[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

说明书

本发明为一种基于GA‑RBF算法的既有建筑多目标优化改造决策方法，该方法包括以下步骤：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；确定参考建筑，设计正交表；建立既有建筑性能模拟RBF神经网络模型；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；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。提高了实际工程的效率。

技术领域

本发明涉及基于GA-RBF算法的既有建筑多目标优化改造决策方法

背景技术

建造时期较早的既有建筑往往存在热工性能较差的问题，在简单使用暖通空调改善热舒适过程中往往无法达到预期效果或产生过高的能耗，无论从提高宜居水平或节约资源的角度，对既有建筑的合理改造都是必须的。然而既有建筑的改造是一个多因素和多目标的复杂多目标决策问题，难以直观得出改造决策。

如何针对性地选择改造措施和优化目标并进行合理高效的优化是解决这一问题的关键。现有研究的优化只是在预先给定的几类改造措施中进行选择，可选范围相对较窄，对于优化算法的效率也缺乏进一步的考量。

发明内容

本发明的目的是针对既有建筑多目标优化改造的决策过程比较困难的问题，通过软件模拟、数据采集、神经网络模型建立、耦合优化、数据分析等手段，提供了一种基于GA-RBF算法的既有建筑多目标优化改造决策方法，该方法采集了既有建筑性能模拟的输入输出数据，将RBF神经网络与NSGA-Ⅱ算法进行耦合，使用高效率、高精度的GA-RBF多目标优化算法获得决策变量的帕累托最优，针对帕累托最优解集进行统计分析获得最优的改造措施。

本发明所采用的具体技术方案如下：

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。

2.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；