CN114692265A - 一种基于深度强化学习的零碳建筑优化设计方法 - Google Patents
一种基于深度强化学习的零碳建筑优化设计方法 Download PDFInfo
- Publication number
- CN114692265A CN114692265A CN202210165932.6A CN202210165932A CN114692265A CN 114692265 A CN114692265 A CN 114692265A CN 202210165932 A CN202210165932 A CN 202210165932A CN 114692265 A CN114692265 A CN 114692265A
- Authority
- CN
- China
- Prior art keywords
- building
- carbon
- optimization
- zero
- design parameters
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 251
- 238000005457 optimization Methods 0.000 title claims abstract description 224
- 238000013461 design Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000002787 reinforcement Effects 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 171
- 238000011156 evaluation Methods 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 39
- 230000009471 action Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 31
- 239000004566 building material Substances 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 21
- 238000005286 illumination Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000009435 building construction Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 239000011737 fluorine Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 3
- 238000003763 carbonization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012546 transfer 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
- 238000011160 research Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 241000256844 Apis mellifera Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06F30/27—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于零碳建筑技术领域，具体涉及一种基于深度强化学习的零碳建筑优化设计方法，包括四个模型的建构：参数化模型，用于建立设计参量与优化目标的信息关联；基于深度强化学习的设计参量与优化目标的映射模型，可实现对优化目标的快速预测；利用NSGA‑Ⅱ算法建构零碳建筑优化设计模型，获取Pareto解集；优化设计变量与优化目标协同的设计决策模型，用于对Pareto解集进行筛选做出进一步设计决策。本发明建构的映射模型能够加快建筑优化目标的计算速度，并提高其泛化能力；决策方法可以在充分考虑设计变量的前提下，对各优化目标进行评价排序，缩减了决策范围，降低了决策难度使，设计决策结果更加全面科学。
Description
技术领域
本发明属于零碳建筑技术领域，具体涉及一种基于深度强化学习的零碳建筑优化设计方法。
背景技术
中国承诺将于2030年左右实现碳达峰，2060年前完成碳中和。建筑行业作为三大用能领域之一，实现其零碳化是达成双碳目标的关键。零碳建筑的核心是全生命周期中建筑自身碳排放量与可再生能源消碳量达到平衡，实现零碳化。双碳目标背景下，探索零碳建筑设计方法，必将成为未来城市建设和发展的主流。
当前的建筑优化设计方法，以性能目标为导向，将参数化建模、优化引擎耦合优化算法对建筑优化设计参量展开优化搜索，提高了设计的科学性和精度。为进一步提高设计效率，有研究提出了建筑性能快速预测方法，应用较为广泛的有人工神经网络(Artificialneural network，ANN)、支持向量回归(Support Vector Regression，SVR)、多元线性回归(Multiple linear regression，MLR)、卷积神经网络(Convolutional Neuron Network)等。既有文献多以建筑能耗耦合光热性为主要目标展开性能预测，对于建筑排放量和消碳量的性能预测研究较少。传统机器学习算法在性能目标值预测时容易产生泛化能力不足或过拟合现象，导致预测结果不稳定，相比这类监督学习预测方法，深度强化学习不再直接以数据标签作为监督信号，而是利用奖惩机制，让智能体与环境进行试错学习，以环境的反馈作为训练的误差校正信号，该方法在建筑能耗预测、金融时许预测等方面有了一定研究与验证。
优化算法虽替代设计师筛选设计解，但其优化所得Pareto解集仍可多达几十个甚至上百个，设计师仍需对解集展开进一步筛选方可做出设计决策。既有方法包括Pareto散点图等图标类决策法、优化目标多属性决策法、自组织聚类神经网络决策法，其中图标类决策法决策过程过于主观，目标值未能全面评价；多属性决策法未能充分考虑优化设计参量的特征；自组织聚类神经网络决策法可视化程度高，但同样未能充分评价所有Pareto解集中的优化目标值。
发明内容
本发明为克服现有技术中的不足，提供一种基于深度强化学习的零碳建筑优化设计方法，以建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比为优化目标建立与优化优化设计参量的参数化模型，利用深度强化学习算法准确快速预测优化目标值，耦合优化算法对建筑优化设计参量展开优化设计，利用K-maean聚类、熵权-TOPSIS展开Parteo解集的筛选决策。
本发明为了达到上述目的，通过以下技术方案实现：
一种基于深度强化学习的零碳建筑优化设计方法，其特征在于，包括如下步骤：
步骤1：零碳建筑参数化模型建构；
1.1：定义零碳建筑优化优化设计参量及优化目标；
1.2：通过零碳建筑优化优化设计参量构建各优化目标的参数化模型。
步骤2：基于深度强化学习的零碳建筑优化优化设计参量与优化目标的映射模型建构；
2.1：基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据；
2.2：将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示；
2.3：采用深度强化学习算法构建零碳建筑优化优化设计参量与优化目标的映射模型。
步骤3：采用非支配排序遗传算法构建零碳建筑优化设计模型，获取Pareto优化解集。
步骤4：基于零碳建筑优化优化设计参量与优化目标协同的设计决策模型建构；
4.1：基于步骤3中的优化设计模型所获取的优化数据，对优化设计参量展开聚类分析，对优化目标展开评价排序；
4.2：根据聚类及排序结果协同做出设计决策。
优选的，所述步骤1.1中的优化设计参量包括：建筑朝向、建筑开间、建筑进深、建筑层高、建筑层数、建筑窗墙比、围护结构类型、室内照明功率密度、设备功率密度、人员密度、散热量、新风量、房间设定温度、照明开关时间、设备使用率、人员在室率、新风运行情况、供暖和空调***运行时间；优化目标定义时，将建筑全生命周期碳排放量作为优化目标一，将建筑运行阶段太阳能光伏光热***消碳量作为优化目标二，将室内有效天然采光光照度百分比作为优化目标三，将室内热不舒适时间百分比作为优化目标四。
优选的，所述步骤1.2中通过零碳建筑优化设计参量构建各优化目标的参数化模型时，以已定义的优化设计参量为自变量，以建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比为因变量，将优化设计参量与各优化目标关联，分别建构各优化目标参数化模型。
所述建筑全生命周期包括建筑材料生产阶段、建筑材料运输阶段、建筑施工阶段、建筑运行维护阶段、建筑拆除阶段五个阶段。基于建筑全生命周期五个阶段的碳排放量计算方法，构建建筑全生命周期碳排放量参数化模型；其中五个阶段的碳排放量计算方法分别如下：
S1：建筑材料生产阶段碳排放量计算方法：
其中，ESC为建筑材料生产阶段建筑碳排放量，单位为kgCO2e；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量，单位为t或m3；EFi为对应i种材料的碳排放因子，单位为kgCO2e/t或kgCO2e/m3。
S2：建筑材料运输阶段碳排放量计算方法：
其中，Eys为建筑材料运输阶段建筑碳排放量；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量；Di为第i种材料从存放点至施工现场的运距；Fi为第i种材料的运输方式下，单位重量运输距离的碳排放因子。
S3：建筑施工阶段碳排放量计算方法：
其中，Ec为建筑施工阶段碳排放量；k为建筑施工阶段第k种能源；m为能源种类数量；ek为施工阶段第k种能源用量；qk为对应能源的碳排放因子。
S4：建筑运行维护阶段碳排放量计算方法：
建筑运行维护阶段碳排放量包括建筑运行阶段碳排放量计算和建筑维护阶段碳排放量。
建筑阶段运行碳排放量计算时于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用Honeybee插件调用EnergyPlus性能模拟引擎计并结合所在区域电网、各能源碳排放因子完成建筑运行阶段碳排放量计算；
建筑维护阶段碳排放量计算方法如下：
其中，Em为建筑维护阶段碳排放量；j为第j种建材；o为建材种类数量；Cj为需要更新维护的建材碳排放量；Kj为维护系数，
yb为建筑的使用寿命；yc为需要更新维护的建材使用寿命。
S5：建筑拆除阶段碳排放量计算方法：
其中，Ecc为建筑拆除阶段碳排放量；l为拆除阶段第l种能源；p为能源种类数量；el为建筑拆除阶段第l种能源总用量；ql为第l种能源的碳排放因子。
于Rhino-Grasshopper平台内基于已定义建筑优化设计参量、各阶段碳排放量计算方法，建立优化设计参量与各阶段碳排放量的参数化关联，并将各阶段碳排放量求和，完成建筑全生命周期碳排放量参数化模型建构。
建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比参数化模型建构方法如下：
于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用能源性能模拟插件并结合建筑所在区域电网碳排放因子完成建筑运行阶段太阳能光伏光热***消碳量参数化模型建构；利用光热性能模拟插件分别完成室内有效天然采光照度百分比参数化模型建构和室内热不舒适时间百分比参数化模型建构。
优选的，所述步骤2.1中的基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据方法为：首先利用Simlab软件的拉丁超立方抽样方法，以已确定的建筑优化设计参量为抽样对象，抽取1000组设计解；其次利用已构建的零碳建筑参数化模型计算各优化设计参量对应的优化目标值；最后将数据按照7：3的比例划分为训练数据集和验证集，并进行归一化处理，归一化方法如下：
其中，
为归一化的数据值；xu为实测值；v为输入向量的维数；xumin、xumax分别为xu的最小值和最大值。
优选的，所述步骤2.2中的将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示方法为；
状态空间：将t时刻的状态表示为St，S表示训练数据集中已定义并归一化的优化设计参量。
动作空间：基于训练数据集值域，定义动作空间集，其动作大小范围为[CCmin，CCmax]，并按照可变间隔进行划分，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的优化目标最小值与最大值。
奖励函数：奖励函数设置为Rt+1＝-|at-CCt|，其中at是智能体对t时刻优化目标的预测值，CCt为t时刻优化目标真实值。
优选的，所述步骤2.3中的采用深度强化学习算法构建零碳建筑优化设计参量与优化目标的映射模型的构建方法如下：
选取深度双Q网络算法，于GHPython、Tensorflow平台构建零碳建筑优化设计参量与优化目标的映射模型，其中神经网络的输入层为步骤2.1中已处理的训练样本数据，输出层为优化目标预测值；模型训练过程中，首先初始化agent、参数和优化设计参量环境，agent选取动作并与优化设计参量进行互动，从环境中观察到状态值、动作值、奖励值并对当前回合的上述参数进行存储，判断一个回合是否结束，若是，得到预测结果，若否，则回到agent选取动作，重复上述过程；以验证集预测精确度为评价标准，若预测精确度达到要求，则得到优化设计参量与优化目标的映射模型，若预测精确度没有达到要求，则对模型学习率设置、折扣因子、动作间隔、神经网络的隐藏层数、每个隐藏层的节点数进行调试，回到训练样本数据，重复上述过程，直至预测精确度达到要求，得到优化设计参量与优化目标的映射模型。
优选的，所述验证集预测精确度衡量指标为：
其中P为验证集预测精确度；MAPE为平均绝对百分比误差；w为样本的数量；z为验证集样本的数量；yw为第w个样本的真实值；
为第w个样本的预测值。
优选的，所述步骤3中的采用非支配排序遗传算法构建零碳建筑优化设计模型，获取Pareto优化解集方法如下：将步骤1.1中已定义的优化设计参量作为优化对象，以优化设计参量与优化目标的映射模型预测出的建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光光照度百分比、室内热不舒适时间百分比优化目标预测值为适应度函数，判断当前优化设计参量是否满足适应度函数评估，若满足得到Praeto解集，若不满足，非支配排序遗传算法驱动优化设计参量展开下一轮迭代，直至得到满足适应度函数评估的Pareto优化解集。
优选的，所述步骤4.1中的聚类分析的聚类对象为所得Pareto解集中的优化设计参量，聚类算法为K-means，聚类组数为4-6组。
优选的，所述步骤4.1中的对优化目标展开评价排序的方法为熵权法，具体步骤如下：
首先，基于Pareto解集中的优化目标集，构建优化目标判断矩阵，分别对优化目标判断矩阵中的正向评价指标和负向评价指标进行标准化处理，将其整合得到标准化矩阵；其次求解各优化目标的熵权并构建各优化目标的设计决策矩阵；再次，计算各优化目标的正理想解和负理想解，最后基于TOPSIS法计算Pareto解集中各优化目标的综合评价值；所述正向评价指标为建筑运行阶段太阳能光伏***消碳量和室内有效天然才光照度百分比，负向评价指标为建筑全生命周期碳排放量和室内热不舒适时间百分比。
优选的，所述步骤4.2中的根据聚类及排序结果做出设计决策方法为：基于聚类组数和评价结果，挑选出每类优化设计参量组中碳性能评价排名前3的设计解，在考虑优化设计参量特征的情况下得到缩小后的全新决策范围；最后设计师比对所剩设计解中优化设计参量分类特征、减碳、消碳、光热性能目标，做出设计决策，得到设计决策，若所得设计决策集无法满足零碳目标，可调整优化设计参量设定后重新展开优化设计或植入产能***实现零碳目标。
本发明的优点在于：
(1)提出了建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比导向下的办公建筑优化设计方法，用于支持性能驱动下的建筑优化设计。
(2)本发明基于建筑优化设计参量，以建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比为优化目标，构建了二者的参数化模型，参数化模型可通过不同优化设计参量的变化计算相应的优化目标值。
(3)本发明针对多以建筑能耗为目标构建性能预测模型、传统机器学习算法性能预测模型容易产生泛化能力不足或过拟合问题，采用深度强化学习算法DDQN，分别构建了办公建筑优化设计参量与建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比优化目标的映射模型，一方面可提高优化目标计算效率，另一方面可保证较高泛化能力、减少过拟合问题。
(4)本发明提出了优化设计参量聚类协同优化目标评价排序的决策方法，对优化所得Pareto解集中优化设计参量展开K-means聚类分析，对优化设计目标进行熵权-TOPSIS评价排序。该决策方法可充分挖掘解集中优化设计参量特征，同时对不同优化设计参量特征下的优化目标进行综合评价，协同缩小决策范围，辅助设计时做出科学全面的设计决策。
附图说明
图1是本发明中基于深度强化学习的零碳建筑优化设计方法***框架图。
图2是本发明中零碳建筑参数化模型建构图。
图3是本发明中基于深度强化学习的优化设计参量与优化目标的映射模型建构图。
图4是本发明中基于零碳建筑优化设计参量与优化目标的协同设计决策模型分析图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
以下以寒冷地区某一零碳办公建筑设计实例，进行详细说明：
如附图1，本发明实施例提供的一种基于深度强化学习的零碳建筑优化设计方法，包括如下步骤：
步骤1：零碳建筑参数化模型建构，具体包括下面两个步骤：
1.1：定义零碳建筑优化设计参量及优化目标；
1.2：通过零碳建筑优化设计参量构建各优化目标的参数化模型。
优选的，在上述步骤1.1中的优化设计参量定义，将建筑朝向、建筑开间、建筑进深、建筑层高、建筑层数、建筑窗墙比、围护结构类型定义为优化设计参量并进行值域设定，基于节能、绿色建筑等设计规范对室内照明功率密度、设备功率密度、人员密度及散热量、新风量、房间设定温度、照明开关时间、设备使用率、人员在室率、新风运行情况、供暖和空调***运行时间进行赋值。优化目标定义时，将建筑全生命周期碳排放量作为优化目标一；将建筑运行阶段太阳能光伏光热***消碳量作为优化目标二；将室内有效天然采光光照度百分比作为优化目标三；将室内热不舒适时间百分比作为优化目标四。
如附图2所示，优选的，上述步骤1.2中的通过零碳建筑优化设计参量构建各优化目标的参数化模型时，以已定义的优化设计参量为自变量，以建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比为因变量，将优化设计参量与各优化目标关联，分别建构各优化目标参数化模型。
其中办公建筑全生命周期包括建筑材料生产阶段、建筑材料运输阶段、建筑施工阶段、建筑运行维护阶段、建筑拆除阶段五个阶段。基于办公建筑全生命周期五个阶段的碳排放量计算方法，构建办公建筑全生命周期碳排放量参数化模型。各阶段碳排放量计算方法如下：
S1:建筑材料生产阶段碳排放量计算方法：
其中，ESC为建筑材料生产阶段建筑碳排放量，单位为kgCO2e；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量，单位为t或m3；EFi为对应i种材料的碳排放因子，单位为kgCO2e/t或kgCO2e/m3。
S2：建筑材料运输阶段碳排放量计算方法：
其中，Eys为建筑材料运输阶段建筑碳排放量，单位为kgCO2e；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量，单位为t或m3；Di为第i种材料从存放点至施工现场的运距(km)；Fi为第i种材料的运输方式下，单位重量运输距离的碳排放因子，单位为kgCO2e/(t·km)。
S3：建筑施工阶段碳排放量计算方法：
其中，Ec为建筑施工阶段碳排放量，单位为kgCO2；k为建筑施工阶段第k种能源；m为能源种类数量；ek为施工阶段第k种能源用量，包括直接能源煤炭、油类、天然气和间接能源电能，单位为kg或Kwh；qk为对应能源的碳排放因子，单位为kgCO2/kWh或kgCO2/kg；
S4：建筑运行维护阶段碳排放量计算方法：
建筑运行维护阶段碳排放量计算包括建筑运行阶段碳排放量计算和建筑维护阶段碳排放量计算。
建筑运行阶段碳排放量计算时于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用Honeybee插件、调用EnergyPlus性能模拟引擎计并结合所在区域电网、各能源碳排放因子(kgCO2/kWh或kgCO2/kg)完成建筑运行阶段碳排放量计算。
建筑维护阶段碳排放量计算方法：
其中，Em为建筑维护阶段碳排放量，单位为kgCO2e；j为第j种建材；o为建材种类数量；Cj为需要更新维护的建材碳排放量，单位为kgCO2e；Kj为维护系数，
yb为建筑的使用寿命，单位为年；yc为需要更新维护的建材使用寿命，单位为年。
S5：建筑拆除阶段碳排放量计算方法：
其中，Ecc为建筑拆除阶段碳排放量，单位为kgCO2；l为拆除阶段第l种能源；p为能源种类数量；el为建筑拆除阶段第l种能源总用量，单位为kWh或kg；，ql为第l种能源的碳排放因子，单位为kgCO2/kWh。
于Rhino-Grasshopper平台内基于已定义建筑优化设计参量、各阶段碳排放量计算方法，建立优化设计参量与各阶段碳排放量的参数化关联，并将各阶段碳排放量求和，完成建筑全生命周期碳排放量参数化模型建构。
建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比参数化模型建构方法如下：
于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用能源性能模拟插件并结合建筑所在区域电网碳排放因子完成建筑运行阶段太阳能光伏光热***消碳量参数化模型建构。
利用光热性能模拟插件分别完成室内有效天然采光照度百分比参数化模型建构和室内热不舒适时间百分比参数化模型建构。
步骤2：如附图3所示，建构基于深度强化学习的零碳建筑优化设计参量与优化目标的映射模型，包括以下步骤：
2.1：基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据；
2.2：将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示；
2.3：采用深度强化学习算法构建零碳建筑优化设计参量与优化目标的映射模型。
优选的，上述步骤2.1中的基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据方法为：首先利用Simlab软件的拉丁超立方抽样方法，以已确定的建筑优化设计参量为抽样对象，抽取1000组设计解；其次利用已构建的零碳建筑参数化模型计算各优化设计参量对应的优化目标值；最后将数据按照7：3的比例划分为训练数据集和验证集，并进行归一化处理，归一化方法如下：
其中，
为归一化的数据值；xu为实测值；v为输入向量的维数，即已定义建筑优化设计参量个数；xumin、xumax分别为xu的最小值和最大值。
优选的，上述步骤2.2中的将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示方法为；
以建筑全生命周期碳排放量优化目标预测模型为例，定义数据表示方法如下：
状态空间：将t时刻的状态表示为St，S表示训练数据集中已定义并归一化的优化设计参量，包括：建筑朝向、建筑开间、建筑进深、建筑层高、建筑层数、建筑窗墙比、围护结构类型。
动作空间：基于建筑全生命周期碳排放量训练数据集值域，定义动作空间集，其动作大小范围为[CCmin，CCmax]，并按照可变间隔进行划分，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的建筑全生命周期碳排放量最小值与最大值。
奖励函数：奖励函数设置为Rt+1＝-|at-CCt|，其中at是智能体在t时刻做出的动作，即对t时刻建筑全生命周期碳排放量的预测值，CCt为t时刻建筑全生命周期碳排放量真实值。
其他三个优化目标预测模型的三种基本元素：状态、动作、奖励定义数据表示的方法同上，不用的是：建筑运行阶段太阳能光伏光热***消碳量数据定义时，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的建筑运行阶段太阳能光伏光热***消碳量最小值与最大值，CCt为t时刻建筑运行阶段太阳能光伏光热***消碳量真实值；室内有效天然采光照度百分比数据定义时，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的室内有效天然采光照度百分比最小值与最大值，CCt为t时刻室内有效天然采光照度百分比真实值；室内热不舒适时间百分比数据定义时，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的室内热不舒适时间百分比最小值与最大值，CCt为t时刻室内热不舒适时间百分比真实值。
优选的，上述步骤2.3中的采用深度强化学习算法构建零碳建筑优化设计参量与优化目标的映射模型，以建筑全生命周期碳排放量优化目标预测模型为例(其他优化目标预测模型建构方法相同)，构建方法如下：
选取深度双Q网络算法(Deep Double Q-Network，DDQN)，于GHPython、Tensorflow平台构建零碳建筑优化设计参量与优化目标的映射模型，其中神经网络的输入层为步骤2.1中已处理的训练样本数据，输出层为建筑全生命周期碳排放量预测值；模型训练过程中，首先初始化agent、参数和优化设计参量环境，agent选取动作并与优化设计参量进行互动，从环境中观察到状态值、动作值、奖励值并对当前回合的上述参数进行存储，判断一个回合是否结束，若是，得到预测结果，若否，则回到agent选取动作，重复上述过程；以验证集预测精确度为评价标准，若预测精确度达到要求，则得到建筑全生命周期碳排放优化设计参量与优化目标的映射模型，若预测精确度没有达到要求，则对模型学习率设置、折扣因子、动作间隔、神经网络的隐藏层数、每个隐藏层的节点数等超参数进行调试，选取预测精确度最高情况下的超参数取值，回到训练样本数据，重复上述过程，直至预测精确度达到要求，得到建筑全生命周期碳排放量优化设计参量与优化目标的映射模型。
其他三个优化目标映射模型建构步骤同上，不同的是：建筑运行阶段太阳能光伏光热***消碳量映射模型建构时，输出层为建筑运行阶段太阳能光伏光热***消碳量预测值；室内有效天然采光照度百分比映射模型建构时，输出层为室内有效天然采光照度百分比预测值；室内热不舒适时间百分比映射模型建构时，输出层为室内热不舒适时间百分比预测值。
优选的，所述验证集预测精确度衡量指标为：
其中P为验证集预测精确度；MAPE为平均绝对百分比误差(Mean absolutepercentage error，MAPE)；w为样本的数量；z为验证集样本的数量；yw为第w个样本的真实值；
为第w个样本的预测值。
上述，如果是建筑全生命周期碳排放量验证集预测精确度衡量指标，则P表示建筑全生命周期碳排放量验证集预测精确度；z为建筑全生命周期碳排放量验证集样本的数量；yw为第w个样本的建筑全生命周期碳排放量真实值；
为第w个样本的建筑全生命周期碳排放量预测值。
如果是建筑运行阶段太阳能光伏光热***消碳量验证集预测精确度衡量指标，则P表示建筑运行阶段太阳能光伏光热***消碳量验证集预测精确度；z为建筑运行阶段太阳能光伏光热***消碳量验证集样本的数量；yw为第w个样本的建筑运行阶段太阳能光伏光热***消碳量真实值；
为第w个样本的建筑运行阶段太阳能光伏光热***消碳量预测值。
如果是室内有效天然采光光照度百分比验证集预测精确度衡量指标，则P表示室内有效天然采光光照度百分比验证集预测精确度；z为室内有效天然采光光照度百分比验证集样本的数量；yw为第w个样本的室内有效天然采光光照度百分比真实值；
为第w个样本的室内有效天然采光光照度百分比预测值。
如果是室内室内热不舒适时间百分比验证集预测精确度衡量指标，则P表示室内热不舒适时间百分比验证集预测精确度；z为室内热不舒适时间百分比验证集样本的数量；yw为第w个样本的室内热不舒适时间百分比真实值；
为第w个样本的室内热不舒适时间百分比预测值。
步骤3：采用非支配排序遗传算法(NSGA-II)构建零碳建筑优化设计模型，获取Pareto优化解集。
优选的，获取Pareto优化解集方法如下：将步骤1.1中已定义的优化设计参量作为优化对象，以优化设计参量与优化目标的映射模型预测出的建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光光照度百分比、室内热不舒适时间百分比优化目标预测值为适应度函数，判断当前优化设计参量是否满足适应度函数评估，若满足得到Praeto解集，若不满足，非支配排序遗传算法驱动优化设计参量展开下一轮迭代，直至得到满足适应度函数评估的Pareto优化解集。
步骤4：建构基于零碳建筑优化设计参量与优化目标协同的设计决策模型包括以下步骤：
4.1：基于步骤3中的优化设计模型所获取的优化数据，对优化设计参量展开聚类分析，对优化目标展开评价排序；
4.2：根据聚类及排序结果协同做出设计决策。
优选的，上述步骤4.1中聚类对象为所得Pareto解集中的优化设计参量，选取的聚类算法为K-means，聚类组数为4组。
优选的，步骤4.1中的对优化设计目标展开评价排序方法为熵权法，具体步骤如下：
首先，基于Pareto解集中的优化目标集，构建优化目标判断矩阵，分别对优化目标判断矩阵中的正向评价指标(建筑运行阶段太阳能光伏***消碳量、室内有效天然才光照度百分比)和负向评价指标(建筑全生命周期碳排放量、室内热不舒适时间百分比)进行标准化处理，将其整合得到标准化矩阵；其次求解各优化目标的熵权并构建各优化目标的设计决策矩阵；再次，计算各优化目标的正理想解和负理想解，最后基于TOPSIS法计算Pareto解集中各优化目标的综合评价值。
优选的，所述步骤4.2中的根据聚类及排序结果做出设计决策方法为：基于聚类组数和评价结果，挑选出每类优化设计参量组中碳性能评价排名前3的设计解，在考虑优化设计参量特征的情况下得到缩小后的全新决策范围；最后设计师比对所剩设计解中优化设计参量分类特征、减碳、消碳、光热性能目标，做出设计决策，得到设计方案。若所得设计决策无法满足零碳目标，可调整优化设计参量设定后重新展开优化设计，或植入风力发电、地源热泵等产能***实现零碳目标。
在本实施例中，优化设计参量聚类1组变量特征：层数低，层高小，开间大，南、北向窗墙比居中，屋顶、外墙类型的传热系数较小。解集特点：低容积率，光热性能一般，热舒适性较好，低碳排，高消碳，可基本实现零碳化设计。该聚类组中优化目标综合评价排名前三的解在所有解中的排名为1、5、10。
优化设计参量聚类2组变量特征：层数低，层高最大，开间大，各向窗墙比较大，进深小，外墙围护结构类型的传热系数较小。解集特点：室内光环境最佳，热环境一般，碳排量居中，消碳量居中，若需要实现零碳化仍需结合其他可再生能源形式。该聚类组中优化目标综合评价排名前三的解在所有解中的排名为3、4、7。
优化设计参量聚类3组变量特征：层数最高，层高较大，朝向均基本为北偏东30°，开间不一，南、北向窗墙比较小，屋顶、窗户、外墙类型的传热系数均较小。解集特点：容积率最大，热舒适性最好，光环境一般，碳排最大，消碳最小，难以实现零碳化设计。该聚类组中优化目标综合评价排名前三的解在所有解中的排名为2、9、16。
优化设计参量聚类4组变量特征：层数和朝向不一，层高最小，开间较小，东、南向窗墙比最大，窗户、外墙类型的传热系数均最小。解集特点：光环境、热舒适性均最佳，第一个解难以实现零碳化，第二个解、第三个解若需要实现零碳化仍需结合其他可再生能源形式。该聚类组中优化目标综合评价排名前三的解在所有解中的排名为6、8、14。
考虑到建筑形态、容积率的保障、零碳化设计目标、光热环境舒适性，本实施例选取评价排序名次第7位的设计解作为最终解，如附图4所示为本实施例基于零碳建筑优化设计参量与优化目标的协同设计决策模型分析图。
Claims (11)
1.一种基于深度强化学习的零碳建筑优化设计方法，其特征在于，包括如下步骤：
步骤1：零碳建筑参数化模型建构；
1.1：定义零碳建筑优化设计参量及优化目标；
1.2：通过零碳建筑优化设计参量构建各优化目标的参数化模型；
步骤2：基于深度强化学习的零碳建筑优化设计参量与优化目标的映射模型建构；
2.1：基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据；
2.2：将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示；
2.3：采用深度强化学习算法构建零碳建筑优化设计参量与优化目标的映射模型；
步骤3：采用非支配排序遗传算法构建零碳建筑优化设计模型，获取Pareto优化解集；
步骤4：基于零碳建筑优化设计参量与优化目标协同的设计决策模型建构；
4.1：基于步骤3中的优化设计模型所获取的优化数据，对优化设计参量展开聚类分析，对优化目标展开评价排序；
4.2：根据聚类及排序结果协同做出设计决策。
2.根据权利要求1所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤1.1中的优化设计参量包括：建筑朝向、建筑开间、建筑进深、建筑层高、建筑层数、建筑窗墙比、围护结构类型、室内照明功率密度、设备功率密度、人员密度、散热量、新风量、房间设定温度、照明开关时间、设备使用率、人员在室率、新风运行情况、供暖和空调***运行时间；优化目标定义时，将建筑全生命周期碳排放量作为优化目标一，将建筑运行阶段太阳能光伏光热***消碳量作为优化目标二，将室内有效天然采光光照度百分比作为优化目标三，将室内热不舒适时间百分比作为优化目标四。
3.根据权利要求2所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤1.2中通过零碳建筑优化设计参量构建各优化目标的参数化模型时，以已定义的优化设计参量为自变量，以建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比为因变量，将优化设计参量与各优化目标关联，分别建构各优化目标参数化模型；
所述建筑全生命周期包括建筑材料生产阶段、建筑材料运输阶段、建筑施工阶段、建筑运行维护阶段、建筑拆除阶段五个阶段，基于建筑全生命周期五个阶段的碳排放量计算方法，构建建筑全生命周期碳排放量参数化模型；其中五个阶段的碳排放量计算方法分别如下：
S1：建筑材料生产阶段碳排放量计算方法：
其中，ESC为建筑材料生产阶段建筑碳排放量；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量；EFi为对应i种材料的碳排放因子；
S2：建筑材料运输阶段碳排放量计算方法：
其中，Eys为建筑材料运输阶段建筑碳排放量；i为第i种材料；n为材料种类数量；ADi为可基于优化设计参量确定的i种材料的用量；Di为第i种材料从存放点至施工现场的运距；Fi为第i种材料的运输方式下，单位重量运输距离的碳排放因子；
S3：建筑施工阶段碳排放量计算方法：
其中，Ec为建筑施工阶段碳排放量；k为建筑施工阶段第k种能源；m为能源种类数量；ek为施工阶段第k种能源用量；qk为对应能源的碳排放因子；
S4：建筑运行维护阶段碳排放量计算方法：
建筑运行维护阶段碳排放量包括建筑运行阶段碳排放量和建筑维护阶段碳排放量，
建筑运行阶段碳排放量计算时于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用Honeybee插件、调用EnergyPlus性能模拟引擎计并结合所在区域电网、各能源碳排放因子完成建筑运行阶段碳排放量计算；
建筑维护阶段碳排放量计算方法如下：
其中，Em为建筑维护阶段碳排放量；j为第j种建材；o为建材种类数量；Cj为需要更新维护的建材碳排放量；Kj为维护系数，
yb为建筑的使用寿命；yc为需要更新维护的建材使用寿命；
S5：建筑拆除阶段碳排放量计算方法：
其中，Ecc为建筑拆除阶段碳排放量；l为拆除阶段第l种能源；p为能源种类数量；el为建筑拆除阶段第l种能源总用量；ql为第l种能源的碳排放因子；
于Rhino-Grasshopper平台内基于已定义建筑优化设计参量、各阶段碳排放量计算方法，建立优化设计参量与各阶段碳排放量的参数化关联，并将各阶段碳排放量求和，完成建筑全生命周期碳排放量参数化模型建构；
建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光照度百分比、室内热不舒适时间百分比参数化模型建构方法如下：
于Rhino-Grasshopper平台内，基于已定义优化设计参量建立建筑参数化物理模型，利用能源性能模拟插件并结合建筑所在区域电网碳排放因子完成建筑运行阶段太阳能光伏光热***消碳量参数化模型建构；利用光热性能模拟插件分别完成室内有效天然采光照度百分比参数化模型建构和室内热不舒适时间百分比参数化模型建构。
4.根据权利要求3所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤2.1中的基于步骤1零碳建筑参数化模型，获取深度强化学习预测模型的训练样本数据方法为：首先利用Simlab软件的拉丁超立方抽样方法，以已确定的建筑优化设计参量为抽样对象，抽取若干组设计解；其次利用已构建的零碳建筑参数化模型计算各优化设计参量对应的优化目标值；最后将数据按照7：3的比例划分为训练数据集和验证集，并进行归一化处理，归一化方法如下：
其中，
为归一化的数据值；xu为实测值；v为输入向量的维数；xu min、xu max分别为xu的最小值和最大值。
5.根据权利要求4所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤2.2中的将零碳建筑优化目标预测分别建模为马尔科夫决策过程，定义优化目标预测中三种基本元素：状态空间、动作空间、奖励函数的数据表示方法为；
状态空间：将t时刻的状态表示为St，S表示训练数据集中已定义并归一化的优化设计参量；
动作空间：基于训练数据集值域，定义动作空间集，其动作大小范围为[CCmin，CCmax]，并按照可变间隔进行划分，CCmin、CCmax分别表示训练数据集中由参数化模型计算出的优化目标最小值与最大值；
奖励函数：奖励函数设置为Rt+1＝-|at-CCt|，其中at是智能体对t时刻优化目标的预测值，CCt为t时刻优化目标真实值。
6.根据权利要求5所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤2.3中的采用深度强化学习算法构建零碳建筑优化设计参量与优化目标的映射模型的构建方法如下：
选取深度双Q网络算法，于GHPython、Tensorflow平台构建零碳建筑优化设计参量与优化目标的映射模型，其中神经网络的输入层为步骤2.1中已处理的训练样本数据，输出层为优化目标预测值；模型训练过程中，首先初始化agent、参数和优化设计参量环境，agent选取动作并与优化设计参量进行互动，从环境中观察到状态值、动作值、奖励值并对当前回合的上述参数进行存储，判断一个回合是否结束，若是，得到预测结果，若否，则回到agent选取动作，重复上述过程；以验证集预测精确度为评价标准，若预测精确度达到要求，则得到优化设计参量与优化目标的映射模型，若预测精确度没有达到要求，则对模型学习率设置、折扣因子、动作间隔、神经网络的隐藏层数、每个隐藏层的节点数进行调试，回到训练样本数据，重复上述过程，直至预测精确度达到要求，得到优化设计参量与优化目标的映射模型。
7.根据权利要求6所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述验证集预测精确度衡量指标为：
其中P为验证集预测精确度；MAPE为平均绝对百分比误差；w为样本的数量；z为验证集样本的数量；yw为第w个样本的真实值；
为第w个样本的预测值。
8.根据权利要求7所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤3中的采用非支配排序遗传算法构建零碳建筑优化设计模型，获取Pareto优化解集方法如下：将步骤1.1中已定义的优化设计参量作为优化对象，以优化设计参量与优化目标的映射模型预测出的建筑全生命周期碳排放量、建筑运行阶段太阳能光伏光热***消碳量、室内有效天然采光光照度百分比、室内热不舒适时间百分比优化目标预测值为适应度函数，判断当前优化设计参量是否满足适应度函数评估，若满足得到Praeto解集，若不满足，非支配排序遗传算法驱动优化设计参量展开下一轮迭代，直至得到满足适应度函数评估的Pareto优化解集。
9.根据权利要求8所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤4.1中的聚类分析的聚类对象为所得Pareto解集中的优化设计参量，聚类算法为K-means，聚类组数为4-6组。
10.根据权利要求9所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤4.1中的对优化目标展开评价排序的方法为熵权法，具体步骤如下：
首先，基于Pareto解集中的优化目标集，构建优化目标判断矩阵，分别对优化目标判断矩阵中的正向评价指标和负向评价指标进行标准化处理，将其整合得到标准化矩阵；其次求解各优化目标的熵权并构建各优化目标的设计决策矩阵；再次，计算各优化目标的正理想解和负理想解，最后基于TOPSIS法计算Pareto解集中各优化目标的综合评价值；所述正向评价指标为建筑运行阶段太阳能光伏***消碳量和室内有效天然才光照度百分比，负向评价指标为建筑全生命周期碳排放量和室内热不舒适时间百分比。
11.根据权利要求10所述的基于深度强化学习的零碳建筑优化设计方法，其特征在于，所述步骤4.2中的根据聚类及排序结果做出设计决策方法为：基于聚类组数和评价结果，挑选出每类优化设计参量组中碳性能评价排名前3的设计解，在考虑优化设计参量特征的情况下得到缩小后的全新决策范围；最后设计师比对所剩设计解中优化设计参量分类特征、减碳、消碳、光热性能目标，做出设计决策，得到设计决策，若所得设计决策无法满足零碳目标，可调整优化设计参量设定后重新展开优化设计或植入产能***实现零碳目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165932.6A CN114692265B (zh) | 2022-02-23 | 2022-02-23 | 一种基于深度强化学习的零碳建筑优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165932.6A CN114692265B (zh) | 2022-02-23 | 2022-02-23 | 一种基于深度强化学习的零碳建筑优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114692265A true CN114692265A (zh) | 2022-07-01 |
| CN114692265B CN114692265B (zh) | 2023-03-10 |
Family
ID=82137223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210165932.6A Active CN114692265B (zh) | 2022-02-23 | 2022-02-23 | 一种基于深度强化学习的零碳建筑优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114692265B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146212A (zh) * | 2022-07-04 | 2022-10-04 | 东南大学溧阳研究院 | 一种光伏组件的全生命周期碳排放计算方法 |
| CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估***及方法 |
| CN115795638A (zh) * | 2023-02-13 | 2023-03-14 | 北京建筑大学 | 一种居住区布局优化设计方法、***及存储介质 |
| CN116663412A (zh) * | 2023-06-01 | 2023-08-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及*** |
| CN116680880A (zh) * | 2023-05-24 | 2023-09-01 | 国家电网有限公司大数据中心 | 考虑区域专线输送的省间电力碳排放因子核算方法及装置 |
| CN117648872A (zh) * | 2024-01-16 | 2024-03-05 | 广东工业大学 | 一种基于机器学习的城市街区节能减碳多目标优化方法 |
| CN117688658A (zh) * | 2024-02-02 | 2024-03-12 | 北京科技大学 | 一种零碳绿色建筑设计方法 |
| CN117851767A (zh) * | 2023-06-29 | 2024-04-09 | 国网四川省电力公司电力科学研究院 | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599467A (zh) * | 2016-12-14 | 2017-04-26 | 哈尔滨工业大学 | 一种基于多目标优化算法的严寒地区建筑构造设计方法 |
| CN112818458A (zh) * | 2021-02-26 | 2021-05-18 | 西安建筑科技大学 | 一种建筑绿色性能设计优化方法及*** |
| CN113094798A (zh) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
| CN113205272A (zh) * | 2021-05-19 | 2021-08-03 | 宁波华聪建筑节能科技有限公司 | 一种绿色建筑整合碳排放的评价规划方法 |
| CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 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 |
| CN113468645A (zh) * | 2021-07-02 | 2021-10-01 | 天津大学城市规划设计研究院有限公司 | 一种基于绿色建筑标准的建筑能耗优化方法 |
-
2022
- 2022-02-23 CN CN202210165932.6A patent/CN114692265B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599467A (zh) * | 2016-12-14 | 2017-04-26 | 哈尔滨工业大学 | 一种基于多目标优化算法的严寒地区建筑构造设计方法 |
| CN112818458A (zh) * | 2021-02-26 | 2021-05-18 | 西安建筑科技大学 | 一种建筑绿色性能设计优化方法及*** |
| CN113094798A (zh) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
| CN113205272A (zh) * | 2021-05-19 | 2021-08-03 | 宁波华聪建筑节能科技有限公司 | 一种绿色建筑整合碳排放的评价规划方法 |
| CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 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 |
| CN113468645A (zh) * | 2021-07-02 | 2021-10-01 | 天津大学城市规划设计研究院有限公司 | 一种基于绿色建筑标准的建筑能耗优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAONAN ZHANG 等: "Life cycle thinking-based energy retrofits evaluation framework for Canadian residences: A Pareto optimization approach", 《BUILDING AND ENVIRONMENT》 * |
| 李冰瑶: "基于多性能目标优化的住宅规划布局设计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 高源 等: "建筑生命周期碳排放评价函数多目标优化算法", 《计算机仿真》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146212A (zh) * | 2022-07-04 | 2022-10-04 | 东南大学溧阳研究院 | 一种光伏组件的全生命周期碳排放计算方法 |
| CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估***及方法 |
| CN115795638A (zh) * | 2023-02-13 | 2023-03-14 | 北京建筑大学 | 一种居住区布局优化设计方法、***及存储介质 |
| CN116680880A (zh) * | 2023-05-24 | 2023-09-01 | 国家电网有限公司大数据中心 | 考虑区域专线输送的省间电力碳排放因子核算方法及装置 |
| CN116663412A (zh) * | 2023-06-01 | 2023-08-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及*** |
| CN116663412B (zh) * | 2023-06-01 | 2024-03-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及*** |
| CN117851767A (zh) * | 2023-06-29 | 2024-04-09 | 国网四川省电力公司电力科学研究院 | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
| CN117648872A (zh) * | 2024-01-16 | 2024-03-05 | 广东工业大学 | 一种基于机器学习的城市街区节能减碳多目标优化方法 |
| CN117688658A (zh) * | 2024-02-02 | 2024-03-12 | 北京科技大学 | 一种零碳绿色建筑设计方法 |
| CN117688658B (zh) * | 2024-02-02 | 2024-05-07 | 北京科技大学 | 一种零碳绿色建筑设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114692265B (zh) | 2023-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114692265B (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
| Gan et al. | Simulation optimisation towards energy efficient green buildings: Current status and future trends | |
| Chen et al. | Multiobjective optimization of building energy consumption based on BIM-DB and LSSVM-NSGA-II | |
| Zhang et al. | Optimal design of building environment with hybrid genetic algorithm, artificial neural network, multivariate regression analysis and fuzzy logic controller | |
| Wang et al. | Multi-objective optimization (MOO) for high-rise residential buildings’ layout centered on daylight, visual, and outdoor thermal metrics in China | |
| CN103912966B (zh) | 一种地源热泵制冷***优化控制方法 | |
| Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
| CN107909220A (zh) | 一种电采暖负荷预测方法 | |
| 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*** | |
| Kerdan et al. | Artificial neural network structure optimisation for accurately prediction of exergy, comfort and life cycle cost performance of a low energy building | |
| CN112415924A (zh) | 一种空调***节能优化方法及*** | |
| Chen et al. | A multi-objective optimization strategy for building carbon emission from the whole life cycle perspective | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
| Wu et al. | Intelligent optimization framework of near zero energy consumption building performance based on a hybrid machine learning algorithm | |
| Zhao et al. | Construction cost prediction based on genetic algorithm and BIM | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及*** | |
| Xu et al. | A three-stage optimization method for the classroom envelope in primary and secondary schools in China | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| Le Gia et al. | A simulation-based multi-objective genetic optimization framework for efficient building design in early stages: application for Vietnam's hot and humid climates | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| Sun et al. | Research on prediction of housing prices based on GA-PSO-BP neural network model: evidence from Chongqing, China | |
| CN117332971A (zh) | 一种计及城市形态的区域综合能源规划方法及*** | |
| Luo et al. | Analysis of influencing factors of green building energy consumption based on genetic algorithm | |
| CN113222216A (zh) | 冷热电负荷预测方法、装置及*** |
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 |