【技术实现步骤摘要】
基于BIM的建筑能耗分析与优化方法
[0001]本专利技术涉及建筑能耗分析
,尤其是基于
BIM
的建筑能耗分析与优化方法
。
技术介绍
[0002]在各类建筑中,综合体建筑是典型的高能耗建筑,尤其是商业综合体建筑,具有体量大
、
能耗高
、
节能潜力大的特点
。
但是随着现代化进程的推进,高能耗建筑已不能满足社会发展的需求
。
对于建筑行业来说,能源消耗无比巨大,要实行可持续发展理念,更加需要加强节能方面的措施
。
建筑节能已是可持续发展的大势所趋,但建筑节能的同时室内热环境会受到影响,导致居住人员室内热舒适感下降
。
因此,如何通过更精确的计算能源消耗,并在考虑室内舒适感的情况下生成最佳节能措施成为目前亟需解决的问题
。
技术实现思路
[0003]本专利技术的目的是通过提出基于
BIM
的建筑能耗分析与优化方法,以解决上述
技术介绍
中提出的缺陷
。
[0004]本专利技术采用的技术方案如下:
[0005]提供基于
BIM
的建筑能耗分析与优化方法,包括如下步骤:
[0006]S1
:采集建筑结构能耗数据;
[0007]S2
:对采集的建筑结构能耗数据进行处理;
[0008]S3
:对处理后的建筑结构能耗数据搭建建筑能耗模型并进行优化;
[0009]S4 />:基于建筑能耗模型优化结果进行建筑能耗优化
。
[0010]作为本专利技术的一种优选技术方案:所述
S1
中,基于
LoRa
技术采集建筑结构能耗数据
。
[0011]作为本专利技术的一种优选技术方案:所述
S1
中的建筑结构能耗数据包括建筑外墙能耗数据
、
建筑外窗能耗数据
、
建筑屋顶能耗数据和建筑窗墙比能耗数据
。
[0012]作为本专利技术的一种优选技术方案:所述
S2
对采集的建筑结构能耗数据进行数据清洗和归一化处理:
[0013][0014]其中,
x
为标准化处理后的建筑结构能耗数据,
X
为经过数据清洗的建筑结构能耗数据,
X
max
、X
min
分别为
X
的最大值和最小值
。
[0015]作为本专利技术的一种优选技术方案:所述
S3
中,基于处理后的建筑结构能耗数据搭建多元线性回归模型,并基于改进的最小二乘法对多元线性回归模型进行回归求解
。
[0016]作为本专利技术的一种优选技术方案:所述多元线性回归模型搭建如下:
[0017]Q1=
k1A+k2B+k3C+k4D+k5E+
σ
[0018]Q2=
k
a
A+k
b
F+k
c
B+k
d
C+k
e
E+
σ
[0019]其中,
Q1为建筑年度耗电量,
Q2为建筑年度燃料使用量,
A、B、C、D、E
和
F
分别为外墙
传热系数
、
屋顶传热系数
、
窗热阻
、
日光得热系数
、
窗墙比和墙热阻,
k1、k2、k3、k4、k5,
k
a
、k
b
、k
c
、k
d
、k
e
分别为对应于各变量的系数,
σ
为服从正态分布的随机误差项
。
[0020]作为本专利技术的一种优选技术方案:所述改进的最小二乘法对多元线性回归模型进行回归求解具体如下:
[0021]将多元线性回归模型均转换为多元回归矩阵
Y
形式:
[0022][0023]其中,
X
为模型输入矩阵,为参数向量
β
的估计值,
e
为随机误差;
[0024]取目标函数
J
如下:
[0025][0026]其中,
n
为参数估计的总次数,
i
为参数估计的次数,
γ
为遗忘因子,
Y(i)
为第
i
次迭代的模型输出值,
X(i)
为第
i
次迭代的输入矩阵,
T
为矩阵的转置;
[0027]参数向量迭代如下:
[0028][0029]其中,为第
i
次迭代的参数向量估计值,为第
i
‑1次迭代的参数向量估计值,
K(i)
为第
i
次迭代的增益矩阵,
P(i)
为第
i
次迭代的协方差矩阵,
P(i
‑
1)
为第
i
‑1次迭代的协方差矩阵,
I
为单位矩阵,
δ
(i)
为第
i
次迭代的遗忘因子;
[0030][0031]其中,
ε
为可调参数
。
[0032]作为本专利技术的一种优选技术方案:所述改进的最小二乘法对多元线性回归模型进行回归求解的过程中,基于改进蚁群算法对可调参数进行寻优
。
[0033]作为本专利技术的一种优选技术方案:所述改进蚁群算法具体如下:
[0034]将划分区间的特征数据集模拟为蚂蚁选择的边
(u
,
v)
,融入信息素浓度
r
uv
、
启发函数
h
uv
,针对第
u
点位置的第
s
只蚂蚁,当
u
不属于
y
t
时,则选
v
的概率
P
uv
(s)
为:
[0035][0036]其中,
α
表示信息素启发因子,
β
表示能见度因子,
r
uf
(s)
为蚂蚁
s
从节点
u
移动至节点
l
的信息素强度,
y
s
表示第
s
只蚂蚁集合的可行节点,
δ
uv
为边
(u
,
v)
上的状态系数;
[0037][0038][0039]其中,
r
′
uv
(s+1)
...
【技术保护点】
【技术特征摘要】
1.
基于
BIM
的建筑能耗分析与优化方法,其特征在于:包括如下步骤:
S1
:采集建筑结构能耗数据;
S2
:对采集的建筑结构能耗数据进行处理;
S3
:对处理后的建筑结构能耗数据搭建建筑能耗模型并进行优化;
S4
:基于建筑能耗模型优化结果进行建筑能耗优化
。2.
根据权利要求1所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述
S1
中,基于
LoRa
技术采集建筑结构能耗数据
。3.
根据权利要求2所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述
S1
中的建筑结构能耗数据包括建筑外墙能耗数据
、
建筑外窗能耗数据
、
建筑屋顶能耗数据和建筑窗墙比能耗数据
。4.
根据权利要求1所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述
S2
对采集的建筑结构能耗数据进行数据清洗和归一化处理:其中,
x
为标准化处理后的建筑结构能耗数据,
X
为经过数据清洗的建筑结构能耗数据,
X
max
、X
min
分别为
X
的最大值和最小值
。5.
根据权利要求4所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述
S3
中,基于处理后的建筑结构能耗数据搭建多元线性回归模型,并基于改进的最小二乘法对多元线性回归模型进行回归求解
。6.
根据权利要求5所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述多元线性回归模型搭建如下:
Q1=
k1A+k2B+k3C+k4D+k5E+
σ
Q2=
k
a
A+k
b
F+k
c
B+k
d
C+k
e
E+
σ
其中,
Q1为建筑年度耗电量,
Q2为建筑年度燃料使用量,
A、B、C、D、E
和
F
分别为外墙传热系数
、
屋顶传热系数
、
窗热阻
、
日光得热系数
、
窗墙比和墙热阻,
k1、k2、k3、k4、k5,
k
a
、k
b
、k
c
、k
d
、k
e
分别为对应于各变量的系数,
σ
为服从正态分布的随机误差项
。7.
根据权利要求6所述的基于
BIM
的建筑能耗分析与优化方法,其特征在于:所述改进的最小二乘法对多元线性回归模型进行回归求解具体如下:将多元线性回归模型均转换为多元回归矩阵
Y
形式:其中,
X
为模型输入矩阵,为参数向量
β
的估计值,
e
为随机误差;取目标函数
J
如下:其中,
n
为参数估计的总次数,
i
为参数估计的次数,
γ
为遗忘因...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。