居住建筑室内热环境低能耗营造多目标设计方法.docVIP

居住建筑室内热环境低能耗营造多目标设计方法 　　摘 要： 　　人居环境改善涉及重大民生问题，节能减排是国家重大战略。因此，有必要寻求合理的居住建筑设计方法，使设计方案既满足居民的室内热舒适需求又能降低建筑能耗。基于多目标遗传优化算法，建立能够对建筑设计方案进行优化、实现增加室内热舒适时间比例的同时降低建筑全年冷热负荷的居住建筑设计双目标优化模型。最后，以重庆典型户型为实例进行优化，优化后的设计方案建筑全年冷热负荷降低了47.74%，室内热舒适时间比例提高了3.94%，验证了模型的可行性和准确性。 　　关键词： 　　热舒适；建筑能耗；多目标优化；适应度函数 　　中图分类号：TU111.19 　　文献标志码：A 文章编号2016 　　人的一生有80%的时间生活在室内，改善室内环境质量、提高建筑室内热舒适，为居民创造良好的居住环境对居民健康和社会和谐都极为重要。随着经济水平快速提高，提升居住空间生活品质逐渐成为居民关注的热点，改善室内热环境已经变成人民的迫切需求[1]。2014年，中美签署应对气候变化和清洁能源合作的联合声明，中方正式提出2030年左右中国碳排放有望达到峰值[2]。《中国建筑节能年度发展研究报告2015》[3]指出，2013年中国建筑总商品能耗已占到全国能源消费总量的19.5%，且呈现逐年上升的趋势。因此，减少建筑能耗也已经成为了国家实现节能减排的战略目标的重要一部分。然而，室内热舒适和建筑能耗往往是相互冲突的，如果对建筑室内热舒适的要求提高，往往会带来建筑能耗的增加[45]。要想在保障室内热舒适的同时减少建筑的能耗，就需要对建筑设计方案进行综合优化，寻求最优设计方案。 　　在建筑方案设计中存在繁多的设计变量，例如，围护结构的热工特性、窗墙比、朝向等。大量设计变量与室内热舒适及建筑能耗之间存在着非线性复杂耦合关系，导致设计师在优化时，一方面有许多可供选择的优化组合，另一方面无法直观地判断各设计组合是否产生了理想的效果，最终导致设计方案减少了能耗也减少了室内热舒适或者既减少了室内热舒适又增加了能耗，搜索不到最佳的设计方案[67]。大多数的建筑优化应用研究都集中在以建筑能耗、经济成本等方面为主的研究，而以降低建筑能耗的同时改善室内热舒适为优化目标的系统研究较少。Coley等[8]以成本和能耗为目标，研究地中海低能耗建筑设计方法；Shi[9]以减少保温材料使用和降低能耗为导向，研究建筑设计方案；Méndez等[10]以采暖、制冷、灯光能耗最小为目标，研究建筑的优化设计。 　　笔者从建筑能耗和室内热舒适出发，使用NSGAII（Dominated Sorting Genetic AlgorithmII）作为方案搜索引擎，GABP模型（Genetic AlgorithmBack Propagation Neural Network）作为适应度函数评价工具，建立了居住建筑设计多目标优化模型，并通过实例验证了该模型的可行性和准确性。 　　1 建筑能耗与室内热舒适的多目标优 　　化方法 　　同时优化建筑能耗与室内热舒适属于典型的多目标优化问题，它的复杂性在于：建筑能耗与室内热舒适存在相互竞争的关系，当建筑能耗取得较好优化结果的同时，室内热舒适的优化效果可能不理想，所以，最终得到的往往不是唯一的最优方案，而是一组Pareto解集。Pareto解定义为：将建筑能耗及室内热舒适转化为多目标最小化问题，即建筑能耗最低，热不舒适时间最小；g1 为建筑能耗，g2为热不舒适时间，组成（）= （g1（）， g2（）），其中xu∈U为决策变量，若它满足当且仅当不存在决策变量xv∈U，使得v=g（xv）=g（v1，v2，…，vn）支配u=g（xu）=g（u1，u2，…，un），则xu为Pareto最优解，也称非支配解。 　　多目标遗传算法常被用来寻求多目标优化问题的Pareto解集，并且在建筑领域的应用研究逐渐增加[11]。2000年，Deb等[12]、Chantrelle等[13]对遗传算法进行优化，提出了NSGAII，相对于之前的其他遗传算法具有更加优越的优化性能，因此，采用NSGAII作为寻求Pareto解的算法。 　　NSGAII的计算结果如图1所示，g1为建筑能耗，g2为热不舒适时间。三角形代表NSGAII计算过程中不同遗传代数的设计方案，圆形代表了Pareto最优解。NSGAII经过N代的遗传操作，使建筑设计方案不断朝着Pareto最优解的方向前进，最终得到Pareto最优解，即得到建筑能耗低，热不舒适时间小的建筑设计方案Pareto解集。 　　模型以建筑全年冷热负荷的能耗和室内舒适状况为性能评价目标，将NSGAII作为方案搜索引擎，GABP作为方案种群的适应度函数评价工具