[发明专利]一种基于GA-RBF算法的既有建筑多目标优化改造决策方法

权利要求书

1.一种基于GA-RBF算法的既有建筑多目标优化改造决策方法，其特征在于，该方法包括以下步骤：

步骤1：以制冷能耗、热舒适、改造成本三者同时达到最小作为既有建筑改造优化目标，并构建目标函数，确定既有建筑多目标优化改造的决策变量种类及数量P，同时确定每个决策变量的优化区间；

步骤2：确定参考建筑，基于建筑结构信息对参考建筑进行既有建筑性能模拟，设计正交表，根据正交表改变决策变量值模拟得相应的优化目标值，将决策变量与其对应的优化目标值对应作为样本数据；

步骤3：建立既有建筑性能模拟RBF神经网络模型，模型采用三层RBF神经网络；设定神经网络隐层节点数I，中心宽度值S，RBF神经网络模型输入数据为决策变量值构成的向量，输出数据为目标函数值构成的向量；训练RBF神经网络模型，获得最优网络参数下的既有建筑性能模拟RBF神经网络模型；

步骤4：获得最优网络参数下的既有建筑性能模拟RBF神经网络模型作为建筑结构信息模型的简化模型，利用NSGA-Ⅱ算法对多目标优化计算，在每一次迭代中NSGA-Ⅱ算法都调用RBF神经网络模型获得输出向量矩阵以更新下一次迭代的种群，实现RBF神经网络模型与NSGA-Ⅱ算法的动态耦合，获得帕累托最优解集；

步骤5：通过对计算出的帕累托最优解集进行统计学分析，得出决策变量的分布情况，从而获得所需的最优改造措施；

所述步骤2中，按照设计正交表在EnergyPlus建筑性能模拟软件中对参考建筑进行改变各决策变量值的性能模拟，针对每组决策变量获得相应的制冷能耗、热不适时间值，利用目标函数转换为热不适时间比；重复实验获得多组包含决策变量与其对应的制冷能耗、热不适时间比的实验数据；

然后根据获得各类建材及设备的平均市场价，对单价和相应决策变量进行回归分析，获得正交表相应组的对应的成本值，另做一列对应存入之前的实验数据中，最终形成包含所有决策变量与其对应的三个优化目标的样本数据。

2.根据权利要求1所述的改造决策方法，其特征在于，所述步骤1中的具体过程是：

1.1确定决策变量和约束：以一年内制冷能耗、热舒适、改造成本为既有建筑改造优化目标，针对既有建筑的结构要求确定决策变量为外墙保温层的传热系数(HTCw)、屋顶保温层的传热系数(HTCr)、屋顶的外侧太阳辐射吸收系数(SRAC)、外窗玻璃的传热系数(U)、外窗玻璃太阳得热系数(SHGC)、空调系统的种类(T)和有无新风热回收机组(F)，共七个决策变量；

确定决策变量的优化区间，即外墙保温层的传热系数的优化范围为0.7～1.2W/m²·k，屋顶保温层的传热系数的优化范围为0.6～0.8W/m²·k，屋顶的外侧太阳辐射吸收系数的优化范围为0～1，外窗玻璃的传热系数的优化范围为1.4～6.4W/m²·k；空调系统的种类优化区间为[1,3]，1对应多联机，2对应一体机，3对应风机盘管加新风系统；有无新风热回收机组F的优化区间为[0,1]，有新风热回收机组对应值为1，无新风热回收机组对应值为0；

1.2确定优化的目标函数及变量约束：

目标函数为：

式中，Q(x)为制冷能耗；R(x)为热不适时间比，Cost(x)为改造成本，x为决策变量值构成的向量，X为所有决策变量值构成的向量的矩阵；

式中，T_pmv＞0.7指一年中PMV的绝对值超过ISO 7730中较不紧急的舒适类别C的上限0.7，即舒适区域的边界线的时间；

Cost(x)＝A_Wal×C_Wal(x)+A_R×C_R(x)+C_Win(x)+C_HVAC(x)

式中：A_Wal为墙体表面积，单位为m²；C_Wal(x)是选定的墙体保温材料的成本，单位为元/m²；A_R是屋顶表面积，单位为m²；C_R(x)为所选屋面保温材料的成本，单位为元/m²；C_Win(x)是所选窗户类型的成本，单位为元/扇；C_HVAC(x)是所选的暖通空调系统的成本，单位为元；

变量约束为：