喻偉 王迪 李百戰(zhàn)

摘 要：

人居環(huán)境改善涉及重大民生問題，節(jié)能減排是國家重大戰(zhàn)略。因此，有必要尋求合理的居住建筑設(shè)計(jì)方法，使設(shè)計(jì)方案既滿足居民的室內(nèi)熱舒適需求又能降低建筑能耗?；诙嗄繕?biāo)遺傳優(yōu)化算法，建立能夠?qū)ㄖO(shè)計(jì)方案進(jìn)行優(yōu)化、實(shí)現(xiàn)增加室內(nèi)熱舒適時(shí)間比例的同時(shí)降低建筑全年冷熱負(fù)荷的居住建筑設(shè)計(jì)雙目標(biāo)優(yōu)化模型。最后，以重慶典型戶型為實(shí)例進(jìn)行優(yōu)化，優(yōu)化后的設(shè)計(jì)方案建筑全年冷熱負(fù)荷降低了47.74%，室內(nèi)熱舒適時(shí)間比例提高了3.94%，驗(yàn)證了模型的可行性和準(zhǔn)確性。

關(guān)鍵詞：

熱舒適；建筑能耗；多目標(biāo)優(yōu)化；適應(yīng)度函數(shù)

中圖分類號：TU111.19

文獻(xiàn)標(biāo)志碼：A 文章編號：16744764（2016）04001307

人的一生有80%的時(shí)間生活在室內(nèi)，改善室內(nèi)環(huán)境質(zhì)量、提高建筑室內(nèi)熱舒適，為居民創(chuàng)造良好的居住環(huán)境對居民健康和社會和諧都極為重要。隨著經(jīng)濟(jì)水平快速提高，提升居住空間生活品質(zhì)逐漸成為居民關(guān)注的熱點(diǎn)，改善室內(nèi)熱環(huán)境已經(jīng)變成人民的迫切需求[1]。2014年，中美簽署應(yīng)對氣候變化和清潔能源合作的聯(lián)合聲明，中方正式提出2030年左右中國碳排放有望達(dá)到峰值[2]?！吨袊ㄖ?jié)能年度發(fā)展研究報(bào)告2015》[3]指出，2013年中國建筑總商品能耗已占到全國能源消費(fèi)總量的19.5%，且呈現(xiàn)逐年上升的趨勢。因此，減少建筑能耗也已經(jīng)成為了國家實(shí)現(xiàn)節(jié)能減排的戰(zhàn)略目標(biāo)的重要一部分。然而，室內(nèi)熱舒適和建筑能耗往往是相互沖突的，如果對建筑室內(nèi)熱舒適的要求提高，往往會帶來建筑能耗的增加[45]。要想在保障室內(nèi)熱舒適的同時(shí)減少建筑的能耗，就需要對建筑設(shè)計(jì)方案進(jìn)行綜合優(yōu)化，尋求最優(yōu)設(shè)計(jì)方案。

在建筑方案設(shè)計(jì)中存在繁多的設(shè)計(jì)變量，例如，圍護(hù)結(jié)構(gòu)的熱工特性、窗墻比、朝向等。大量設(shè)計(jì)變量與室內(nèi)熱舒適及建筑能耗之間存在著非線性復(fù)雜耦合關(guān)系，導(dǎo)致設(shè)計(jì)師在優(yōu)化時(shí)，一方面有許多可供選擇的優(yōu)化組合，另一方面無法直觀地判斷各設(shè)計(jì)組合是否產(chǎn)生了理想的效果，最終導(dǎo)致設(shè)計(jì)方案減少了能耗也減少了室內(nèi)熱舒適或者既減少了室內(nèi)熱舒適又增加了能耗，搜索不到最佳的設(shè)計(jì)方案[67]。大多數(shù)的建筑優(yōu)化應(yīng)用研究都集中在以建筑能耗、經(jīng)濟(jì)成本等方面為主的研究，而以降低建筑能耗的同時(shí)改善室內(nèi)熱舒適為優(yōu)化目標(biāo)的系統(tǒng)研究較少。Coley等[8]以成本和能耗為目標(biāo)，研究地中海低能耗建筑設(shè)計(jì)方法；Shi[9]以減少保溫材料使用和降低能耗為導(dǎo)向，研究建筑設(shè)計(jì)方案；Méndez等[10]以采暖、制冷、燈光能耗最小為目標(biāo)，研究建筑的優(yōu)化設(shè)計(jì)。

筆者從建筑能耗和室內(nèi)熱舒適出發(fā)，使用NSGAII（Dominated Sorting Genetic AlgorithmII）作為方案搜索引擎，GABP模型（Genetic AlgorithmBack Propagation Neural Network）作為適應(yīng)度函數(shù)評價(jià)工具，建立了居住建筑設(shè)計(jì)多目標(biāo)優(yōu)化模型，并通過實(shí)例驗(yàn)證了該模型的可行性和準(zhǔn)確性。

1 建筑能耗與室內(nèi)熱舒適的多目標(biāo)優(yōu)

化方法

同時(shí)優(yōu)化建筑能耗與室內(nèi)熱舒適屬于典型的多目標(biāo)優(yōu)化問題，它的復(fù)雜性在于：建筑能耗與室內(nèi)熱舒適存在相互競爭的關(guān)系，當(dāng)建筑能耗取得較好優(yōu)化結(jié)果的同時(shí)，室內(nèi)熱舒適的優(yōu)化效果可能不理想，所以，最終得到的往往不是唯一的最優(yōu)方案，而是一組Pareto解集。Pareto解定義為：將建筑能耗及室內(nèi)熱舒適轉(zhuǎn)化為多目標(biāo)最小化問題，即建筑能耗最低，熱不舒適時(shí)間最??；g1 為建筑能耗，g2為熱不舒適時(shí)間，組成（）= （g1（）， g2（）），其中xu∈U為決策變量，若它滿足當(dāng)且僅當(dāng)不存在決策變量xv∈U，使得v=g（xv）=g（v1，v2，…，vn）支配u=g（xu）=g（u1，u2，…，un），則xu為Pareto最優(yōu)解，也稱非支配解。

多目標(biāo)遺傳算法常被用來尋求多目標(biāo)優(yōu)化問題的Pareto解集，并且在建筑領(lǐng)域的應(yīng)用研究逐漸增加[11]。2000年，Deb等[12]、Chantrelle等[13]對遺傳算法進(jìn)行優(yōu)化，提出了NSGAII，相對于之前的其他遺傳算法具有更加優(yōu)越的優(yōu)化性能，因此，采用NSGAII作為尋求Pareto解的算法。

NSGAII的計(jì)算結(jié)果如圖1所示，g1為建筑能耗，g2為熱不舒適時(shí)間。三角形代表NSGAII計(jì)算過程中不同遺傳代數(shù)的設(shè)計(jì)方案，圓形代表了Pareto最優(yōu)解。NSGAII經(jīng)過N代的遺傳操作，使建筑設(shè)計(jì)方案不斷朝著Pareto最優(yōu)解的方向前進(jìn)，最終得到Pareto最優(yōu)解，即得到建筑能耗低，熱不舒適時(shí)間小的建筑設(shè)計(jì)方案Pareto解集。

模型以建筑全年冷熱負(fù)荷的能耗和室內(nèi)舒適狀況為性能評價(jià)目標(biāo)，將NSGAII作為方案搜索引擎，GABP作為方案種群的適應(yīng)度函數(shù)評價(jià)工具，經(jīng)過N代的遺傳操作優(yōu)化后，最終得到建筑設(shè)計(jì)方案的Pareto解集。在模型中設(shè)計(jì)師只需要限制設(shè)計(jì)變量的范圍，然后計(jì)算機(jī)便會自動運(yùn)算，最終得到設(shè)計(jì)方案Pareto解集。

2.1 優(yōu)化目標(biāo)

主要研究尋求保證室內(nèi)熱舒適同時(shí)減少建筑能耗的設(shè)計(jì)方法，因此，將建筑能耗及室內(nèi)熱舒適做作為目標(biāo)函數(shù)。考慮到居住建筑的空調(diào)系統(tǒng)形式較為單一，多為單元式空調(diào)，因此，選擇使用建筑全年冷熱負(fù)荷取代建筑能耗作為優(yōu)化目標(biāo)。而室內(nèi)熱舒適的衡量標(biāo)準(zhǔn)取建筑在非采暖空調(diào)的狀況下，全年逐時(shí)室內(nèi)溫濕度處于可接受熱舒適范圍內(nèi)的小時(shí)數(shù)占全年總小時(shí)數(shù)的比例。如圖3所示，重慶地區(qū)非采暖空調(diào)情況下，可接受范圍為圖中虛線包圍區(qū)域[7]。同理，也可將建筑設(shè)計(jì)者的其他需求作為目標(biāo)函數(shù)，如通風(fēng)，采光效果等。

2.2 設(shè)計(jì)變量

對于一些設(shè)計(jì)變量，業(yè)主往往會提出要求，因而不需要設(shè)計(jì)師自行確定，如建筑平面布局、樓層、建筑面積等；而其他設(shè)計(jì)變量則需要設(shè)計(jì)師自行取值，例如：朝向、窗墻比、體形系數(shù)、傳熱系數(shù)等。尋求建筑設(shè)計(jì)方案的Pareto解集便是尋求由設(shè)計(jì)師自行確定的設(shè)計(jì)變量的最佳取值組合。結(jié)合《夏熱冬冷地區(qū)居住建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)》[14]、《重慶市居住建筑節(jié)能65%設(shè)計(jì)標(biāo)準(zhǔn)》[15]等現(xiàn)行居住建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)和設(shè)計(jì)規(guī)范，可以確定設(shè)計(jì)變量的取值范圍。

2.3 適應(yīng)度評價(jià)函數(shù)

NSGAII中需要選擇合適的計(jì)算工具對種群中個(gè)體的目標(biāo)函數(shù)進(jìn)行評價(jià)。評價(jià)目標(biāo)為建筑的全年冷熱負(fù)荷和室內(nèi)熱舒適，目前用于計(jì)算這兩個(gè)目標(biāo)的常用方法為動態(tài)模擬計(jì)算。然而動態(tài)模擬計(jì)算較為復(fù)雜，不僅需要對計(jì)算軟件進(jìn)行長時(shí)間的學(xué)習(xí)，同時(shí)優(yōu)化模型中涉及到成千上萬次的迭代計(jì)算，造成的時(shí)間消耗不可估量。因此，建筑設(shè)計(jì)多目標(biāo)優(yōu)化模型需采用一種能夠既快速又準(zhǔn)確預(yù)測建筑全年冷熱負(fù)荷和室內(nèi)熱舒適的工具來對目標(biāo)函數(shù)進(jìn)行計(jì)算。

喻偉等[16]提出了使用遺傳算法修正BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network），建立了GABP模型，并以重慶市典型居住建筑戶型為原型，驗(yàn)證了該模型在預(yù)測居住建筑全年冷熱負(fù)荷和室內(nèi)熱舒適的準(zhǔn)確性，如圖4所示。該模型通過輸入樣本進(jìn)行學(xué)習(xí)各輸入變量（設(shè)計(jì)變量）與輸出變量（目標(biāo)函數(shù)）之間的關(guān)系，將各個(gè)變量之間的關(guān)系存儲在網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)中，使用者通過輸入各設(shè)計(jì)變量的值即可快速得到建筑全年冷熱負(fù)荷和室內(nèi)熱舒適的預(yù)測結(jié)果。經(jīng)驗(yàn)證該模型建筑全年冷熱負(fù)荷預(yù)測的最大相對誤差為1.7%，室內(nèi)舒適比例的最大相對誤差為1.7%。因此，使用該GABP預(yù)測模型作為適應(yīng)度函數(shù)評價(jià)工具。

2.4 多目標(biāo)優(yōu)化算法設(shè)計(jì)

多目標(biāo)遺傳算法NSGAII的重點(diǎn)主要在遺傳操作的設(shè)定上，包括編碼方法、初始種群設(shè)定、控制參數(shù)設(shè)定、適應(yīng)度函數(shù)設(shè)定。對于不同的優(yōu)化問題，遺傳操作的設(shè)計(jì)也各有不同。筆者選用浮點(diǎn)數(shù)編碼方式，根據(jù)相關(guān)文獻(xiàn)[17]選定了優(yōu)化模型各個(gè)參數(shù)的取值：選擇算法采用競賽模為2的錦標(biāo)賽選擇法，交叉概率為0.9，變異概率為0.1；種群大小為100；最大遺傳代數(shù)為700。

目標(biāo)函數(shù)的計(jì)算是GABP建立起來的人工神經(jīng)網(wǎng)絡(luò)計(jì)算模塊net。目標(biāo)函數(shù)轉(zhuǎn)化后得到適應(yīng)度函數(shù)，適應(yīng)度計(jì)算函數(shù)為

仿真函數(shù)sim調(diào)用已建立的人工神經(jīng)網(wǎng)絡(luò)計(jì)算模塊net，計(jì)算個(gè)體sol的適應(yīng)度值eval。

兩個(gè)目標(biāo)函數(shù)分別是建筑全年冷熱負(fù)荷和室內(nèi)舒適狀況，考慮到個(gè)體的適應(yīng)度值不能為負(fù)值，將建筑全年冷熱負(fù)荷及室內(nèi)熱舒適轉(zhuǎn)化為多目標(biāo)最小化問題。室內(nèi)熱舒適時(shí)間比例的最大值為1，因此，采用界限構(gòu)造法，將室內(nèi)熱舒適這一目標(biāo)函數(shù)的適應(yīng)度函數(shù)變化為

3 案 例

為了驗(yàn)證多目標(biāo)優(yōu)化模型的準(zhǔn)確性和可行性，以重慶市典型居住建筑戶型[18]為例進(jìn)行優(yōu)化分析。案例建筑總建筑面積600 m2，高3層，層高2.8 m，每層2戶，每戶建筑面積為重慶市的3口之家主力戶型面積，約90 m2，如圖6所示。

根據(jù)《重慶市居住建筑節(jié)能65%設(shè)計(jì)標(biāo)準(zhǔn)》[15]設(shè)定室內(nèi)采暖設(shè)計(jì)溫度為18 ℃，空調(diào)設(shè)計(jì)溫度為26 ℃。室外溫度為18～26 ℃時(shí)，通風(fēng)換氣次數(shù)設(shè)定為5次/h，其余均設(shè)定為1次/h；滲透通風(fēng)設(shè)定為0.5次/h。

使用多目標(biāo)優(yōu)化模型來尋求既節(jié)約能源又能保證室內(nèi)熱舒適的建筑設(shè)計(jì)方案。建筑布局、樓層、建筑面積、體形系數(shù)這4個(gè)變量已經(jīng)限定，在表1中給出的剩余10個(gè)設(shè)計(jì)變量有待求解。按照《重慶市居住建筑節(jié)能65%設(shè)計(jì)標(biāo)準(zhǔn)》[15]在模型中設(shè)置這10個(gè)變量的變化范圍。

模型優(yōu)化過程如圖7、圖8所示。如圖7所示，隨機(jī)產(chǎn)生初代種群；當(dāng)進(jìn)化到318代時(shí)，計(jì)算結(jié)果的平均變化小于設(shè)定值10-4，優(yōu)化過程結(jié)束。最終優(yōu)化成功，獲得了Pareto解集，均勻分布在最優(yōu)解集中。圖8中各個(gè)點(diǎn)均是設(shè)計(jì)方案的Pareto解，設(shè)計(jì)者可以根據(jù)對全年冷熱負(fù)荷和熱舒適的實(shí)際需求在Pareto解集中選擇優(yōu)化設(shè)計(jì)方案。

使用Energyplus模擬計(jì)算優(yōu)化前后建筑設(shè)計(jì)方案的建筑全年冷熱負(fù)荷和室內(nèi)舒適狀況，并與多目標(biāo)優(yōu)化模型的預(yù)測結(jié)果進(jìn)行對比，如圖9、10所示。可以看出，多目標(biāo)優(yōu)化模型的預(yù)測結(jié)果與Energyplus的模擬結(jié)果差距較小，其中結(jié)果誤差最大的是基準(zhǔn)方案的熱舒適時(shí)間比例，但也僅為249%；根據(jù)Energyplus模擬計(jì)算結(jié)果，優(yōu)化后的建筑方案的建筑全年冷熱負(fù)荷降低了47.74%，且室內(nèi)熱舒適時(shí)間的比例增加了3.94%，達(dá)到了優(yōu)化的目的。

4 結(jié) 論

通過使用NSGAII作為方案搜索引擎，GABP作為適應(yīng)度函數(shù)評價(jià)工具，建立了以建筑全年冷熱負(fù)荷和室內(nèi)熱舒適為優(yōu)化目標(biāo)的居住建筑設(shè)計(jì)多目標(biāo)優(yōu)化模型。使用該模型對實(shí)際案例進(jìn)行分析，經(jīng)過318代進(jìn)化后得到了建筑設(shè)計(jì)方案的Pareto解集，從解集中選出了一組優(yōu)化方案，使得建筑全年冷熱負(fù)荷降低了近47.74%，室內(nèi)熱舒適時(shí)間的比例增加了3.94%，從而驗(yàn)證了該模型的可行性。并與Energyplus的計(jì)算結(jié)果進(jìn)行對比，驗(yàn)證了準(zhǔn)確性。該模型可用于指導(dǎo)建筑設(shè)計(jì)，實(shí)現(xiàn)了在滿足室內(nèi)健康舒適的前提下尋求建筑的最佳節(jié)能設(shè)計(jì)方案，為設(shè)計(jì)師尋求在保證室內(nèi)熱舒適前提下的低能耗居住建筑設(shè)計(jì)方案提供了技術(shù)支撐。

對于建筑設(shè)計(jì)多目標(biāo)優(yōu)化研究的進(jìn)一步展望：

1）模型僅以建筑全年冷熱負(fù)荷和室內(nèi)熱舒適為優(yōu)化目標(biāo)，在今后的研究中，從數(shù)量上說可以增加至同時(shí)優(yōu)化多個(gè)目標(biāo)，在目標(biāo)函數(shù)上可以擴(kuò)展到通風(fēng)、采光效果、經(jīng)濟(jì)等其他建筑性能。

2）模型以GABP模型為適應(yīng)度計(jì)算內(nèi)核，它的計(jì)算精確度取決于訓(xùn)練樣本的選擇。如果追求更加精確的解可以使用仿真模擬軟件來進(jìn)行計(jì)算。

3）各設(shè)計(jì)變量（多設(shè)計(jì)變量）共同作用時(shí)，對建筑全年冷熱負(fù)荷和室內(nèi)熱舒適（多目標(biāo)）的綜合影響耦合關(guān)系仍有待進(jìn)一步解析。

4）模型僅以建筑方案設(shè)計(jì)階段為主，在今后的研究中，可以將運(yùn)行階段影響建筑能耗和室內(nèi)熱舒適狀況的因素與設(shè)計(jì)階段的因素結(jié)合起來。

隨著社會的不斷發(fā)展，建筑使用者會對建筑的各方面的功能提出更多和更細(xì)節(jié)的要求，因此，對于建筑設(shè)計(jì)多目標(biāo)優(yōu)化模型的深入研究具有深遠(yuǎn)意義。

參考文獻(xiàn)：

[1]

張寅平. 中國室內(nèi)環(huán)境與健康研究進(jìn)展報(bào)告[M]. 北京：中國建筑工業(yè)出版社， 2012.

ZHANG Y P. Report on the research progress of indoor environment and health in China [M]. Beijing： China Architecture & Building Press， 2012. （in Chinese）

[2] ZHENG B， ZHANG Q， BORKENKLEEFELD J， et al. How will greenhouse gas emissions from motor vehicles be constrained in China around 2030 [J]. Applied Energy， 2015，156：230240.

[3] 清華大學(xué)建筑節(jié)能研究中心. 中國建筑節(jié)能年度發(fā)展研究報(bào)告[M]. 北京： 中國建筑工業(yè)出版社， 2015.

Building Energy Research Center of Tsinghua University. China building energy efficiency annual development report [M]. Beijing： China Architecture & Building Press， 2015. （in Chinese）

[4] KIM J， HONG T， JEONG J， et al. An optimization model for selecting the optimal green systems by considering the thermal comfort and energy consumption [J]. Applied Energy， 2016， 169： 682695.

[5] MANZANOAGUGLIARO F， MONTOYA F G， SABIOORTEGA A， et al. Review of bioclimatic architecture strategies for achieving thermal comfort [J]. Renewable and Sustainable Energy Reviews， 2015， 49： 736755.

[6] BEKTAS EKICI B， AKSOY U T. Prediction of building energy needs in early stage of design by using ANFIS [J]. Expert Systems with Applications， 2011， 38（5）： 53525358.

[7] 喻偉. 住宅建筑保障室內(nèi)（熱）環(huán)境質(zhì)量的低能耗策略研究[D]. 重慶：重慶大學(xué)， 2011.

YU W. The low energyconsumption strategy for improving indoor thermal environment quality in residential building [D]. Chongqing： Chongqing University， 2011. （in Chinese）

[8] COLEY D A， SCHUKAT S. Lowenergy design： combining computerbased optimisation and human judgement [J]. Building and Environment， 2002， 37（12）： 12411247.

[9] SHI X. Design optimization of insulation usage and space conditioning load using energy simulation and genetic algorithm [J]. Energy， 2011， 36（3）： 16591667.

[10] MNDEZ ECHENAGUCIA T， CAPOZZOLI A， CASCONE Y， et al. The early design stage of a building envelope： Multiobjective search through heating， cooling and lighting energy performance analysis [J]. Applied Energy， 2015，154：577591.

[11] ATTIA S， HAMDY M， BRIEN W O， et al. Assessing gaps and needs for integrating building performance optimization tools in net zero energy buildings design [J]. Energy and Buildings， 2013： 110124.

[12] DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGAII [J]. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182197.

[13] CHANTRELLE F P， LAHMIDI H， KEILHOLZ W， et al. Development of a multicriteria tool for optimizing the renovation of buildings [J]. Applied Energy， 2011， 88（4）： 13861394.

[14] 中華人民共和國住房和城鄉(xiāng)建設(shè)部.夏熱冬冷地區(qū)居住建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)：JGJ 134—2010 [S]. 北京： 中國建筑工業(yè)出版社， 2010.

Ministry of Housing and UrbanRural Construction of the Peoples Republic of China. Energy saving design standard of residential buildings in hot summer and cold winter regions： JGJ 1342010 [S]. Beijing： China Architecture & Building Press， 2015. （in Chinese）

[15] 重慶市城鄉(xiāng)建設(shè)委員會.重慶市居住建筑節(jié)能65%設(shè)計(jì)標(biāo)準(zhǔn)： DBJ500712010 [S]. 重慶， 2010.

Urban and Rural Construction Committee of Chongqing. Design standard for energy efficiency 65% of residential building： DBJ500712010 [S]. Chongqing， 2010. （in Chinese）

[16] 喻偉， 李百戰(zhàn)， 楊明宇， 等. 基于人工神經(jīng)網(wǎng)絡(luò)的建筑多目標(biāo)預(yù)測模型[J]. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2012， 43（12）： 49494955.

YU W， LI B Z， YANG M Y， et al. Building multiobjective predicting model based on artificial neural network [J]. Journal of Central South University （Natural Science Edition）， 2012， 43 （12）： 49494955. （in Chinese）

[17] DEB K. Multiobjective optimization using evolutionary algorithms [M]. New York： John Wiley & Sons， 2001.

[18] 重慶市建設(shè)技術(shù)發(fā)展中心. 建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)培訓(xùn)輔導(dǎo)教材[M]. 重慶：重慶市建筑節(jié)能協(xié)會， 2005.

Construction Technology Development Center of Chongqing. Building energy saving design standard training teaching material [M]. Chongqing： Chongqing Building Energy Conservation Association， 2005. （in Chinese）

（編輯 胡英奎）