[發明專利]一種基于GA-RBF算法的既有建筑多目標優化改造決策方法

有效

• 申請號: 202010773071.0
• 申請日: 2020-08-04
• 公開（公告）號: CN111881505B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 趙曉峰;葛笛
• 申請（專利權）人: 河北工業大學
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06N3/04;G06N3/12;G06F111/06;G06F111/08;G06F111/10
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

本發明為一種基于GA?RBF算法的既有建筑多目標優化改造決策方法，該方法包括以下步驟：以制冷能耗、熱舒適、改造成本三者同時達到最小作為既有建筑改造優化目標，并構建目標函數，確定既有建筑多目標優化改造的決策變量種類及數量P，同時確定每個決策變量的優化區間；確定參考建筑，設計正交表；建立既有建筑性能模擬RBF神經網絡模型；利用NSGA?Ⅱ算法對多目標優化計算，在每一次迭代中NSGA?Ⅱ算法都調用RBF神經網絡模型獲得輸出向量矩陣以更新下一次迭代的種群，實現RBF神經網絡模型與NSGA?Ⅱ算法的動態耦合，獲得帕累托最優解集；通過對計算出的帕累托最優解集進行統計學分析，得出決策變量的分布情況，從而獲得所需的最優改造措施。提高了實際工程的效率。

技術領域

本發明涉及基于GA-RBF算法的既有建筑多目標優化改造決策方法

背景技術

建造時期較早的既有建筑往往存在熱工性能較差的問題，在簡單使用暖通空調改善熱舒適過程中往往無法達到預期效果或產生過高的能耗，無論從提高宜居水平或節約資源的角度，對既有建筑的合理改造都是必須的。然而既有建筑的改造是一個多因素和多目標的復雜多目標決策問題，難以直觀得出改造決策。

如何針對性地選擇改造措施和優化目標并進行合理高效的優化是解決這一問題的關鍵。現有研究的優化只是在預先給定的幾類改造措施中進行選擇，可選范圍相對較窄，對于優化算法的效率也缺乏進一步的考量。

發明內容

本發明的目的是針對既有建筑多目標優化改造的決策過程比較困難的問題，通過軟件模擬、數據采集、神經網絡模型建立、耦合優化、數據分析等手段，提供了一種基于GA-RBF算法的既有建筑多目標優化改造決策方法，該方法采集了既有建筑性能模擬的輸入輸出數據，將RBF神經網絡與NSGA-Ⅱ算法進行耦合，使用高效率、高精度的GA-RBF多目標優化算法獲得決策變量的帕累托最優，針對帕累托最優解集進行統計分析獲得最優的改造措施。

本發明所采用的具體技術方案如下：

一種基于GA-RBF算法的既有建筑多目標優化改造決策方法，其特征在于，該方法包括以下步驟：

步驟1：以制冷能耗、熱舒適、改造成本三者同時達到最小作為既有建筑改造優化目標，并構建目標函數，確定既有建筑多目標優化改造的決策變量種類及數量P，同時確定每個決策變量的優化區間；

步驟2：確定參考建筑，基于建筑結構信息對參考建筑進行既有建筑性能模擬，設計正交表，根據正交表改變決策變量值模擬得相應的優化目標值，將決策變量與其對應的優化目標值對應作為樣本數據；

步驟3：建立既有建筑性能模擬RBF神經網絡模型，模型采用三層RBF神經網絡；設定神經網絡隱層節點數I，中心寬度值S，RBF神經網絡模型輸入數據為決策變量值構成的向量，輸出數據為目標函數值構成的向量；訓練RBF神經網絡模型，獲得最優網絡參數下的既有建筑性能模擬RBF神經網絡模型；

步驟4：獲得最優網絡參數下的既有建筑性能模擬RBF神經網絡模型作為建筑結構信息模型的簡化模型，利用NSGA-Ⅱ算法對多目標優化計算，在每一次迭代中NSGA-Ⅱ算法都調用RBF神經網絡模型獲得輸出向量矩陣以更新下一次迭代的種群，實現RBF神經網絡模型與NSGA-Ⅱ算法的動態耦合，獲得帕累托最優解集；

步驟5：通過對計算出的帕累托最優解集進行統計學分析，得出決策變量的分布情況，從而獲得所需的最優改造措施。

2.所述步驟1中的具體過程是：

1.1確定決策變量和約束：以一年內制冷能耗、熱舒適、改造成本為既有建筑改造優化目標，針對既有建筑的結構要求確定決策變量為外墻保溫層的傳熱系數(HTCw)、屋頂保溫層的傳熱系數(HTCr)、屋頂的外側太陽輻射吸收系數(SRAC)、外窗玻璃的傳熱系數(U)、外窗玻璃太陽得熱系數(SHGC)、空調系統的種類(T)和有無新風熱回收機組(F)，共七個決策變量；