耗、舒适度的因素进行挖掘，建立更加完善的样本数据，完善神经网络模型。

参考文献：

[1]李明浩,李华东.可持续性主题下的绿色建筑战略[J].建筑学报,2003,(2):16-17.

[2]王俊懿.寒冷地区建筑的节能设计分析[J].科学导报,2015,(7).

[3]王明阳.基于绿色理念的建筑规划节能设计研究[J].住宅与房地产,2015,(19):58.

[4]杨善勤.关于用有效传热系数法估算采暖耗热量的几个问题[J].建筑技术通讯(暖通空调),1988,(1):20-23.

作者：陈煜琛 蓝艇 史旭华 单位：宁波大学建筑工程与环境学院 宁波大学信息科学与工程学院