[发明专利]一种高层住宅被动式节能反向设计系统及设计方法

说明书

本发明属于建筑室内环境设计技术领域，公开了一种高层住宅被动式节能反向设计系统及设计方法，根据建筑设计类型确定设计参数变量与设计目标；利用测试数据分析不同因素对建筑热环境及能耗状况的影响；结合建筑信息模型采用计算机模拟方法分析被动式因素在不同组合情况下对建筑热环境及能耗影响规律；确定不同被动式因素对建筑能耗的影响特征和取值范围；建立快速预测模型分析高敏感性参数对建筑热环境及能耗影响关系；基于快速预测模型获得满足目标要求的设计方案解集；建立多目标优化模型，进行数据拟合，输出高层住宅被动式节能策略。本发明在保证反向设计收敛性的同时，减少了反向设计计算量40％。

技术领域

本发明属于建筑室内环境设计和建筑节能领域，尤其涉及一种高层住宅被动式节能反向设计系统及设计方法。

背景技术

目前，建筑室内环境设计包含三个主要内容：设计变量、设计目标以及设计方法。设计方法是室内环境设计的核心内容，可按设计方向分为两大类：正向设计与反向设计。正向设计根据设计变量值确定相应的设计目标值，通过不断的尝试或利用设计者本身的经验，对设计变量值进行修正，逐步使设计目标值达到设计要求，进而完成室内环境的设计过程。但由于室内环境设计问题的复杂性和设计参数的非线性等因素，正向设计过程往往很难得到理想的结果。反向设计基于结果求原因的顺序，根据设计目标值确定相应的设计变量值，设计过程存在明确的方向性，且不需要设计者有丰富的经验。因此，反向设计方法在室内环境设计中的适用性更强。

敏感性分析是从多个不确定性因素中逐一找出对建筑室内环境和能耗有重要影响的敏感性因素，并分析、测算其对建筑室内环境和能耗的影响程度和敏感性程度，进而判断建筑室内环境和能耗承受不确定性因素影响的能力。

遗传算法是一种典型的最优化方法，它把优化过程看成是生物种群的进化过程，每个变量可能的解表示成一条染色体的片段，所有变量可能的解按顺序排列成条完整的染色体，每条染色体代表进化过程中的一个个体。与其它优化算法相比，遗传算法更易探索整个设计空间，并找到全局最优解。

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

在研究中，针对影响建筑能耗的被动式因素，通过改变单一或多个因素，确定不同被动式因素对建筑能耗的影响程度。

即，假设模型为，(为模型的第i个影响因素值)，使每个被动式影响因素在可能的取值范围内变化，从定量分析的角度预测不同被动式因素的变化对建筑能耗的敏感程度(敏感系数S)。

敏感系数初步定义为：

M为模型输出；e_i为不同的被动式影响参数；Δe_i为e_i为设计参数(不同被动式因素)在阈值范围内的取值变化。

在计算分析过程中，依据我国相关节能设计标准，选定各个设计参数的取值变化范围，如围护结构不同部位的传热系数(窗、墙、屋顶)、建筑朝向的偏转临界角度、遮阳板的外挑长度、建筑高度(层数)等。

将不同被动式因素(高敏感性因素为变量，低敏感性因素为定量)作为参数，采用人工神经网络建立以建筑能耗和热环境状况为目标的快速预测模型，利用已知的输入、输出数据作为学习和测试样本，对网络模型进行训练与测试，得到精确的网络模型，分析高敏感性参数对建筑热环境及能耗影响关系。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有技术中，室内环境并节能的反向设计中，收敛性数据处理量大，效率低。