一种用于优化可持续建筑设计的集成机器学习与优化框架

《ENERGY AND BUILDINGS》:An integrated machine learning and optimization framework for enhancing sustainable building design

【字体: 大 中 小 】 时间:2025年12月22日 来源:ENERGY AND BUILDINGS 8.0

编辑推荐:

  希林·里泽班迪|侯赛因·塔加多斯|阿米尔·萨达特尼亚 伊朗德黑兰伊斯兰阿扎德大学土木工程系科学与研究分部 摘要 鉴于全球对能源问题的关注,设计节能建筑至关重要。在早期设计阶段所做的决策会对建筑的能源性能产生重大影响,而这些决策往往是在信息有限的情况下做出的。传统的建

  希林·里泽班迪|侯赛因·塔加多斯|阿米尔·萨达特尼亚
伊朗德黑兰伊斯兰阿扎德大学土木工程系科学与研究分部

摘要
鉴于全球对能源问题的关注,设计节能建筑至关重要。在早期设计阶段所做的决策会对建筑的能源性能产生重大影响,而这些决策往往是在信息有限的情况下做出的。传统的建筑性能模拟工具既昂贵又耗时。这些挑战,再加上对全面集成优化与模拟的需求,使得评估建筑的能源性能变得困难。本文提出了一种集成式半自动化框架,该框架利用机器学习模型和优化技术来辅助早期设计,从而促进高效、可持续的决策制定。研究人员开发了多种机器学习预测模型,用于预测建筑的能源消耗和二氧化碳排放量。随后,将这些高性能机器学习模型与优化模块相结合,包括单目标优化和多目标优化,以确定最优设计方案及其相关成本。通过案例研究以及对实际数据的对比,验证了该框架的实际应用价值,其中随机森林和梯度提升模型的准确率最高。

引言
建筑是全球能源消耗和温室气体排放的重要来源[1]。因此,推动符合可持续发展要求的节能建筑,对于保护环境具有积极意义[2][3]。近年来,解决环境问题及节约能源的重要性日益凸显,尤其是在建筑行业的早期设计阶段[4]。因此,工程师们开始从设计初期就注重节能建筑的设计。传统方法是通过模拟多个建筑能源模型来寻找最优解决方案[5]。在各种设计参数中,建筑围护结构的选择在早期设计阶段对能源模拟结果有着重要影响[6]。在这一阶段合理选择建筑围护结构参数,能够显著提升能源管理效率[7]。通常,在早期设计阶段实现节能建筑并预测其整体能源性能的关键在于使用建筑性能模拟技术[8]。

虽然传统建筑性能模拟是一种可靠的方法,但它也存在局限性。它依赖于基于物理原理的模型,且需要详细的建筑参数(如建筑的整体布局和形状、墙体、屋顶、地板及窗户等围护结构的热物理性质和厚度、门窗的位置、尺寸及遮阳情况、通风速率、内部隔墙的厚度和材料以及供暖、制冷等暖通空调系统的规格)才能进行准确预测[9]。然而,在早期设计阶段,这些信息往往无法获取,这就给将建筑性能模拟纳入设计流程带来了挑战。此外,进行大量模拟不仅容易出错,而且成本高昂、耗时较长[10]。尤其由于建筑性能模拟依赖于复杂的输入假设,而这些假设在建筑设计的早期阶段往往存在不确定性且难以获得,这可能会增加因人为因素导致的误差风险。再加上建筑系统的复杂性以及使用者行为的多样性,使得设计人员难以快速、便捷地评估建筑的整个生命周期能源性能。近期,一种改进建筑能源性能的方法是运用机器学习技术,该技术能够高效地确定降低能源消耗和二氧化碳排放的最优设计方案。与传统基于物理原理的模型不同,机器学习模型可以从模拟生成的数据中学习,从而快速预测能源消耗和二氧化碳排放量,因此在尚未获得详细建筑信息的情况下尤为有效[10][11]。研究人员认为,开发用于预测建筑能源消耗的高性能机器学习模型,能够在设计决策和控制系统层面显著降低整体建筑能源消耗[12][13][14]。最新研究表明,包括机器学习模型在内的数据驱动方法,在支持能源性能预测和指导节能建筑设计方面具有巨大潜力[15][16]。

先前的研究指出,预测模型的性能取决于两个因素:(1) 数据集的质量;(2) 所采用的机器学习模型类型[17]。

1. 数据集的质量:鉴于数据集的重要性及其对提升建筑性能的作用,重点关注这一方面具有很大优势[18]。数据收集可通过多种方法实现,包括:(a) 对现有建筑进行监测;(b) 使用计算软件进行基于BIM的模拟。
a. 监测现有建筑:一些研究致力于通过调查和监测现有建筑来收集数据这一具有挑战性的任务。例如,周某在中国开展了一项案例研究,收集了实际的能源消耗数据,并将其与设计阶段的能源模拟数据进行对比,以找出性能差异。类似地,李等人[20]也将模拟数据与监测数据进行了对比,发现EnergyPlus预测的总能源消耗与实际监测数据存在差异。由于类似建筑的监测数据与实际数据之间存在显著差异,因此很难通过基于观测的方法准确考虑各种因素及其相互作用。此外,设计过程还需要更详细、更准确的建筑运行数据,以避免出现意外偏差。
b. 基于BIM的模拟:另一种方法是利用建筑信息模型,这是一种极具潜力的工具,能够使模拟平台更加全面和精确。建筑模拟软件能够在快速且可靠的平台上对大量数据进行交互和分析。例如,加德里安利用EnergyPlus确定了实验性的能源消耗结果,并通过基于智能体的模型和高级算法提升了建筑的能源消耗效率及热舒适度[21]。此外,将相关的模拟工具(如建筑性能模拟工具)与BIM相结合,对于建筑的三维数字化设计至关重要[22]。这些工具能够实现节能建筑分析和评估的自动化与智能化。相应地,DesignBuilder是一款基于EnergyPlus开发的综合性且实用的建筑性能模拟工具,可用于分析建筑的总能源消耗和温室气体排放量[22][23]。此外,一些研究也证实了这些软件平台的有效性和适用性[24][25]。

2. 机器学习模型的类型:另一方面,考虑到各种高性能的机器学习算法,显然还需要更多研究来比较和分析这些算法。由于不同的数据集和场景会产生不同的结果,因此当在不同数据集上应用这些算法时,其评估结果也会有所不同。只有通过对同一数据集进行分析和比较,才能确定某种算法优于另一种算法[21]。目前仅有少数研究使用相同数据对关键算法进行了比较分析,以找出最适合用于建筑能源预测的模型。这些研究结果凸显了该领域进一步研究的迫切需求,也体现了其重要性。下一节将回顾那些在此背景下应用机器学习模型的研究。

据韦斯特曼等人所述,机器学习模型在解决建筑性能模拟工具在早期设计阶段的局限性方面发挥着重要作用。他们还指出,近年来的研究越来越注重开发适用于各种设计问题的机器学习模型[26]。在这方面,范等人采用基于机器学习的方法来估算短期能源消耗。尽管这项研究具有实用性,但其模型并未明确考虑天气条件的变化[2]。为解决这一问题,罗宾逊等人利用机器学习方法,在单一气候条件下预测了某一大都市区的能源消耗情况[27]。虽然这项研究提供了有价值的见解,但并未涉及模型选择策略或超参数调整等可能提升机器学习预测性能的方面。另一方面,康吉等人指出,传统的机器学习模型,尤其是基于神经网络的模型,往往存在训练时间较长的缺点[28]。为克服这一局限,他们的研究引入了先进的优化技术(如包括进化算法在内的元启发式算法以及基于模型的算法),从而提升了模型在预测建筑短期电力需求方面的性能。通过参数调整实现的这些改进,解决了传统训练方法存在的问题。因此,为了避免上述问题,未来的研究需要基于训练时间、稳健性和准确性等指标,比较各种用于建筑能源预测的机器学习模型。在此基础上,佐恩等人对三种不同的机器学习方法用于预测建筑供暖和制冷负荷进行了全面评估和比较[29]。尽管这项研究提供了有价值的见解,但其研究范围还可以进一步扩大,纳入与碳排放和其他环境影响相关的环境性能指标。尽管在基于机器学习的估算、预测和比较方面已经取得了进展,但仍有少数研究试图在单一的半自动化框架内解决所有已发现的不足,以构建能源和碳排放预测模型。为了更好地了解当前的做法,后续章节将探讨用于估算建筑能源消耗和温室气体排放的主要机器学习算法,包括人工神经网络、支持向量机和决策树。

人工神经网络在能源预测领域的应用因其极高的准确性而广受认可。当拥有足够数量的数据用于模型训练时,人工神经网络的表现最为出色。伦格和兹梅雷亚努对人工神经网络在每小时建筑能源预测中的应用进行了评估,认为该模型在预测方面表现优异[17]。而支持向量机最初用于建筑能源消耗预测的是董等人[30]。他们旨在预测热带地区四栋建筑的月度电力消耗量。通过使用三年来的数据对模型进行训练,他们用该模型预测了接下来一年的能源使用情况。研究结果表明,支持向量机不仅表现良好,而且在这一场景下显示出很高的可靠性。

已有许多研究比较了基于机器学习的能源预测模型的性能。董等人[31]利用包含507栋建筑的数据集,评估了人工神经网络和支持向量机在预测办公楼每小时能源消耗方面的性能。结果表明,与支持向量机相比,人工神经网络的预测效果更好。而决策树虽然在处理非线性数据时不如人工神经网络有效,但由于其结构简单,能够生成结构易于理解的预测模型,因此仍被广泛使用,能为决策提供有价值的参考。在香港进行的一项比较分析中,曹和游[32]评估了决策树、人工神经网络和回归方法在预测每周电力消耗方面的表现。他们发现,决策树和人工神经网络的表现略优于回归方法。余等人[33]则表明,决策树能够有效地对建筑能源需求水平进行分类。

先前的研究表明,将建筑能源模拟与优化策略相结合,能够在早期设计阶段实现能源消耗的最优化[34]。设计优化旨在通过提高能源效率来实现高性能的设计目标[35]。然而,在基于模拟的设计过程中,由于多目标模拟的累积计算成本较高[37],或者在不同设计和模拟工具之间切换存在困难[38],优化工作往往被置于早期设计阶段之后。导致这种分离的原因有很多。其中一个重要问题是构建优化问题较为困难,因为这需要明确设计目标,并将设计概念转化为参数化模型。此外,由于模拟过程耗时较长,算法的收敛速度较慢,这也限制了它们的实际应用。许多设计师难以理解和运用优化结果来指导决策。其他障碍还包括建模、模拟和优化工具之间的集成不够完善,计算资源有限,以及缺乏对更高效算法的认识或可用性[38]。因此,这些工具主要用于评估建筑的最终性能并调整设计元素,往往在初期阶段就忽视了以能源为核心的策略。

早期设计决策策略不仅是优化过程的一部分,更是其核心[35][39]。在这一阶段,决策者会制定相应的流程,以引导设计过程的后续发展[40]。遗传算法和其他常用的优化算法通常可以为建筑能源优化问题提供单个或多个解决方案[41]。然而,由于存在众多变量参数和不同的建筑性能模拟目标,比较不同的建筑设计方案是一项具有挑战性的任务[42]。尽管现有文献强调了通过多样化分析来确定最优解决方案的重要性,但在实际设计项目中,很少有能够让设计师探索并利用这些方案来辅助决策的全面且易于使用的流程被采用。此外,虽然使用多种仿真工具来优化建筑设计会显著增加运营成本[42],但这种方式可能更具可持续性。这一情况凸显出需要引入更高效的集成预测与优化方法。而且,即便引入了某种工作流程,它往往也不便于非技术领域的利益相关者使用[40]。这种缺陷涉及诸多细节,包括仿真软件的配置、优化算法的选择与理解,以及计算成本的管控,尤其是在需要在多种设计相关软件之间分配多目标时间预算的情况下[38]。因此,在设计初期就拥有一个全面的能源预测与优化解决方案至关重要,它能帮助设计师预测目标并做出具有战略意义的早期设计决策,从而提升设计过程的效率与效果。

问题陈述
尽管数十年的研究已经证明了计算机仿真作为建筑项目决策支持工具的巨大价值,但其在整个行业的应用程度仍有待提高。Venkatraj和Dixit[10]探讨了在建筑行业中使用仿真工具所面临的挑战与障碍。研究指出了以下几项挑战:(1)构建仿真模型需要大量时间;(2)模型开发需要专门的技能;(3)……

概述
所提出的集成框架包含了多个用于预测和优化建筑能耗及二氧化碳排放的独立阶段,如图1所示。这些阶段包括:(1)建筑能源性能仿真与数据生成;(2)数据预处理及机器学习模型构建;(3)优化模块。在设计初期,仿真过程产生的数据来自相关的BPS软件,而所选方法的有效性则需经过验证……

实施环境
本研究通过明确所使用的编程语言、库以及输入输出格式,对所提框架的实施架构进行了分析。在完成建筑模型仿真后,仿真数据会被整理成Microsoft Excel文件以便进一步分析。这些数据会经过彻底的预处理、标准化处理和分析,为后续使用做好准备。之后,会利用处理过的数据集来构建各种机器学习模型。同时,还需要进行数据集管理,以及模型的开发与序列化处理……

概述
本研究提出了一种综合框架,旨在提升建筑设计的能效并解决相关问题。首先,使用DesignBuilder软件对数据进行仿真与生成,然后根据所提框架对数据进行处理和预处理。随后,在设计初期,会运用各种机器学习算法来预测在不同气候条件下的电力消耗、燃气使用量以及二氧化碳排放量等具体指标……

讨论与验证
在以往的研究中,已有不少关于具备优化功能的商业BPS工具的挑战被记录下来[38]、[57]。值得注意的是,这类工具通常仅适用于详细设计阶段,在设计前期,如预设计或概念设计阶段,很少被使用。这是个问题,因为在这些早期阶段做出的决策会对建筑的性能和成本产生重大影响。此外,不同BIM软件之间的数据交换也存在困难……

结论
本研究开发了一个半自动化的框架,该框架整合了机器学习预测模型与优化模块,用以支持建筑设计的早期阶段工作。研究团队构建了多种机器学习模型和优化算法,并对它们进行了比较,以此估算在不同气候条件及不同建筑材料下的能耗与二氧化碳排放量。研究还建立了结构化的数据库,以便将预测模型融入优化工作流程中。实验结果表明,GB和RF模型……

关于写作过程中生成式人工智能与人工智能辅助技术的声明
在撰写本文时,作者使用了ChatGPT 4来提升文本的语言质量。在使用该工具/服务后,作者对内容进行了必要的审阅和编辑,并对最终发表的内容负全责。

作者贡献说明
Shirin Rizehbandi:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、正式分析、数据整理、概念构思。Hosein Taghaddos:撰写——审阅与编辑、监督、项目管理、概念构思。Amir Sadatnya:撰写——审阅与编辑、验证、软件、方法论、数据整理、概念构思。

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
非常感谢德黑兰大学Tecnosa研发中心对这项研究的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号