(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210511950.5 (22)申请日 2022.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 114611201 A (43)申请公布日 2022.06.10 (73)专利权人 北京中建协 认证中心有限公司 地址 100020 北京市朝阳区南湖东园12 2楼 南区2008 专利权人 中认国证 （北京） 评价 技术服务有 限公司 (72)发明人 王海山　王丽　欧阳雪　万黎明　 万力　刘吉营　郇鑫　郭喜宏　 胡国芳　郑卓茜　冉靖宇　(74)专利代理 机构 济南诚智商标专利事务所有 限公司 3710 5 专利代理师 朱晓熹 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 111/06(2020.01) (56)对比文件 CN 112149209 A,2020.12.2 9 AU 202010 3770 A4,2021.02.1 1 审查员 廖瑜 (54)发明名称 一种未来气候建筑多目标节能优化方法和 系统 (57)摘要 本发明提出了一种未来气候建筑多目标节 能优化方法和系统， 该方法包括： 根据获取的历 史气象数据和预测月尺度数据， 生成未来逐时气 候数据； 确定优化目标和决策变量； 将决策变量 输入至建筑模 型中； 将建筑模型和未来逐时气候 数据导入能耗模拟软件中得到建筑能耗和热不 舒适时间； 根据建筑模型计算得到全生命周期碳 排放量； 将建筑能耗和热不舒适时间， 以及全生 命周期碳排放量输入神经网络中， 拟合输出目标 函数； 将目标函数输入至遗传算法， 得到一组帕 累托最优解； 利用线性加权和法， 按照需求设置 权重系数， 得到最终优化方案。 基于该方法， 还提 出了优化系统。 本发明考虑了未来气候变化对建 筑性能的影 响， 使优化目标的计算结果更符合实 际。 权利要求书4页 说明书9页 附图4页 CN 114611201 B 2022.07.22 CN 114611201 B 1.一种未来气候建筑多目标节能优化方法， 其特 征在于， 包括以下步骤： 根据获取的历史气象数据和预测月尺度数据， 生成未来逐时气候数据； 确定建筑物节能的优化目标和影响所述优化目标的决策变量； 将所述决策变量输入至 构建的建筑模型中； 将所述建筑模型和未来逐时气候数据导入能耗模拟软件中得到 建筑能 耗和热不舒适时间； 根据所述建筑模型计算得到全生命周期碳排放量； 所述优化 目标包括 建筑能耗、 热舒 适度和全生命周期碳 排放； 所述决策变量包括几何空间参数、 围护结构参数、 空调系统参数和与人行为相关的参 数； 所述将所述建筑模型和未来逐时气候数据导入能耗模拟软件中得到建筑能耗和热不 舒适时间的过程包括： 在所述能耗模拟软件中设置围护结构、 空调系统和照明设备； 在所述能耗模拟软件人 行为模块中设置房间参数、 人员移动参数和动作参数， 将未来逐时气象数据导入能耗模拟 软件中； 对所述能耗模拟软件进行模拟得到建筑能耗数据和建筑各个房间温湿度数据； 根据标准设定服装热阻、 空气流速和人体代谢率， 计算得到该建筑的热不 舒适时间； 所述根据所述建筑模型计算得到全生命周期碳排放量的过程包括： 通过导出Revit中 的材料明细表得到各材料 的消耗量， 结合碳排放因子数据以及工程信息， 进行计算得到全 生命周期碳 排放； 全生命周期的碳排放包括建材生产阶段、 施工建造阶段、 运行维护阶段和拆除回收阶 段； 施工建造阶段包括材料运输和机械 设备运作； 拆除回收包括机械 设备运作、 废弃物运输 和建材回收利用； 建材生产阶段： 式中， ESC建材生产阶段碳排放量， kgCO2； Mi第i种主要建筑材料的消耗量， t； Fi第i种 主要建筑材 料的碳排放因子； 施工建造阶段： 材料运输： 式中， EYS材料运输 阶段碳排放量， kgCO2； Mi第i种主要建筑材料的消耗量， t； Di第i种 主要建筑材 料平均运输距离， km； Ti第i种主 要建筑材 料单位重量 运输距离的碳 排放因子； 机械设备运作： 式中， EJZ机械设备运作阶段碳排放量， kgCO2； Ejz,i施工过程中第i种能源总用量， kwh； EFi第i种能源碳 排放因子；权　利　要　求　书 1/4 页 2 CN 114611201 B 2运行维护阶段： 式中， EYX运行维护阶段碳排放量， kgCO2； Ei第i种能源年消耗量， kwh； ERi 由可再生能 源系统提供的第i类能源年消耗 量， kwh； y建筑设计寿命； 拆除回收阶段： 拆除阶段： 式中， ECC拆除阶段碳 排放量， kgCO2； E CC,i拆除阶段第i种能源的总用量， k wh； 回收阶段： 式中， EHS回收阶段碳 排放量， kgCO2； η材 料的回收比例； 将所述建筑能耗和热不舒适 时间， 以及全生命周期碳排放量作为构建的神经网络预测 模型的输入， 经 过所述神经网络的拟合输出目标函数； 将所述目标函数输入至多目标遗传算法， 得到一组帕累托最优解； 利用线性加权和法， 按照需求设置 权重系数， 得到最终优化方案 。 2.根据权利要求1所述的一种未来气候建筑多目标节能优化方法， 其特征在于， 所述生 成未来逐时气候数据的方法包括： 将所述历史气象数据和预测月尺度 数据输入至降尺度模型得到未来逐时气候数据； 所 述预测月尺度数据为全球气候模式下不同典型浓度路径情景的预测月尺度数据。 3.根据权利要求2所述的一种未来气候建筑多目标节能优化方法， 其特征在于， 所述降 尺度模型采用变形法实现气候数据的降尺度， 所述变形法采用位移、 线性伸缩或者位移和 线性伸缩相结合的方式； 所述位移公式为： ； 其中， 为未来逐时气候数据； 为历史逐时气候数 据； 为m月预测气象变化 值； 所述线性伸缩的公式为 ； 其中， 为m月降尺度伸缩系数； 所述位移和线性伸缩相结合的公式为： ； 为m月历史气象数据的平均值。 4.根据权利要求1所述的一种未来气候建筑多目标节能优化方法， 其特征在于， 所述神 经网络预测模型包括输入层、 若干隐含层和输出层； 且节点数等于决策变量的数量； 所述隐 含层的数量确定的公式为 ； 其中， 为隐藏层节点数； 为输出层节点 数； N为 输入层节点数。 5.根据权利要求1所述的一种未来气候建筑多目标节能优化方法， 其特征在于， 将所述 目标函数输入至多目标遗传算法， 得到一组帕累托最优解的过程包括： 在所述多目标遗传 算法中输入种群大小、 最大进化代数、 变异率和交叉率， 进行计算得到帕累托 最优解。权　利　要　求　书 2/4 页 3 CN 114611201 B 3