CN117574785A - 基于机器学习混合建模的零碳建筑多目标优化方法 - Google Patents

基于机器学习混合建模的零碳建筑多目标优化方法 Download PDF

Info

Publication number
CN117574785A
CN117574785A CN202410060171.7A CN202410060171A CN117574785A CN 117574785 A CN117574785 A CN 117574785A CN 202410060171 A CN202410060171 A CN 202410060171A CN 117574785 A CN117574785 A CN 117574785A
Authority
CN
China
Prior art keywords
building
optimization
zero
carbon
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.)
Withdrawn
Application number
CN202410060171.7A
Other languages
English (en)
Inventor
康一亭
吕石磊
张东杰
崔钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
China Academy of Building Research CABR
Original Assignee
Tianjin University
China Academy of Building Research CABR
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University, China Academy of Building Research CABR filed Critical Tianjin University
Priority to CN202410060171.7A priority Critical patent/CN117574785A/zh
Publication of CN117574785A publication Critical patent/CN117574785A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于机器学习混合建模的零碳建筑多目标优化方法，涉及计算机技术领域，该方法包括：确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；建立建筑的几何模型，将几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标；采用PSO‑SVM算法构建设计参数和优化目标之间的映射关系，并将映射关系作为零碳建筑多目标函数代理模型；采用NSGA‑Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；按照工程实际情况，剔除Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标，实现零碳建筑多目标优化的设计，缩短了优化时间，提升了效率。

Description

基于机器学习混合建模的零碳建筑多目标优化方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于机器学习混合建模的零碳建筑多目标优化方法。
背景技术
建筑行业作为三大用能领域之一，据统计全球近1/3的能源消耗和碳排放均与建筑领域相关。国际能源署（International Energy Agency，IEA）提出了全球2020-2050年各行业的发展路线图，其中，提出建筑行业2030年所有的新建建筑实现近零碳建筑，2040年50%的既有建筑达到近零碳建筑，2050年85%的建筑实现近零碳建筑。因此，对于新建建筑而言，如何实现近零碳和零碳建筑目标是未来建筑发展的关键。
传统的建筑设计主要是以建筑师为主导，常常以规划条件、建筑立面及功能造型为主要因素进行初步设计，在此基础上与机电专业进行相应的配合。然而，传统的建筑设计通常是以建筑能耗作为优化目标，而忽略了建筑的碳排放、经济性和舒适性等多个目标。
因此，如何针对多目标下的零碳建筑多目标优化设计，是亟需解决的问题。
发明内容
本发明提供一种基于机器学习混合建模的零碳建筑多目标优化设计方法，用以解决如何针对多目标下的零碳建筑多目标优化设计的问题。
本发明提供一种基于机器学习混合建模的零碳建筑多目标优化方法，包括：
步骤1，确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；
步骤2，按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；
步骤3，根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；
步骤4，将所述代理模型作为第三代非支配排序遗传算法NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；
步骤5，按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
根据本发明提供的一种基于机器学习混合建模的零碳建筑多目标优化方法，所述建筑单位面积年运行碳排放量的计算，采用公式（1）和（2）表示：
（1）
（2）
其中，E i 表示第i类建筑年能耗，C m 表示建筑运行阶段的单位建筑面积碳排放量（kg·CO2/m2），EF i 表示第i类能源碳排放系数，E i,j 表示第j类***的第i类年能耗，i表示建筑终端能耗类型，能耗类型包括电力或者燃气，ER i,j 表示第j类***消耗由可再生能源***提供的第i类年能源量，j表示建筑能耗***类型，能耗***类型包括空调或者照明，C p 表示建筑绿地碳汇***的年减碳量（kg·CO2/y），y表示运营年数，A表示建筑面积；
所述零碳建筑单位面积增量成本的计算，采用公式（3）表示：
（3）
其中，dC表示零碳建筑单位面积增量成本（元/m2），表示零碳建筑第k个设计方案的单位面积成本（元/m2），/>表示基准建筑单位面积成本（元/m2），即被动式设计的最低要求所付出的节能材料成本；
所述建筑年不舒适小时数的计算方法如下：当活动水平在1.0-1.3代谢当量met、风速小于0.2m/s的条件下，冬季服装热阻1.0热阻时的人体的舒适温度区在20-23.6℃；当夏季服装热阻为1.0热阻时的人体的舒适温度区在23-26℃。
根据本发明提供的一种基于机器学习混合建模的零碳建筑多目标优化方法，所述代理模型的构建流程包括以下步骤：
获取所述数据样本集，所述数据样本集包括训练集和测试集；
使用训练集对代理模型进行训练，得到训练好的代理模型；
使用测试集对训练好的代理模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标；
基于所述性能评价指标，对训练好的代理模型进行评价，最终得到代理模型。
根据本发明提供的一种基于机器学习混合建模的零碳建筑多目标优化方法，所述采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型，包括：
初始化粒子群，随机生成一群粒子，每个粒子代表一组SVM参数，并为每个粒子随机分配速度和位置；
针对每个粒子，使用所述粒子代表一组SVM参数进行模型训练，并通过性能评估方法计算SVM的性能指标，将所述性能指标作为所述粒子的适应度；
更新全局最优和个体最优，将当前粒子群中适应度最大的粒子的位置作为全局最优，将每个粒子的个体最优位置作为所述粒子的当前位置；
使用PSO算法的更新规则，更新所述粒子的速度、位置和适应度，重复上述过程，直到达到预定的迭代次数或满足停止条件为止；
将最终返回的全局最优粒子代表的一组SVM参数作为模型参数；
基于模型参数，得到所述代理模型。
根据本发明提供的一种基于机器学习混合建模的零碳建筑多目标优化方法，所述NSGA-Ⅲ算法的优化流程包括以下步骤：
优化模型超参数，包括竞赛规模、种群大小、交叉和变异概率、最大进化迭代数；
设定设计参数及范围，并将所述代理模型设定为NSGA-Ⅲ算法的适应度函数；
随机产生第一代种群，所述种群为零碳建筑设计方案，所述种群中的每个个体表示问题的一个潜在解；
根据所述适应度函数，计算每个个体的适应度函数值；
根据每个个体的适应度函数值，对种群中的个体进行非支配排序，将个体划分为多个层次；其中，第一层包含没有被其他个体支配的个体；
计算每个个体的支配集和被支配次数；
计算每个层次中个体之间的拥挤度；
根据非支配排序和拥挤度，选择目标数量的个体使用交叉和变异操作对选定的个体进行遗传算子的操作，生成新的个体，将新生成的个体合并到当前种群中，形成下一代种群，并重复执行上述步骤，直到满足预定的最大进化迭代数或收敛条件；其中，优先选择非支配层次高的个体，以及在同一层次中选择拥挤度较低的个体；
将最终种群中的个体作为所述NSGA-III算法找到的一组Pareto前沿解，得到Pareto优化结果。
根据本发明提供的一种基于机器学习混合建模的零碳建筑多目标优化方法，所述按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标，包括：
将优化目标在Pareto前沿的最佳值构成理想点；
采用公式（4）计算理想点到Pareto优化结果中每个解点的距离；
（4）
其中，、/>、/>为Pareto优化结果中每个解点的坐标值，/>、/>、/>为理想点的坐标值；
将距离最小的解点作为最优解，并基于所述最优解确定零碳建筑的被动式设计参数和优化目标。
本发明还提供一种基于机器学习混合建模的零碳建筑多目标优化装置，包括：
构建优化模型模块，用于确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；
确定数据样本集模块，用于按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；
确定代理模型模块，用于根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；
确定优化结果模块，用于将所述代理模型作为第三代非支配排序遗传算法NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；
优化模块，用于按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法，通过步骤1，确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；步骤2，按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；步骤3，根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；步骤4，将所述代理模型作为NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；步骤5，按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。通过PSO-SVM模型和NSGA-Ⅲ算法的结合，实现了零碳建筑多目标优化的设计，使得零碳建筑多目标设计过程更加科学和标准，同时，减少了优化过程中对EnergyPlus软件的调用，缩短了优化时间，有效提升建筑运行碳排放量、单位面积增量成本、建筑年不舒适小时数的协同优化及设计。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法的流程示意图之一；
图2是本发明提供的建筑的几何模型的示意图；
图3是本发明提供的PSO-SVM算法的流程示意图；
图4是本发明提供的NSGA-III算法的流程示意图；
图5是本发明提供的Pareto前沿解的示意图；
图6是本发明提供的零碳建筑的HV测度值的对比示意图；
图7是本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法的流程示意图之二；
图8是本发明提供的基于机器学习混合建模的零碳建筑多目标优化装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
下面结合图1-图7描述本发明的基于机器学习混合建模的零碳建筑多目标优化方法。
图1是本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法的流程示意图之一，如图1所示，方法包括步骤101-步骤105；其中，
步骤101，确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向。
具体地，优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；其中，建筑单位面积年运行碳排放量的计算，采用公式（1）和（2）表示：
（1）
（2）
其中，E i 表示第i类建筑年能耗，C m 表示建筑运行阶段的单位建筑面积碳排放量（kg·CO2/m2），EF i 表示第i类能源碳排放系数，E i,j 表示第j类***的第i类年能耗，i表示建筑终端能耗类型，能耗类型包括电力或者燃气，ER i,j 表示第j类***消耗由可再生能源***提供的第i类年能源量，j表示建筑能耗***类型，能耗***类型包括空调或者照明，C p 表示建筑绿地碳汇***的年减碳量（kg·CO2/y），y表示运营年数，A表示建筑面积（m2）；
零碳建筑单位面积增量成本主要发生在节能材料和节能技术选用方面，因此计算节能技术造成的初始投资增加额度来衡量经济性。需要说明的是，围护结构保温层和外窗等节能材料经济性指标仅考虑改变节能部件增加的成本，不考虑建筑基本部件费用，初始投资采用如下公式（5）计算：
（5）
其中，C I 表示初始投资成本（元/m2），C w 表示外墙保温板价格（元/m3），V w 表示外墙保温板体积（m3），C r 表示屋面保温板价格（元/m3），V r 表示屋面保温板体积（m3），C g 表示地面保温板价格（元/m3），V g 表示地面保温板体积（m3），C wd 表示节能门窗价格（元/m2），A wd 表示节能门窗面积（m2），C oi 表示其他初始投资成本（元），如新风热回收、可再生能源***和气密性等。
零碳建筑单位面积增量成本的计算，采用公式（3）表示：
（3）
其中，dC表示零碳建筑单位面积增量成本（元/m2），表示零碳建筑第k个设计方案的单位面积成本（元/m2），/>表示基准建筑单位面积成本（元/m2），即被动式设计的最低要求所付出的节能材料成本；
建筑年不舒适小时数的计算方法如下：对于室内热舒适区间的界定来源于采暖、制冷与空调学会标准，即当活动水平在1.0-1.3代谢当量met、风速小于0.2m/s的条件下，冬季服装热阻1.0热阻时的人体的舒适温度区在20.0-23.6℃；当夏季服装热阻为1.0热阻时的人体的舒适温度区在23-26℃。
设计参数包括外窗传热系数（x 1 ）、地面传热系数（x 2 ）、屋面传热系数（x 3 ）、东墙窗墙比（x 4 ）、西墙窗墙比（x 5 ）、南墙窗墙比（x 6 ）、北墙窗墙比（x 7 ）、外窗遮阳系数（x 8 ）、墙体传热系数（x 9 ）、SHGC值（x 10 ）、换气次数（x 11 ）和建筑朝向（x 12 ）等12项。
约束条件表示设计参数的取值范围，主要受限于需要满足的建筑设计标准，设计参数的取值范围主要由《近零能耗建筑技术标准》和《建筑节能与可再生能源利用通用规范》确定，计算公式如下表示：
（6）
其中，x i 表示建筑设计参数，z imax 和z imin 分别表示被动式零碳建筑的设计参数的上限和下限。
零碳建筑的设计参数的上下限分别如下：
外窗传热系数（1.0≤x 1 ≤1.5 W/m2·K）、地面传热系数（0.25≤x 2 ≤0.4W/m2·K）、屋面传热系数（0.1≤x 3 ≤0.3W/m2·K）、东墙窗墙比（0.2≤x 4 ≤0.4）、西墙窗墙比（0.2≤x 5 ≤0.4）、南墙窗墙比（0.2≤x 6 ≤0.5）、北墙窗墙比（0.2≤x 7 ≤0.5）、外窗遮阳系数（200≤x 8 ≤1000）、墙体传热系数（0.1≤x 9 ≤0.3W/m2·K）、太阳得热系数（Solar Heat GainCoefficient，SHGC）值（0.45≤x 10 ≤0.52）、换气次数（0.4≤x 11 ≤1.0次/小时）和建筑朝向（0≤x 12 ≤360度）。
步骤102，按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数。
具体地，步骤102的步骤具体包括零碳建筑设计参数样本矩阵的构建、建筑几何模型的构建和建筑优化目标矩阵的构建；其中，
零碳建筑优化参数样本矩阵的构建，包括确定优化参数分布形式、确定样本的抽样方法、确定样本容量的大小、执行抽样过程和组成矩阵。所述样本的抽样方法，是利用Simlab软件的SOBOL抽样。采用SOBOL抽样1300组设计方案，设计参数和优化目标一一对应，对不同方案下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数进行计算。
构建的设计参数样本矩阵，如下式所示：
（7）
其中，m、n分别为设计参数编号和样本数量。
步骤102中的建筑几何模型的构建，在SketchUp中建立建筑的几何模型，图2是本发明提供的建筑的几何模型的示意图。并将几何模型保存为建筑能耗模拟软件EnergyPlus可以识别的文件格式“.IDF”，在EnergyPlus软件中设置边界条件，边界条件主要包括建筑所在地、所在地的气候条件、人员在室率、照明功率密度等非优化参数信息，并在EnergyPlus软件中导入“.IDF”文件和气象数据，并且输入优化参数，计算优化目标值。其中，气象数据为从EnergyPlus官网下载北京地区的标准气象数据库CSWD数据。
围护结构构造参数包括建筑物的墙体构造、屋面构造、楼地面构造、照明功率密度、照明时间表、设备密度、人员数、活动水平、人员在室率、制冷控制、制热控制、供热通风与空气调节（Heating Ventilation and Air Conditioning，HVAC）***。表1为部分建筑围护结构构造参数，如表1所示。
表1.部分建筑围护结构构造参数
将设计参数样本矩阵导入到JePlus+EnergyPlus计算出与之对应的目标值，形成优化目标矩阵，如下式所示：
（8）
其中，y 1n 、y 2n 和y 3n 分别为建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数。
步骤103，根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型。
具体地，零碳建筑多目标函数代理模型包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数的代理模型；其中，Fcarbon（x）是建筑单位面积年运行碳排放量函数代理模型，Ftime（x）是年不舒适小时数函数代理模型，Fcost(x)是单位面积增量成本函数代理模型。
所述代理模型的构建流程包括以下步骤：
（1）获取所述数据样本集，所述数据样本集包括训练集和测试集。
具体地，将优化目标数据样本组成的数据样本集，按照70%训练集，30%测试集的比例对样本数据集进行分割，即910组数据用于训练模型，390组数据用于测试验证模型的有效性。将样本数据采用5折交叉验证，即将数据样本集平均分为5组，每次取其中1组作为测试样本，其余4组作为训练样本。
使用训练集对代理模型进行训练，得到训练好的代理模型。
具体地，利用训练集训练代理模型，得到训练好的代理模型，即训练PSO-SVM神经网络模型，得到训练好的PSO-SVM神经网络模型。
PSO-SVM神经网络模型的训练过程，包括：
初始化粒子群，随机生成一群粒子，每个粒子代表一组SVM参数，并为每个粒子随机分配速度和位置；其中，SVM参数为惩罚因子C和核函数参数。
针对每个粒子，使用所述粒子代表一组SVM参数进行模型训练，并通过性能评估方法计算SVM的性能指标，将所述性能指标作为所述粒子的适应度；性能指标为准确率、精确度、召回率等。
更新全局最优和个体最优，将当前粒子群中适应度最大的粒子的位置作为全局最优，将每个粒子的个体最优位置作为所述粒子的当前位置。
使用PSO算法的更新规则，更新所述粒子的速度、位置和适应度，重复上述过程，直到达到预定的迭代次数或满足停止条件为止。
将最终返回的全局最优粒子代表的一组SVM参数作为模型参数。
基于模型参数，得到所述代理模型。
可选地，使用全局最优粒子代表的一组SVM参数作为模型参数，可以重新训练SVM模型，得到最终的代理模型，即得到最终的PSO-SVM神经网络模型。
（2）使用测试集对训练好的代理模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标，性能指标具体如下公式表示：
（9）
（10）
（11）
其中，表示第i个优化目标模拟值，f i 表示第i个优化目标预测值，n表示样本总数，/>表示优化目标模拟值的平均值。
（3）基于所述性能评价指标，对训练好的代理模型进行评价，最终得到代理模型。
具体地，根据性能评价指标，对训练好的代理模型进行评价，最终得到代理模型，分别建立建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数代理模型。
例如，采用PSO-SVM算法建立代理模型，即采用粒子群PSO对SVM算法进行超参数寻优。超参数中，PSO的粒子群中的粒子个数为50，最大粒子群速度为0.6，加速系数分别为1.5和1.7，最大迭代次数为200，适应度函数为均方根误差（RMSE）。SVM的核函设置为径向基核函数（RBF kernel），核函数的超参数为10，正则化因子C为4，损失系数为1，交叉验证为3。
建筑单位面积年运行碳排放量的RMSE＝0.039，R2＝0.977，MAE=0.030；单位面积增量成本的RMSE＝0.023，R2＝0.930，MAE=0.060；建筑年不舒适小时数的RMSE＝0.065，R2＝0.903，MAE=0.048，建立的PSO-SVM模型的预测结果精确度满足要求。
图3是本发明提供的PSO-SVM算法的流程示意图，如图3所示，包括：
步骤301，训练样本和测试样本的选择。获取数据样本集，数据样本集包括训练集和测试集。
步骤302，初始化粒子群、惩罚因子C和核函数参数选择、每个粒子的速度和位置。
步骤303，计算每个粒子的适应度。针对每个粒子，使用粒子代表一组SVM参数进行模型训练，并通过性能评估方法计算SVM的性能指标，将性能指标作为粒子的适应度。
步骤304，确定全局最优和个体最优。将当前粒子群中适应度最大的粒子的位置作为全局最优，将每个粒子的个体最优位置作为粒子的当前位置。
步骤305，更新粒子的速度、位置和适应度，重复上述过程，直到达到预定的迭代次数或满足停止条件为止。
步骤306，测试样本验证。使用测试集对训练好的PSO-SVM模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标。
步骤307，判断模型是否满足精度。在模型满足精度的情况下，转至步骤308；在模型不满足精度的情况下，转至步骤302。
步骤308，PSO-SVM模型。将最终返回的全局最优粒子代表的一组SVM参数作为模型参数；基于模型参数，得到PSO-SVM模型。
步骤104，将所述代理模型作为第三代非支配排序遗传算法（Non-dominatedSorting Genetic Algorithm III，NSGAⅢ）的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标。
具体地，将代理模型作为NSGA-Ⅲ算法的目标函数，目标函数用于计算适应度函数值。
所述NSGA-Ⅲ算法的优化流程包括以下步骤：
优化模型超参数，包括竞赛规模、种群大小、交叉和变异概率、最大进化迭代数。设定NSGA-Ⅲ算法的超参数包括竞赛规模、种群大小、染色体大小、最大进化迭代数、交叉概率、突变概率。通过MATLAB平台，编译NSGA-Ⅲ多目标优化算法程序。基本参数设置种群大小为50，最大进化迭代次数为100，交叉概率为0.8，变异概率为0.1，进行种群初始化。
设定设计参数及范围，并将所述代理模型设定为NSGA-Ⅲ算法的适应度函数。设定设计参数的最大值和最小值，以及迭代终止规则，并将代理模型设定为NSGA-Ⅲ算法的适应度函数。调用PSO-SVM算法建立的优化目标代理模型作为适应度函数。
随机产生第一代种群，所述种群为零碳建筑设计方案，所述种群中的每个个体表示问题的一个潜在解。每个个体包含问题的决策变量和目标函数值，即设计参数和优化目标。
根据所述适应度函数，计算每个个体的适应度函数值。
根据每个个体的适应度函数值，对种群中的个体进行非支配排序，将个体划分为多个层次；其中，第一层包含没有被其他个体支配的个体。
计算每个个体的支配集和被支配次数。
计算每个层次中个体之间的拥挤度。
根据非支配排序和拥挤度，选择目标数量的个体使用交叉和变异操作对选定的个体进行遗传算子的操作，生成新的个体，将新生成的个体合并到当前种群中，形成下一代种群，并重复执行上述步骤，直到满足预定的最大进化迭代数或收敛条件；其中，优先选择非支配层次高的个体，以及在同一层次中选择拥挤度较低的个体。
对生成每个方案的优化目标的目标值进行评价，通过选择、交叉和变异，通过迭代运算，直到满足最大进化迭代数或者收敛条件（平均变化小于0.00001）时停止。
将最终种群中的个体作为所述NSGA-III算法找到的一组Pareto前沿解，得到Pareto优化结果。将迭代完成后的Pareto非支配解集，共包括70组设计参数和优化目标。
图4是本发明提供的NSGA-III算法的流程示意图，如图4所示，包括：
步骤401，计算总参考点。
步骤402，生成初始种群。随机产生第一代种群，种群为零碳建筑设计方案，种群中的每个个体表示问题的一个潜在解。设置优化模型超参数、设定设计参数及范围和适应度函数。
步骤403，非支配排序和非支配解集。根据适应度函数，计算每个个体的适应度函数值；根据每个个体的适应度函数值，对种群中的个体进行非支配排序，将个体划分为多个层次；其中，第一层包含没有被其他个体支配的个体；计算每个个体的支配集和被支配次数；计算每个层次中个体之间的拥挤度。
步骤404，竞标赛选择个体。根据非支配排序和拥挤度，选择目标数量的个体。
步骤405，交叉和变异。根据选择目标数量的个体，使用交叉和变异操作对选定的个体进行遗传算子的操作，生成新的个体。
步骤406，生成子代种群。将新生成的个体合并到当前种群中，形成下一代种群。
步骤407，归一化Pareto非优势解集。
步骤408，基于参考点确定下一代。
步骤409，下一代获得的解决方案。
步骤410，判断是否满足最大进化迭代数。在满足最大进化迭代数的情况下，转至步骤411；在不满足最大进化迭代数的情况下，转至步骤404。
步骤411，输出Pareto优化结果。将最终种群中的个体作为NSGA-III算法找到的一组Pareto前沿解，得到Pareto优化结果。
采用NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，最终得到的Pareto优化结果为一组Pareto前沿解，图5是本发明提供的Pareto前沿解的示意图。这组解在多个目标函数下都是非支配的，即没有一个目标函数的解优于它，而在其他目标函数下不劣于它。
步骤105，按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
具体地，在NSGA-Ⅲ算法计算完成后，输出算法得到的Pareto优化结果，再按照工程实际情况，剔除Pareto优化结果中偏离工程实际的设计参数和优化目标，最终确定零碳建筑的被动式设计参数和优化目标。
将优化目标在Pareto前沿的最佳值构成理想点；
采用公式（4）计算理想点到Pareto优化结果中每个解点的距离；
（4）
其中，、/>、/>为Pareto优化结果中每个解点的坐标值，/>、/>、/>为理想点的坐标值；
将距离最小的解点作为最优解，并基于所述最优解确定零碳建筑的被动式设计参数和优化目标。
通过计算的每个解点与理想点之间的距离，寻找距离最小的解点，并将距离最小的解点作为最优解，采用如下公式所示：
（12）
依据不同的工程实际情况和决策依据，采用4种工况，分别是建筑单位面积年运行碳排放量最小、单位面积增量成本最小和建筑年不舒适小时数最小和最优平衡计算结果，如表2所示。
表2. 4种工况的方案解
可选地，采用超体积（HV）测度评价NSGA-Ⅲ算法的优劣，图6是本发明提供的零碳建筑的HV测度值的对比示意图，如图6所示，采用传统NSGA-II算法确定零碳建筑多目标优化方法的HV值。HV测度可以用于评估一组最优解集分布的均匀性和收敛性，若一组Pareto最优解集，其分布的均匀性的收敛性均会变好，其HV值则会增大。从图6可以得出，本发明提供的零碳建筑多目标优化方法的HV测度值高于基于NSGA-II算法确定的HV测度。因此，本发明提出的方法可以得到收敛性和均匀分布性更好的解集。
基于上述描述的内容，本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法，通过确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；根据数据样本集，采用PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；将所述代理模型作为NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。通过PSO-SVM模型和NSGA-Ⅲ算法的结合，实现了零碳建筑多目标优化的设计，使得零碳建筑多目标设计过程更加科学和标准，同时，减少了优化过程中对EnergyPlus软件的调用，缩短了优化时间，有效提升建筑运行碳排放量、单位面积增量成本、建筑年不舒适小时数的协同优化及设计。
图7是本发明提供的基于机器学习混合建模的零碳建筑多目标优化方法的流程示意图之二，如图7所示，包括：
阶段一、模型建立及数据生成。
被动式物理模型搭建。按照建筑的几何尺寸和围护结构构造参数，在SketchUp中建立建筑的几何模型，并将几何模型保存为建筑能耗模拟软件EnergyPlus可以识别的文件格式“.IDF”。
被动式建筑参数变量。确定零碳建筑的优化目标和设计参数，其中，优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向等12项。
SOBOL抽样。在EnergyPlus软件中导入“.IDF”文件和气象数据，并且输入设计参数，计算优化目标，其中，确定优化参数分布形式、确定样本的抽样方法、确定样本容量的大小、执行抽样过程和组成矩阵。样本的抽样方法是利用Simlab软件的SOBOL抽样。采用SOBOL抽样1300组设计方案，设计参数和优化目标一一对应，对不同方案下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数进行计算。
模拟样本建立。构建的设计参数样本矩阵，将设计参数样本矩阵导入到JePlus+EnergyPlus计算出与之对应的目标值，形成优化目标矩阵。
阶段二、数据预测及验证。
PSO-SVM算法。根据建立的模拟样本，在MATLAB平台上采用PSO-SVM算法构建设计参数和优化目标之间的映射关系。其中，包括模型训练、模型测试和模型评价。
模型训练。使用训练集对PSO-SVM模型进行训练，得到训练好的PSO-SVM模型。
模型测试。使用测试集对训练好的PSO-SVM模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标。
模型评价。基于性能评价指标，对训练好的PSO-SVM模型进行评价，最终得到PSO-SVM模型，并将PSO-SVM模型作为零碳建筑多目标函数代理模型。
阶段三、多目标优化及最优解生成。
多目标确立。从碳排放、经济性和热舒适性确定优化目标，优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数。
NSGA-III优化。将代理模型作为NSGA-III算法的目标函数，在MATLAB平台上采用NSGA-III算法优化零碳建筑设计参数和优化目标，得到帕累托最优解集，即Pareto优化结果；Pareto优化结果包括优化后的设计参数和与优化后的设计参数对应的优化目标。
实际工程经验。按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
下面对本发明提供的基于机器学习混合建模的零碳建筑多目标优化装置进行描述，下文描述的基于机器学习混合建模的零碳建筑多目标优化装置与上文描述的基于机器学习混合建模的零碳建筑多目标优化方法可相互对应参照。
图8是本发明提供的基于机器学习混合建模的零碳建筑多目标优化装置的结构示意图，如图8所示，基于机器学习混合建模的零碳建筑多目标优化装置800包括：构建优化模型模块801、确定数据样本集模块802、确定代理模型模块803、确定优化结果模块804和优化模块805；其中，
构建优化模型模块801，用于确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；
确定数据样本集模块802，用于按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；
确定代理模型模块803，用于根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；
确定优化结果模块804，用于将所述代理模型作为第三代非支配排序遗传算法NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；
优化模块805，用于按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
本发明提供的基于机器学习混合建模的零碳建筑多目标优化装置，通过确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；根据数据样本集，采用PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；将所述代理模型作为NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。通过PSO-SVM模型和NSGA-Ⅲ算法的结合，实现了零碳建筑多目标优化的设计，使得零碳建筑多目标设计过程更加科学和标准，同时，减少了优化过程中对EnergyPlus软件的调用，缩短了优化时间，有效提升建筑运行碳排放量、单位面积增量成本、建筑年不舒适小时数的协同优化及设计。
可选地，所述建筑单位面积年运行碳排放量的计算，采用公式（1）和（2）表示
（1）
（2）
其中，E i 表示第i类建筑年能耗，C m 表示建筑运行阶段的单位建筑面积碳排放量（kg·CO2/m2），EF i 表示第i类能源碳排放系数，E i,j 表示第j类***的第i类年能耗，i表示建筑终端能耗类型，能耗类型包括电力或者燃气，ER i,j 表示第j类***消耗由可再生能源***提供的第i类年能源量，j表示建筑能耗***类型，能耗***类型包括空调或者照明，C p 表示建筑绿地碳汇***的年减碳量（kg·CO2/y），y表示运营年数，A表示建筑面积（m2）；
所述零碳建筑单位面积增量成本的计算，采用公式（3）表示：
（3）
其中，dC表示零碳建筑单位面积增量成本（元/m2），表示零碳建筑第k个设计方案的单位面积成本（元/m2），/>表示基准建筑单位面积成本（元/m2），即被动式设计的最低要求所付出的节能材料成本；
所述建筑年不舒适小时数的计算方法如下：当活动水平在1.0-1.3代谢当量met、风速小于0.2m/s的条件下，冬季服装热阻1.0热阻时的人体的舒适温度区在20-23.6℃；当夏季服装热阻为1.0热阻时的人体的舒适温度区在23-26℃。
可选地，所述代理模型的构建流程包括以下步骤：
获取所述数据样本集，所述数据样本集包括训练集和测试集；
使用训练集对代理模型进行训练，得到训练好的代理模型；
使用测试集对训练好的代理模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标；
基于所述性能评价指标，对训练好的代理模型进行评价，最终得到代理模型。
可选地，所述确定优化结果模块804，具体用于：
初始化粒子群，随机生成一群粒子，每个粒子代表一组SVM参数，并为每个粒子随机分配速度和位置；
针对每个粒子，使用所述粒子代表一组SVM参数进行模型训练，并通过性能评估方法计算SVM的性能指标，将所述性能指标作为所述粒子的适应度；
更新全局最优和个体最优，将当前粒子群中适应度最大的粒子的位置作为全局最优，将每个粒子的个体最优位置作为所述粒子的当前位置；
使用PSO算法的更新规则，更新所述粒子的速度、位置和适应度，重复上述过程，直到达到预定的迭代次数或满足停止条件为止；
将最终返回的全局最优粒子代表的一组SVM参数作为模型参数；
基于模型参数，得到所述代理模型。
可选地，所述NSGA-Ⅲ算法的优化流程包括以下步骤：
优化模型超参数，包括竞赛规模、种群大小、交叉和变异概率、最大进化迭代数；
设定设计参数及范围，并将所述代理模型设定为NSGA-Ⅲ算法的适应度函数；
随机产生第一代种群，所述种群为零碳建筑设计方案，所述种群中的每个个体表示问题的一个潜在解；
根据所述适应度函数，计算每个个体的适应度函数值；
根据每个个体的适应度函数值，对种群中的个体进行非支配排序，将个体划分为多个层次；其中，第一层包含没有被其他个体支配的个体；
计算每个个体的支配集和被支配次数；
计算每个层次中个体之间的拥挤度；
根据非支配排序和拥挤度，选择目标数量的个体使用交叉和变异操作对选定的个体进行遗传算子的操作，生成新的个体，将新生成的个体合并到当前种群中，形成下一代种群，并重复执行上述步骤，直到满足预定的最大进化迭代数或收敛条件；其中，优先选择非支配层次高的个体，以及在同一层次中选择拥挤度较低的个体；
将最终种群中的个体作为所述NSGA-III算法找到的一组Pareto前沿解，得到Pareto优化结果。
可选地，所述优化模块805，具体用于：
将优化目标在Pareto前沿的最佳值构成理想点；
采用公式（4）计算理想点到Pareto优化结果中每个解点的距离；
（4）
其中，、/>、/>为Pareto优化结果中每个解点的坐标值，/>、/>、/>为理想点的坐标值；
将距离最小的解点作为最优解，并基于所述最优解确定零碳建筑的被动式设计参数和优化目标。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，包括：
步骤1，确定零碳建筑的优化目标和设计参数，构建零碳建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括建筑单位面积年运行碳排放量、单位面积增量成本、建筑年不舒适小时数；所述设计参数包括外窗传热系数、地面传热系数、屋面传热系数、东墙窗墙比、西墙窗墙比、南墙窗墙比、北墙窗墙比、外窗遮阳系数、墙体传热系数、太阳得热系数SHGC值、换气次数和建筑朝向；
步骤2，按照建筑的几何尺寸和围护结构构造参数，建立建筑的几何模型，将所述几何模型导入建筑能耗模拟软件中模拟不同设计参数条件下的优化目标，得到数据样本集；所述数据样本集包括不同设计参数条件下的建筑单位面积年运行碳排放量、单位面积增量成本和建筑年不舒适小时数；
步骤3，根据数据样本集，采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型；
步骤4，将所述代理模型作为第三代非支配排序遗传算法NSGA-Ⅲ算法的目标函数，采用所述NSGA-Ⅲ算法优化零碳建筑设计参数和优化目标，得到Pareto优化结果；所述Pareto优化结果包括优化后的设计参数和与所述优化后的设计参数对应的优化目标；
步骤5，按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标。
2.根据权利要求1所述的基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，所述建筑单位面积年运行碳排放量的计算，采用公式（1）和（2）表示：
（1）
（2）
其中，E i 表示第i类建筑年能耗，C m 表示建筑运行阶段的单位建筑面积碳排放量（kg·CO2/m2），EF i 表示第i类能源碳排放系数，E i,j 表示第j类***的第i类年能耗，i表示建筑终端能耗类型，能耗类型包括电力或者燃气，ER i,j 表示第j类***消耗由可再生能源***提供的第i类年能源量，j表示建筑能耗***类型，能耗***类型包括空调或者照明，C p 表示建筑绿地碳汇***的年减碳量（kg·CO2/y），y表示运营年数，A表示建筑面积（m2）；
所述零碳建筑单位面积增量成本的计算，采用公式（3）表示：
（3）
其中，dC表示零碳建筑单位面积增量成本（元/m2），表示零碳建筑第k个设计方案的单位面积成本，/>表示基准建筑单位面积成本（元/m2），即被动式设计的最低要求所付出的节能材料成本；
所述建筑年不舒适小时数的计算方法如下：当活动水平在1.0-1.3代谢当量met、风速小于0.2m/s的条件下，冬季服装热阻1.0热阻时的人体的舒适温度区在20-23.6℃；当夏季服装热阻为1.0热阻时的人体的舒适温度区在23-26℃。
3.根据权利要求1所述的基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，所述代理模型的构建流程包括以下步骤：
获取所述数据样本集，所述数据样本集包括训练集和测试集；
使用训练集对代理模型进行训练，得到训练好的代理模型；
使用测试集对训练好的代理模型进行测试，得到测试集的性能评价指标；其中，性能评价指标包括均方根差RMSE、平均绝对误差MAE和R2指标；
基于所述性能评价指标，对训练好的代理模型进行评价，最终得到代理模型。
4.根据权利要求3所述的基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，所述采用粒子群优化支持向量机PSO-SVM算法构建设计参数和优化目标之间的映射关系，并将所述映射关系作为零碳建筑多目标函数代理模型，包括：
初始化粒子群，随机生成一群粒子，每个粒子代表一组SVM参数，并为每个粒子随机分配速度和位置；
针对每个粒子，使用所述粒子代表一组SVM参数进行模型训练，并通过性能评估方法计算SVM的性能指标，将所述性能指标作为所述粒子的适应度；
更新全局最优和个体最优，将当前粒子群中适应度最大的粒子的位置作为全局最优，将每个粒子的个体最优位置作为所述粒子的当前位置；
使用PSO算法的更新规则，更新所述粒子的速度、位置和适应度，重复上述过程，直到达到预定的迭代次数或满足停止条件为止；
将最终返回的全局最优粒子代表的一组SVM参数作为模型参数；
基于模型参数，得到所述代理模型。
5.根据权利要求1所述的基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，所述NSGA-Ⅲ算法的优化流程包括以下步骤：
优化模型超参数，包括竞赛规模、种群大小、交叉和变异概率、最大进化迭代数；
设定设计参数及范围，并将所述代理模型设定为NSGA-Ⅲ算法的适应度函数；
随机产生第一代种群，所述种群为零碳建筑设计方案，所述种群中的每个个体表示问题的一个潜在解；
根据所述适应度函数，计算每个个体的适应度函数值；
根据每个个体的适应度函数值，对种群中的个体进行非支配排序，将个体划分为多个层次；其中，第一层包含没有被其他个体支配的个体；
计算每个个体的支配集和被支配次数；
计算每个层次中个体之间的拥挤度；
根据非支配排序和拥挤度，选择目标数量的个体使用交叉和变异操作对选定的个体进行遗传算子的操作，生成新的个体，将新生成的个体合并到当前种群中，形成下一代种群，并重复执行上述步骤，直到满足预定的最大进化迭代数或收敛条件；其中，优先选择非支配层次高的个体，以及在同一层次中选择拥挤度较低的个体；
将最终种群中的个体作为所述NSGA-III算法找到的一组Pareto前沿解，得到Pareto优化结果。
6.根据权利要求1所述的基于机器学习混合建模的零碳建筑多目标优化方法，其特征在于，所述按照工程实际情况，剔除所述Pareto优化结果中偏离工程实际的设计参数和优化目标，确定零碳建筑的被动式设计参数和优化目标，包括：
将优化目标在Pareto前沿的最佳值构成理想点；
采用公式（4）计算理想点到Pareto优化结果中每个解点的距离；
（4）
其中，、/>、/>为Pareto优化结果中每个解点的坐标值，/>、/>、/>为理想点的坐标值；
将距离最小的解点作为最优解，并基于所述最优解确定零碳建筑的被动式设计参数和优化目标。
CN202410060171.7A 2024-01-16 2024-01-16 基于机器学习混合建模的零碳建筑多目标优化方法 Withdrawn CN117574785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410060171.7A CN117574785A (zh) 2024-01-16 2024-01-16 基于机器学习混合建模的零碳建筑多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410060171.7A CN117574785A (zh) 2024-01-16 2024-01-16 基于机器学习混合建模的零碳建筑多目标优化方法

Publications (1)

Publication Number Publication Date
CN117574785A true CN117574785A (zh) 2024-02-20

Family

ID=89892199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410060171.7A Withdrawn CN117574785A (zh) 2024-01-16 2024-01-16 基于机器学习混合建模的零碳建筑多目标优化方法

Country Status (1)

Country Link
CN (1) CN117574785A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149209A (zh) * 2020-09-04 2020-12-29 天津大学 一种建筑多性能导向设计的优化方法
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
CN115099473A (zh) * 2022-06-10 2022-09-23 浙江华云电力工程设计咨询有限公司 近零碳区域综合能源***多目标优化方法
CN117057021A (zh) * 2023-09-08 2023-11-14 郑州大学 一种基于多目标动态权重的建筑改造方案优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149209A (zh) * 2020-09-04 2020-12-29 天津大学 一种建筑多性能导向设计的优化方法
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
CN115099473A (zh) * 2022-06-10 2022-09-23 浙江华云电力工程设计咨询有限公司 近零碳区域综合能源***多目标优化方法
CN117057021A (zh) * 2023-09-08 2023-11-14 郑州大学 一种基于多目标动态权重的建筑改造方案优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANGUO WU等: "Intelligent multiobjective optimization design for NZEBs in China: Four climatic regions", 《APPLIED ENERGY》, 1 April 2023 (2023-04-01), pages 120934 *
YITING KANG等: "An Integrated Pso-Svm with Nsga-Iii Optimized Passive Design Method Considering Carbon Emission, Economy and Thermal Comfort for Zero-Carbon Building", 《SSRN（HTTPS://SSRN.COM/ABSTRACT=4596281）》, 31 January 2023 (2023-01-31), pages 1 - 38 *
YITING KANG等: "An Integrated Pso-Svm with Nsga-Iii Optimized Passive Design Method Considering Carbon Emission, Economy and Thermal Comfort for Zero-Carbon Building", 《SSRN（HTTPS://SSRN.COM/ABSTRACT=4596281）》, 9 October 2023 (2023-10-09), pages 1 - 38 *

Similar Documents

Publication Publication Date Title
Sha et al. Overview of computational intelligence for building energy system design
CN111881505B (zh) 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法
CN112149209B (zh) 一种建筑多性能导向设计的优化方法
Piltan et al. Energy demand forecasting in Iranian metal industry using linear and nonlinear models based on evolutionary algorithms
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
Sun et al. Improved energy performance evaluating and ranking approach for office buildings using Simple-normalization, Entropy-based TOPSIS and K-means method
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN106910337A (zh) 一种基于萤火虫算法与rbf神经网络的交通流预测方法
Liu et al. Multi-objective optimization for thermal comfort enhancement and greenhouse gas emission reduction in residential buildings applying retrofitting measures by an Enhanced Water Strider Optimization Algorithm: A case study
Chen et al. A multi-objective optimization strategy for building carbon emission from the whole life cycle perspective
Abdou et al. Prediction and optimization of heating and cooling loads for low energy buildings in Morocco: An application of hybrid machine learning methods
CN112524751B (zh) 一种动态空调***能耗预测模型构建、预测方法及装置
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及***
CN110866636A (zh) 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及***
CN111310257A (zh) 一种bim环境下的区域建筑能耗预测方法
CN110570041A (zh) 一种基于ap聚类的远景年典型日负荷预测方法
CN114611201B (zh) 一种未来气候建筑多目标节能优化方法和***
CN113205228B (zh) 一种短期风力发电输出功率的预测方法
Zhan et al. Dual-objective building retrofit optimization under competing priorities using Artificial Neural Network
Lan et al. Optimal zoning for building zonal model of large-scale indoor space
CN113762602A (zh) 一种风电场短期风速预测方法
CN117495002A (zh) 基于混沌蜂鸟的区域综合能源***多目标优化调度方法
Pan et al. Multi-objective optimization for building performance design considering thermal comfort and energy consumption
CN117574785A (zh) 基于机器学习混合建模的零碳建筑多目标优化方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20240220

WW01 Invention patent application withdrawn after publication