基于建筑碳排放與室內(nèi)舒適度雙目標(biāo)優(yōu)化方法的研究

朱泓宇,肖 敏*,張嘉敏

(長(zhǎng)沙理工大學(xué) a.建筑學(xué)院,b.電氣與信息工程學(xué)院,中國(guó) 長(zhǎng)沙 410114)

近年來(lái),建筑業(yè)對(duì)人類社會(huì)資源消耗、環(huán)境保護(hù)和氣候變化等多個(gè)方面的影響日益顯著。《中國(guó)建筑能耗研究報(bào)告2020》指出,中國(guó)約46.5%的總能耗和51.6%的碳排放由建筑物產(chǎn)生[1]。為在2060年前實(shí)現(xiàn)“碳中和”目標(biāo),減少建筑物碳排放量成為一項(xiàng)必要且艱巨的任務(wù)。

在能源嚴(yán)重短缺的背景下,對(duì)建筑圍護(hù)結(jié)構(gòu)熱工參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)變得至關(guān)重要,這不僅有助于減少建筑碳排放,還能提高建筑運(yùn)行階段的熱舒適性。在建筑性能優(yōu)化研究領(lǐng)域,建筑模擬軟件EnergyPlus和TRNSYS等被廣泛應(yīng)用于不同氣候條件下高精度的建筑性能模擬。同時(shí),Matlab和GenOpt也被廣泛應(yīng)用于建筑設(shè)計(jì)優(yōu)化研究,通過(guò)探索大參數(shù)空間,實(shí)現(xiàn)建筑參數(shù)的優(yōu)化[2]。Tavakolan等[3]將Matlab作為優(yōu)化引擎,并將EnergyPlus作為動(dòng)態(tài)能源模擬器,探索3種情景下的最小一次能源消耗和貼現(xiàn)投資回收期。Short等[4]通過(guò)監(jiān)測(cè)典型樓層的室內(nèi)氣溫和能耗,對(duì)中國(guó)現(xiàn)有高層建筑進(jìn)行調(diào)查,并在EnergyPlus中進(jìn)行模擬,提出了可行的節(jié)能低碳策略。因此,本文將EnergyPlus的建筑能耗模擬能力與Matlab的優(yōu)化計(jì)算能力進(jìn)行耦合,來(lái)探索評(píng)估建筑碳排放與室內(nèi)熱舒適性的最優(yōu)條件。

近年來(lái),深度學(xué)習(xí)作為一種靈活準(zhǔn)確的數(shù)據(jù)驅(qū)動(dòng)方法,在建筑性能預(yù)測(cè)領(lǐng)域愈加受到關(guān)注。神經(jīng)網(wǎng)絡(luò)作為一種能夠開發(fā)高精度代理模型的數(shù)據(jù)驅(qū)動(dòng)工具,已廣泛應(yīng)用于建筑性能研究。Wei等[5]結(jié)合盲系統(tǒng)識(shí)別和前饋神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)辦公樓的占用水平和能耗。Rahman等[6]提出了一種遞歸神經(jīng)網(wǎng)絡(luò)模型,能夠在一周多的時(shí)間內(nèi)以1 h的分辨率間隔預(yù)測(cè)商業(yè)和住宅建筑的能耗。因此,本文通過(guò)Matlab神經(jīng)網(wǎng)絡(luò)工具箱生成BPNN,將其作為預(yù)測(cè)模型,構(gòu)建擬合函數(shù)。

在致力于減少建筑碳排放的同時(shí),還需提升建筑室內(nèi)熱舒適度。但由于兩者優(yōu)化目標(biāo)相互沖突,且只存在一組非支配解決方案,因此優(yōu)化算法的選擇顯得尤為重要。Zhai等[7]提出了一種NSGA-Ⅱ和EnergyPlus相結(jié)合的多目標(biāo)優(yōu)化方法,通過(guò)優(yōu)化窗戶參數(shù),以確定平衡熱舒適性。Naderi等[8]綜合EnergyPlus和jEPlus對(duì)智能遮陽(yáng)百葉窗進(jìn)行優(yōu)化,并通過(guò)NSGA-Ⅱ算法實(shí)現(xiàn)多目標(biāo)優(yōu)化。目前,建筑性能優(yōu)化主要采用NSGA-Ⅱ算法,其他算法在該領(lǐng)域應(yīng)用較少。因此,本文旨在綜合比較MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ三種優(yōu)化算法,以確定最佳優(yōu)化方法和建筑參數(shù)。

1 研究方法

為對(duì)建筑數(shù)據(jù)模型實(shí)施優(yōu)化,在Matlab平臺(tái)實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練,并耦合了開源的MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ三種優(yōu)化算法的程序。研究流程如圖1所示。

圖1 研究流程

首先,建立基礎(chǔ)模型,使用SketchUp創(chuàng)建多目標(biāo)優(yōu)化的建筑3D模型,并導(dǎo)入OpenStudio中定義熱區(qū),保存為idf.文件。再利用EnergyPlus打開idf.文件,創(chuàng)建案例基礎(chǔ)建筑模型。將建筑年碳排放量和建筑室內(nèi)熱不舒適時(shí)間定義為優(yōu)化目標(biāo),并從建筑圍護(hù)結(jié)構(gòu)和能源控制系統(tǒng)等方面選取對(duì)建筑碳排放和室內(nèi)熱舒適度影響較大的28個(gè)參數(shù)作為輸入數(shù)據(jù)。

在確定輸入?yún)?shù)后,為保證BPNN預(yù)測(cè)的準(zhǔn)確性,選用多種采樣方法,并比較采樣空間的范圍。分別運(yùn)用eFast,Sobol,LHS,Morris及Random五種采樣方法對(duì)輸入?yún)?shù)進(jìn)行采樣,同時(shí)使用SimLab完成對(duì)數(shù)據(jù)集的采集[9]。采集的樣本將進(jìn)行合理分類,70%的樣本用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),30%的樣本用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。

為縮短仿真時(shí)間,通過(guò)功能強(qiáng)大的參數(shù)化工具JEPlus軟件[10]將SimLab中抽取的樣本自動(dòng)設(shè)置為EnergyPlus的輸入文件,集成啟動(dòng)EnergyPlus進(jìn)行仿真,并收集用戶所需的仿真結(jié)果。然后,將收集的仿真結(jié)果導(dǎo)入Matlab中,用于BPNN的訓(xùn)練與驗(yàn)證,驗(yàn)證可用后的BPNN能夠?qū)蓚€(gè)目標(biāo)函數(shù)進(jìn)行快速準(zhǔn)確的預(yù)測(cè)。將驗(yàn)證后的BPNN作為多目標(biāo)優(yōu)化問(wèn)題的目標(biāo)函數(shù),分別在MatLab中運(yùn)行MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ優(yōu)化算法。最后,保存Pareto最優(yōu)解即為算法的最終結(jié)果。

1.1 研究案例模型

由于高層公寓建筑內(nèi)部熱區(qū)復(fù)雜,因此在EnergyPlus中建立三層高的簡(jiǎn)化建筑模型(圖1)。一樓為建筑底層,考慮地表與地表空氣、對(duì)流換熱與輻射換熱的影響;二樓代表建筑中間層,受室外氣候條件的影響最小;三樓為建筑頂層,考慮屋頂太陽(yáng)輻射熱的影響。

建筑基本信息見表1。空調(diào)、設(shè)備、照明、人員活動(dòng)時(shí)間等信息均基于實(shí)際調(diào)查數(shù)據(jù)。通過(guò)對(duì)16戶居民的實(shí)際居住情況進(jìn)行調(diào)研,并使用K-means算法進(jìn)行聚類,分別得到工作日與休息日兩種情況下的人員在室內(nèi)率曲線[11],如圖2所示。

表1 建筑基本信息

圖2 人員在室率-時(shí)刻表

表2列出了28個(gè)輸入?yún)?shù)的詳細(xì)信息和變化范圍,包括建筑圍護(hù)結(jié)構(gòu)和能源控制系統(tǒng)。選擇這些輸入?yún)?shù)主要基于其對(duì)建筑碳排放和室內(nèi)熱舒適度的共同影響[12-15]。

表2 建筑碳排放與室內(nèi)熱舒適度的主要影響參數(shù)

在確定輸入?yún)?shù)及其變量范圍后,通過(guò)將其進(jìn)行排列組合,總共生成6.354×1017個(gè)案例樣本。再分別使用5種不同的蒙特卡洛采樣方法(包括eFast,LHS,Random,Sobol和Morris)對(duì)總樣本進(jìn)行采樣,不同方法采集的案例樣本數(shù)量均為此方法的最小需求。最后,使用JEPlus平臺(tái)驅(qū)動(dòng)EnergyPlus完成對(duì)案例樣本結(jié)果的模擬收集,輸出為年碳排放總量和年不舒適總時(shí)間。基礎(chǔ)方案為基礎(chǔ)建筑模型所對(duì)應(yīng)輸入?yún)?shù)值的合集。

1.2 定義目標(biāo)參數(shù)

1.2.1 建筑年單位面積碳排放量 以建筑碳排放量與熱舒適度為優(yōu)化目標(biāo),其中,由于輸入變量的改變對(duì)建造及拆除階段的建筑碳排放影響較小,因此僅考慮建筑使用階段所產(chǎn)生的碳排放量。

在計(jì)算運(yùn)行階段碳排放總量時(shí),使用中國(guó)建筑碳排放計(jì)算標(biāo)準(zhǔn):GB/T 51366—2019[15],并根據(jù)不同類型的能源消耗量和碳排放因子來(lái)確定總碳排放量。但由于無(wú)法通過(guò)建筑碳排放的絕對(duì)值比較不同建筑的碳排放強(qiáng)度,因此將碳排放總量轉(zhuǎn)化為每年每單位面積的碳排放量作為目標(biāo)函數(shù),每單位面積的年碳排放量的公式如下:

(1)

(2)

式中:CM為建筑運(yùn)行階段單位面積碳排放量(以CO2計(jì)算),kg·m-2;A為建筑面積,m2;Ei為建筑第i類能源年消耗量,a-1;EFi為第i類能源的碳排放因子;Ei,j為j類系統(tǒng)的第i類能源消耗量,a-1;ERi,j為j類系統(tǒng)消耗由可再生能源系統(tǒng)提供的第i類能源量,a-1;i為建筑消耗終端能源類型;j為建筑用能系統(tǒng)類型;Cp為建筑綠地碳匯系統(tǒng)年減碳量(以CO2計(jì)算),kg·a-1;y為建筑設(shè)計(jì)壽命。

1.2.2 室內(nèi)熱舒適度 使用EnergyPlus中最常用的基于Fanger理論的預(yù)測(cè)平均投票(PMV)方法來(lái)評(píng)價(jià)熱舒適度,該方法的主要依據(jù)為空氣溫度和相對(duì)濕度。室內(nèi)居住者使用動(dòng)態(tài)服裝ASHRAE55模型,活動(dòng)強(qiáng)度默認(rèn)為靜坐,70 W/m2。

由于MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ三種算法的優(yōu)化標(biāo)準(zhǔn)是最小化所有目標(biāo)函數(shù),因此,將目標(biāo)函數(shù)由舒適時(shí)間轉(zhuǎn)化為不舒適時(shí)間。

TN=8 760-TC,

(3)

式中:TC為全年室內(nèi)熱舒適時(shí)間;TN為年度室內(nèi)熱不舒適時(shí)間。

1.3 靈敏度分析

選擇對(duì)建筑碳排放與熱舒適性影響力較大的參數(shù)是提高BPNN精度與效率的重要步驟,靈敏度分析方法能有效量化各參數(shù)的影響力。然而,使用不同的靈敏度分析方法得到的輸入?yún)?shù)靈敏度有所不同[16],因此,本文綜合多種靈敏度分析指標(biāo)量化各參數(shù)對(duì)優(yōu)化目標(biāo)的影響。如表3所示,將不同的采樣方法與靈敏度分析方法相結(jié)合,為每個(gè)輸入?yún)?shù)提供18類靈敏度分析指數(shù)。

表3 靈敏度分析指數(shù)

結(jié)合多個(gè)靈敏度分析指數(shù),綜合靈敏度計(jì)算方式如下:

(4)

式中:SA為不同指數(shù)的靈敏度總值;x為輸入?yún)?shù);n為影響因素的總數(shù);y為輸出目標(biāo)值,包括單位面積建筑碳排放和年室內(nèi)總熱不舒適度小時(shí)數(shù);z表示靈敏度分析指數(shù);SA(x,y.z)為靈敏度分析指數(shù)結(jié)果的值;SAP(x,y,z)為靈敏度百分比。以此建立靈敏度百分比SAP(x,y,z)的搜索矩陣。矩陣的行向量表示同一種靈敏度分析方法但輸入?yún)?shù)不同,列向量表示同一個(gè)輸入?yún)?shù)但靈敏度方法不同。

(5)

(6)

最后,鑒于每個(gè)輸入?yún)?shù)對(duì)碳排放和室內(nèi)熱舒適度的影響同等重要,建筑性能綜合影響力可通過(guò)式(7)計(jì)算:

(7)

1.4 反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證

1.4.1 反向傳播神經(jīng)網(wǎng)絡(luò) BPNN是一種典型的前饋神經(jīng)網(wǎng)絡(luò),圖3是其示意圖,典型的BPNN模型有3層:輸入層、隱藏層和輸出層。輸入層的神經(jīng)元,由經(jīng)過(guò)1.3節(jié)篩選過(guò)后的參數(shù)組成,輸出層的神經(jīng)元是“建筑年單位面積碳排放量”和“室內(nèi)年熱不舒適時(shí)間”。隱藏層的神經(jīng)元數(shù)量由試錯(cuò)法確定,該方法基于BPNN預(yù)測(cè)的平均相對(duì)誤差來(lái)進(jìn)行評(píng)估。選擇最佳隱藏層數(shù)量至關(guān)重要,數(shù)量過(guò)少將導(dǎo)致BPNN存儲(chǔ)信息的容量不足,數(shù)量過(guò)多會(huì)引起B(yǎng)PNN學(xué)習(xí)過(guò)載。

圖3 神經(jīng)網(wǎng)絡(luò)示意圖

1.4.2 模型的訓(xùn)練與驗(yàn)證 樣本中70%的案例用于BPNN的學(xué)習(xí)訓(xùn)練,其余30%用于BPNN的驗(yàn)證。為評(píng)估預(yù)測(cè)模型的準(zhǔn)確性,使用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)和回歸系數(shù)(R2)作為評(píng)估參數(shù),計(jì)算公式如下:

(8)

(9)

(10)

若MAE和RMSE的數(shù)值越低,R2值越高,則表示預(yù)測(cè)值與實(shí)際值越相似[17]。其中,若MAE在逐次迭代中保持穩(wěn)定,則認(rèn)為訓(xùn)練收斂。為提高BPNN的預(yù)測(cè)性能,使用遺傳算法對(duì)BPNN的初始權(quán)重進(jìn)行優(yōu)化,經(jīng)過(guò)29個(gè)階段的訓(xùn)練后,顯示MAE逐漸變小,并不再改變。同樣,BPNN預(yù)測(cè)與EnergyPlus模擬結(jié)果之間的回歸系數(shù)R2接近于1,證明了預(yù)測(cè)模型的可行性。

1.5 多目標(biāo)優(yōu)化問(wèn)題定義

為快速準(zhǔn)確地進(jìn)行算法尋優(yōu),將高精度的BPNN取代傳統(tǒng)的數(shù)學(xué)函數(shù),作為多目標(biāo)優(yōu)化算法的目標(biāo)函數(shù),最小化室內(nèi)熱不舒適時(shí)間和建筑碳排放量,Matlab中執(zhí)行算法時(shí)優(yōu)化問(wèn)題定義如下。

(11)

式中:f1(X)為目標(biāo)函數(shù)碳排放量;f2(X)為目標(biāo)函數(shù)熱舒適度;X=(x1,x2,…,x27,x28)為輸入變量。

分別利用MOEA/E、NSGA-Ⅱ和NSGA-Ⅲ三種優(yōu)化算法進(jìn)行多目標(biāo)優(yōu)化,搜尋最佳解決方案。

2 結(jié)果與分析

2.1 采樣方法分析

分別使用5種采樣方法對(duì)輸入?yún)?shù)進(jìn)行采樣,結(jié)果如圖4所示。

圖4 采樣結(jié)果

由圖4可知,5種采樣方法表現(xiàn)各有差異。其中,Sobol模擬采樣數(shù)據(jù)與其他方法相比具有不同的分布,沒(méi)有明確的質(zhì)心。Random模擬采樣數(shù)據(jù)分布最均勻。Morris分析方法與其他方法不同,每次采樣依次僅改變一個(gè)參數(shù),每個(gè)參數(shù)采樣一次,在模擬中僅進(jìn)行了270次采樣,樣本數(shù)量較小,但同樣具有適用的搜索空間。LHS模擬采樣與Random采樣分布相似,但LHS具有最寬的變化范圍,單位面積年碳排放量的范圍為46.84～93.85 kg·m-2;室內(nèi)熱不舒適時(shí)間范圍為2 001.33～3 113.56 h。

2.2 靈敏度分析

綜合18種靈敏度分析指標(biāo)后,各個(gè)輸入?yún)?shù)對(duì)碳排放與熱舒適度的影響力排名如圖5所示。由圖5可知,在使用拉丁超立方采樣LHS和隨機(jī)采樣Random時(shí),PEAR,SPEA,PCC,PRCC,SRC和SRRC的分析指數(shù)結(jié)果相似,但PCC和PRCC對(duì)冷熱啟動(dòng)點(diǎn)、滲透速率、窗墻比等排名靠前的參數(shù)的影響力相差不大。Smirnov對(duì)不重要影響參數(shù)的評(píng)價(jià)過(guò)高,例如水平遮陽(yáng)板距離外窗的高度、屋面太陽(yáng)吸收率等。Fast和Sobol對(duì)影響參數(shù)的區(qū)分度較大,最大值與最小值之間存在顯著差異,其中,制冷啟動(dòng)點(diǎn)的影響百分比高達(dá)33.98%,而不重要的影響參數(shù)卻接近于零。eFast的供熱啟動(dòng)點(diǎn)與其他方法的值相比差異較大,影響力百分比較低,而屋頂隔熱的影響程度較高。Morris分析方法有別于其他方法,每次采樣依次僅改變一個(gè)參數(shù),每個(gè)參數(shù)采樣一次,在模擬中僅進(jìn)行了270次采樣,但其靈敏度分析結(jié)果與1.3節(jié)中提出的綜合靈敏度方法的結(jié)果十分相似。

圖5 輸入?yún)?shù)靈敏度百分比排名

利用18種靈敏度分析方法分別評(píng)估各參數(shù)對(duì)碳排放與熱舒適度的影響,并將各方法所得影響力取平均值,按降序排列,其結(jié)果見圖5最后一列。后續(xù)研究將去除平均影響力較小的9個(gè)輸入?yún)?shù),包括南窗懸垂高度、表面太陽(yáng)輻射吸收率、東西窗鰭片深度、西向窗墻比、東西窗鰭片高度及東西窗傳熱系數(shù)U。

2.3 采樣分析與BPNN模型驗(yàn)證

為提高預(yù)測(cè)模型的準(zhǔn)確性和效率,在建立BPNN預(yù)測(cè)模型時(shí),分析比較了不同抽樣方法的準(zhǔn)確性,其結(jié)果如表4所示。

表4 BPNN預(yù)測(cè)準(zhǔn)確性

由MAE,RMSE和R2三類指標(biāo)結(jié)果可知,應(yīng)用LHS抽樣方法的BPNN預(yù)測(cè)性能表現(xiàn)最優(yōu),其他抽樣方法對(duì)應(yīng)的BPNN模型預(yù)測(cè)性能相對(duì)較弱。因此,在建立BPNN建筑性能預(yù)測(cè)模型時(shí),利用LHS抽樣所得的訓(xùn)練數(shù)據(jù)集可在最大程度上提高BPNN的準(zhǔn)確性。

2.4 算法優(yōu)化

將BPNN模型作為目標(biāo)函數(shù)分別代入MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ算法進(jìn)行多目標(biāo)優(yōu)化,3種優(yōu)化結(jié)果的帕累托前沿如圖6所示。優(yōu)化結(jié)果表明,MOEA/D相較于其他兩種算法,其帕累托前沿存在一定差異,在優(yōu)化過(guò)程中搜索空間較小,在建筑領(lǐng)域的優(yōu)化效果弱于NSGA-Ⅱ和NSGA-Ⅲ,而NSGA-Ⅲ的優(yōu)化效果與優(yōu)化性能高于NSGA-Ⅱ。因此,選擇NSGA-Ⅲ作為最佳優(yōu)化方法。基本值為1.1節(jié)中所建立的基礎(chǔ)建筑模型計(jì)算所得碳排放與熱舒適度值。

2.5 帕累托詳細(xì)值

通過(guò)最佳優(yōu)化算法NSGA-Ⅲ對(duì)建筑模型進(jìn)行優(yōu)化,結(jié)果由表5可見,可為建筑設(shè)計(jì)提供全生命周期減碳的設(shè)計(jì)數(shù)值。

表5 帕累托詳細(xì)值

由表5的帕累托最優(yōu)解可見,在最優(yōu)碳排放方案中,年單位面積碳排放量降低了27.3%,熱不舒適時(shí)間減少了3.5%。在最優(yōu)熱不舒適時(shí)間方案中,年單位面積碳排放量增加了14%,熱不舒適時(shí)間減少了27.5%。設(shè)計(jì)師可以權(quán)衡需要,在帕累托集中選擇合適的方案。

結(jié)合圖6和表5可知,長(zhǎng)沙地區(qū)建筑最佳朝向的不是正北朝向,而是北偏東3°至5°,與基礎(chǔ)點(diǎn)相比較,4個(gè)方向的窗墻比在優(yōu)化之后均減少,且接近約束下限,說(shuō)明在滿足室內(nèi)自然采光的條件下,較低的窗墻比可以有效降低建筑碳排放,提高室內(nèi)熱舒適度;當(dāng)需要室內(nèi)熱舒適度最大化時(shí),北窗的太陽(yáng)得熱系數(shù)(SHGC)應(yīng)盡可能高,減少東向垂直遮陽(yáng)。當(dāng)建筑碳排放量最小時(shí),西窗的太陽(yáng)得熱系數(shù)應(yīng)盡可能低,東窗的太陽(yáng)得熱系數(shù)盡可能高,并加強(qiáng)西向的垂直遮陽(yáng),將各方向窗口傳熱系數(shù)設(shè)置相同且盡可能低;在保證建筑室內(nèi)空氣更新的前提下,建筑的氣密性應(yīng)該盡可能高;建筑表面的太陽(yáng)吸收率最佳值與初始基礎(chǔ)值相比明顯減少,特別是屋頂和東墻,建議使用高反光涂層材料。

圖6 帕累托前沿

3 結(jié)論

為減少建筑碳排放量,增加室內(nèi)熱舒適度,提出一種基于反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)與優(yōu)化算法相結(jié)合的綜合優(yōu)化框架。首先,運(yùn)用5種抽樣方法采集樣本,為BPNN提供全面與高效的訓(xùn)練學(xué)習(xí)樣本,運(yùn)用綜合靈敏度分析方法篩除低影響力參數(shù),根據(jù)多類指標(biāo)評(píng)價(jià)BPNN模型不同訓(xùn)練學(xué)習(xí)樣本下的預(yù)測(cè)精度。其次,將最佳BPNN模型分別與MOEA/E,NSGA-Ⅱ和NSGA-Ⅲ相結(jié)合進(jìn)行多目標(biāo)優(yōu)化,對(duì)其優(yōu)化結(jié)果進(jìn)行對(duì)比分析后確定性能最佳的優(yōu)化算法。最后,將前文選擇的最優(yōu)架構(gòu)應(yīng)用于長(zhǎng)沙市公寓樓,驗(yàn)證了該方法的有效性。得到以下結(jié)論:

1) LHS抽樣方法可獲得全面且高效的數(shù)據(jù)集,以供BPNN實(shí)現(xiàn)高精度預(yù)測(cè),R2可以達(dá)到0.977,RMSE為2.309。

2) 基于帕累托前沿的比較分析,NSGA-Ⅲ的優(yōu)化性能高于NSGA-Ⅱ和MOEA/E,NSGA-Ⅲ擁有更大更廣泛的搜索空間,但目前其在建筑領(lǐng)域應(yīng)用不廣泛。

3) 論文提出的最優(yōu)碳排放建筑構(gòu)造參數(shù),與測(cè)試的基礎(chǔ)建筑相比較,全年建筑單位面積碳排放量減少27.3%,熱不舒適時(shí)間減少3.5%。表明所提方法在減少建筑碳排放和提高熱舒適度方面具有較好效果。