【技术实现步骤摘要】
本专利技术属于节能减碳优化，具体涉及一种基于机器学习的城市街区节能减碳多目标优化方法。
技术介绍
1、现有的建筑性能驱动的优化设计主要聚焦于建筑尺度，以城市街区尺度展开性能化设计的研究较少。现有研究关于城市街区尺度性能优化的研究主要聚焦于城市微气候、建筑能耗等性能，并没有统筹考虑建筑能耗、光伏产能潜力与碳排放之间的相互作用关系。另外，在优化过程中，传统的基于nsga-ⅱ遗传算法的优化耗时较长，并不能在短时间内实现城市街区性能指标的快速预测，将设计方案的性能指标反馈给建筑师。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于机器学习的城市街区节能减碳多目标优化方法，统筹考虑城市街区建筑能耗、光伏产能潜力和碳排放三个性能目标之间的相互作用关系，构建城市街区建筑性能的集成学习预测模型，实现1分钟内城市街区性能指标的快速预测。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于机器学习的城市街区节能减碳多目标优化方法，包括以下步骤：
4、s1：城市街区碳中和导向下确定城市街区节能减碳的关键性能目标与影响性能目标的关键参数，将关键参数作为城市街区参数化模型的决策变量输入rhino&grasshopper模拟平台，输入城市街区的气象参数、几何参数、围护结构参数、人行为参数和设备参数获取城市街区的建筑能耗、光伏产能潜力和运营阶段碳排放量；
5、s2：基于城市街区参数化模型确定决策变量的阈值范围，采用拉丁超立方抽样方法
6、s3：将城市街区的honeybee模型输入到rhino&grasshopper模拟平台获取每个样本的建筑能耗和运营阶段碳排放量；将城市街区的参数化模型输入到rhino&grasshopper模拟平台获取每个样本的光伏产能潜力；
7、s4：将集成学习预测模型作为代理模型与nsga-ⅱ遗传算法耦合，搭建多目标优化设计平台；
8、s5：设定城市街区决策变量与优化目标，基于多目标优化设计平台获取帕累托解集；基于topsis法生成不同设计需求的决策方案。
9、进一步，步骤s2所述光伏产能潜力包括辐射潜力、安装潜力与技术潜力，所述光伏安装潜力的计算公式如下：
10、
11、
12、p3＝p1+p2
13、式中，p1指的是城市街区建筑屋面安装潜力，a1指的是城市街区建筑屋顶总面积，ar＞t指城市街区建筑屋面满足辐射阈值的面积占总面积的比例；c1指城市街区建筑屋面的安装因子，ccov指光伏模块有效面积系数即指光伏模块表面积与屋顶表面积的比例，它考虑了光伏模块之间的空隙，以避免相互遮挡而产生倒影；p2指城市街区建筑立面安装潜力，a3指城市街区建筑立面总面积，cf指城市街区建筑立面的安装因子，af＞t指城市街区建筑立面满足辐射阈值的面积占总面积的比例；a2指城市街区的占地面积；p3指城市街区建筑表面的安装潜力；
14、所述光伏产能潜力的计算公式如下：
15、d1＝y×u×α×l×(1-β)n-1
16、式中，y指光伏板有效安装面积大于辐射阈值的有效辐射量年累计值；u指建筑表面可安装光伏组件的安装比例；α指光伏组件的转化率；l指光伏组件的综合转化效率；β指光伏组件的衰减率。
17、进一步，步骤s2所述运营阶段碳排放量计算公式如下：
18、
19、y3＝sg×χ×δ
20、式中，q1表示建筑运行阶段单位建筑面积碳排放量；y2表示居住街区建筑群全年建筑能耗，包括制冷采暖、照明、电器设备能源消耗量；z表示电力碳排放因子；y表示使用年限；s表示居住街区建筑群总建筑面积；y3表示建筑绿地碳汇系统年减碳量；sg表示建筑绿地碳汇系统面积；χ表示乔木覆盖比例；δ表示碳汇因子。
21、进一步，步骤s5所述决策变量包括街区形态参数、建筑形态参数、建筑表皮参数和建筑功能类型参数；所述优化目标包括城市街区建筑能耗、光伏产能潜力和碳排放量。
22、进一步，所述集成学习预测模型包括输入参数、boosting算法、bagging算法和输出参数；
23、所述boosting算法包括：
24、1).初始化训练数据集的权值分布，使每个样本的权值相等。
25、2).训练第一个弱分类器，并计算它的误差率；
26、3).根据误差率调整训练数据集中每个样本的权值，被错误分类的样本权值增加，被正确分类的样本权值减少，使得下一个分类器更关注于之前分类错误的样本。
27、4).使用调整后的权值分布训练下一个弱分类器，并计算它的误差率
28、5).重复步骤3)和4)，直到训练完所有的弱分类器或误差率足够小。
29、6).将所有的弱分类器组合成一个强分类器，通过投票或加权投票的方式进行分类预测。
30、在上述流程中，重点是如何计算样本权值和调整样本权值。在boosting算法中，每个样本的权值表示该样本在分类器训练中的重要性，初始状态下所有的样本权值都相等，通过计算每个弱分类器的误差率，我们可以得到该分类器的准确性，进而调整样本的权值分布。被错误分类的样本权值增加，被正确分类的样本权值减少。这样，下一个弱分类器训练时会更加关注之前分类错误的样本，从而提高整个分类器的准确率。
31、最后，将所有的弱分类器组合成一个强分类器，通过投票或加权投票的方式进行分类预测。boosting算法的优点在于它能够提高分类器的准确率，并且在面对复杂的分类问题时表现出色。
32、所述bagging算法包括：
33、输入：样本集d＝{(x1,y1),(x2,y2),...(xm,ym)}，弱学习器算法，弱学习器迭代次数t
34、1)对于t＝1,2,3,...,t
35、a)对于训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样数据集dt
36、b)用采样数据集训练第t个弱学习器gt(x)
37、2)如果是分类算法的预测，则t个弱学习器投出最多票数的类别或者类别之一为最终的输出类别；如果是回归算法，则t个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出。
38、进一步，步骤s5所述基于多目标优化设计平台获取帕累托解集，具体包括：将代理模型替代模拟过程，在多目标优化平台中输入种群种群大小、种群数量、交叉率、随机种子、突变率，然后开始遗传算法优化，获取帕累托前沿解。
39、进一步，步骤s5中，topsis法决策分析的计算公式如下：
40、
41、式中，u为各优化方案的综合指标值；u+和u-为各评价解与正理想解、负理想解之间的欧氏距离。u∈[0,1]，u越接近本文档来自技高网...
【技术保护点】
1.一种基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤S2所述光伏产能潜力包括辐射潜力、安装潜力与技术潜力，所述光伏安装潜力的计算公式如下：
3.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤S2所述运营阶段碳排放量计算公式如下：
4.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤S5所述决策变量包括街区形态参数、建筑形态参数、建筑表皮参数和建筑功能类型参数；所述优化目标包括城市街区建筑能耗、光伏产能潜力和碳排放量。
5.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：所述集成学习预测模型包括输入参数、Boosting算法、Bagging算法和输出参数；
6.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤S5所述基于多目标优化设计平台获取帕累托解集，具体包括：将代理模型替代
7.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤S5中，TOPSIS法决策分析的计算公式如下：
...【技术特征摘要】
1.一种基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤s2所述光伏产能潜力包括辐射潜力、安装潜力与技术潜力，所述光伏安装潜力的计算公式如下：
3.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤s2所述运营阶段碳排放量计算公式如下：
4.根据权利要求1所述的基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：步骤s5所述决策变量包括街区形态参数、建筑形态参数、建筑表皮参数和建筑功能类型参数；所述优化目标包括城市街区建筑能耗、光伏产能潜力和...
【专利技术属性】
技术研发人员：徐燊，李高梅，廖维，崔国游，吴玉杰，李辉，沈念俊，陈淑琴，何秋国，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
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。