基于數值模擬的建筑設計優化研究綜述

于水, 李思堯, 劉雪研, 姚鈺鋒

(沈陽建筑大學市政與環境工程學院, 沈陽 110168)

能源消耗過大,碳排放量超標,一直是困擾世界各國發展的難題。建筑能耗在所有能源消耗中占很大比例,2018年,中國建筑全壽命周期能耗總量為21.47 億t,占全國能源消費總量的比重的46.5%,建筑碳排放量占總碳排放量的51.2%,并且這個趨勢還在逐年增加,2005—2018年,年增長速度為6.6%[1]。據美國能源署統計,近20年美國的建筑能耗在社會總能耗的占比也增加了約10%,并且預測這一趨勢在2035年將增長15.86%[2]。通過節能優化設計降低建筑能耗以及碳排放逐漸成為一種主流的趨勢,越來越多的學者投入建筑優化設計的研究當中。許多國家制定了相關標準和評價體系[3-8],如英國的建筑研究環境評估法、日本的建筑物綜合環境性能評價體系、美國的能源與環境評估標準、德國的可持續建筑評估體系、新加坡的綠色建筑標志,中國新制定的《綠色建筑評價標準》等。建筑節能優化設計本質上就是在其建筑物原有的基礎上進行改造,以最小的代價獲取建筑物某些性能最大的提升,優化方法主要用于新建筑的初步設計階段或建筑改造。這一過程需要大量的數學理論知識為鋪墊,包括優化算法的開發及選擇、目標函數的約束、優化變量的設置、迭代的過程等。因此,21世紀初開始,隨著計算機技術的發展與普及,以及數學與建筑等多交叉學科的深入研究,中外學者將數值模擬優化應用到建筑優化當中,建筑優化領域有了快速的發展,不僅有大量的算法被開發出來,越來越多的模擬引擎,優化工具也被研發出來,如TRNSYS(transient system simulation program)、eneryplus、design builder、building energy optimization(BEopt)、DOE-2、清華大學研發的DEST、中國建筑科學研究院的PKPM等軟件[9]。建筑優化設計的體系越來越完善,流程也越來越統一,技術也越來越趨于成熟。因此,基于建筑數值模擬優化研究,現在從優化研究的主要階段,優化平臺和優化算法3個大的方面展開討論,以期為該領域的研究提供一些參考和借鑒。

1 基于模擬優化研究的主要階段

建筑節能優化問題的方法與技術是多種多樣的,優化過程和優化程序也是不盡相同的,然而這只是在一些細節方面的差異。Evins等[10]通過變量篩選、初始優化、詳細優化和推導結果4步進行優化,Lee[11]采用其他多步優化方案。從本質上來說,大多數模擬優化研究的主要程序與主要階段是大致相同。圖1[11]為耦合系統應用于建筑性能研究中基于模擬的優化流程圖。表1[11]為優化研究主要階段的任務。從預處理階段、優化階段、后處理階段進行詳述。

表1 優化研究主要階段的任務[11]Table 1 Tasks of the main phases of the optimization study[11]

圖1 基于建筑模擬優化的流程圖[11]

1.1 預處理階段

預處理階段是一個很重要的階段,對優化的成功與失敗有著關鍵的作用,在該階段中,最主要的任務是進行優化問題的表述,這項任務對于設計者來說,要求很高,不僅要求其對建筑科學領域有著深入的了解,還要求設計者有著豐富的數學優化知識,如優化算法的選擇,優化變量的設置,目標函數的控制等,以及對計算機編程的掌控。同時值得注意的是,要優化的建筑模型應該適度的簡化,這樣可以使一些復雜的模型運行起來既節省時間,又避免了太多運行錯誤的發生;但是也不能過于簡單,不然可能脫離實際的建筑模型。Magnier等[12]提出了一種新的基于人工神經網絡,并且與多目標遺傳算法相結合的優化方法,經過訓練與驗證,較于傳統的優化方法仿真時間大大縮減。

1.2 優化階段

在優化階段中設計者及分析人員的主要任務是判斷優化結果的收斂性,并且檢測在整個優化過程中可能出現的錯誤。因此判斷優化算法的收斂行為和盡可能的找出或者避免錯誤是優化階段的核心。

優化過程中的“收斂”一般表示得到了最終解,但是優化收斂也并意味著優化成功。在優化階段,對于不同優化算法的收斂行為,收斂速度是一個很重要的研究領域。Wetter等[13]提出了一種模型自適應精度廣義模式搜索GPS(global positioning system)算法,該算法具有自適應精度代價函數評估,以加快優化中的收斂速度。該算法與原始的GPS胡克算法相比,其方法平均可以獲得相同的性能,并將CPU時間減少65%。Wright等[14]在3個不同種群大小(分別為5、15、30個體)的情況下,對遺傳算法(genetic algorithm GA)不同設置的魯棒性進行了敏感性分析,結果表明,5個體的種群規模比兩個較大的種群具有更高的收斂速度,并且實現了更低的成本函數。在優化過程中出現錯誤是不可避免的,這些錯誤可能來自不可行的變量組合,輸出讀取錯誤等。所以在優化之前進行參數化仿真的測試可以減少這種錯誤的發生。文獻[15]將優化研究分為簡單優化和詳細優化兩個階段,可以研究各種能源需求響應模型和建筑設計情況。

1.3 后處理階段

在這個階段,一個主要任務是將優化數據解釋為圖表,表格,這樣可以最直觀的讀取最優解決方案的有用信息。文獻[16]中指出,散點圖是使用最多的類型,還有學者采用柱狀圖、平行坐標圖。

另一個任務是驗證通過優化找到的解決方案是否具有高可靠性或魯棒性,Hasan等[17]使用蠻力搜索(窮舉搜索)方法來測試GenOpt找到的最優是否真的是最優。他們得出的結論是,GenOpt解是最優解,非常接近全局最優解,因為它們也是從蠻力候選解的最優集中找到的。Eisenhower等[18]比較了替代模型和“原始”EnergyPlus模型的可靠性優化結果。得出的結論是,使用代理模型的優化與在循環中使用EnergyPlus進行優化獲得的結果幾乎相同(就數值質量而言)。

2 優化平臺

以上提到的這些工作流程,無論是哪個階段,都需要在一個模擬平臺上才能實現,設計人員可以在上面建立能源耦合系統,詳細的工作流程,以及設置一些參數,運用一些優化算法等,并且還能以圖表,折線圖等直觀形式進行輸出。目前來說,優化工具可以大致分為三大類：自定義的算法優化平臺,通用的優化平臺以及為建筑設計專門優化用的平臺。

2.1 自定義編程算法平臺

自定義編程算法平臺需要設計人員有著高級編程技能,能夠運用自己編寫的計算機程序實現能源的模擬和優化,這類優化平臺的特點是難度較高,但是適用性很靈活,能夠完全按照設計人員的想法去實現模擬。Fesanghary等[19]利用C++語言編譯了一種基于和諧搜索算法的多目標優化模型,以尋求最優的建筑圍護結構設計,使生命周期成本和排放最小化,并且該模型在美國的一個典型用戶住宅得到了驗證,以及得到了一系列帕累托最優解,有助于設計者更好地理解經濟性能與環境性能之間的權衡關系。Wang等[20]利用C++語言編譯了一種框架,該框架通過實現遺傳算法來解決無約束和約束的單目標優化問題,以及無約束的多目標優化問題,從而解決了綠色建筑設計優化問題的許多特定特征。Saporito等[21]則是用Fortran語言編寫了一種熱仿真代碼APACHE (IES-FACET)進行了一項多參數研究,減少了測試的次數,可以很好地評估各種功能的相對節能性。AL-Homoud[22]使用Fortran語言開展一種優化模型的開發和驗證,該模型利用直接搜索優化技術與每小時建筑能源模擬程序相結合,實現了建筑圍護結構的最佳熱設計。

2.2 通用優化平臺

MATLAB、modeFRONTIER、Genopt是用于建筑節能優化設計的3個主要通用平臺。相對于后兩個平臺,MATLAB有一些其他額外的功能,可以連接excel,使用數據庫進行數據分析,有繪圖函數,曲線擬合函數,圖形用戶界面等功能。Petri等[23]開發了一種大型建筑節能模塊化優化模型,該模型以MATLAB為平臺,基于人工神經網絡(artificial neutral network, ANN)的優化模塊尋找最佳配置。Asadi等[24]將能源仿真程序TRNSYS與MATLAB開發的Tchebycheff 優化算法相結合,為建筑改造執行多目標優化任務。葉家盛等[25]以MATLAB為平臺,對儲能建筑的分布式能源系統進行優化調度,發現可以使其總費用有所降低。該研究最大的創新在于根據峰谷電價政策,采用了建筑儲能的調度方式,并且目標函數引入了環境費用,約束條件相較于前人的單一條件約束很充分,同時新引入蓄電池約束這一條件。王瑞祥等[26]以MATLAB對建筑的太陽能熱管式PVT(photovoltaic thermal technology)系統優化,得出最優傾斜角。該研究不同于以往的學者對單一PVT集熱器進行數學建模再優化,以水箱、PVT集熱器、逆變器、蓄電池組成一個系統進行數學建模再優化,PVT集熱器在加熱水箱中的低品位水時,不僅實現了熱水供應,低品味水也給PVT表面降溫,提高了其工作效率,同時兼并發電蓄電,實現了最大程度的能源利用與成本節約。

Genopt也是常用的優化工具GenOpt是由外部模擬程序評估的成本函數最小化的通用優化程序,被用于許多優化研究,任何從文本文件讀取輸入并將其輸出寫入文本文件的模擬程序相結合,由美國的勞倫斯伯克利國家實驗室開發同,它目前包括EnergyPlus、TRNSYS、Dymola、IDA-ICE和DOE-2和Radiance[27]的示例,如圖2[27]所示,Genopt與仿真程序的對接。Taheri等[28]選擇GenOpt,使用混合廣義模式搜索和粒子群優化算法,得到了現有大學建筑的標定仿真模型。Salvatore等[29]在GenOpt中開發了一種優化程序來支持舒適優化凈零能耗建筑的設計。Hasan等[30]將建筑性能模擬程序與GenOpt相結合,找到了建筑結構和HAVC(heating,ventilation,and air conditioning)系統中5個選定設計變量的優化值。Genopt自帶許多算法,進行優化時可以直接使用,非常簡便,包括用于一維最小化的黃金分割和斐波那契算法、Nelder和Mead的單純形算法、離散Armijo梯度算法、胡克(Hook-Jeeves)算法和坐標搜索法(這是一種模式搜索算法)。粒子群優化(particle swarm optimization PSO)算法,以及與胡克算法的混合PSO算法。該程序的源代碼是提供的(在JAVA中),并且可以向其庫中添加更多的優化算法。Machairas等[31]以此實現了簡單的遺傳算法、多目標遺傳算法、同步并行模式搜索算法和混合算法。GenOpt能夠提供并行處理能力,過濾已經評估的函數,網格生成器和參數搜索[32]。曾乃暉等[32]使用TRNSYS搭建系統,并且使用Genopt中的Hook-Jeeves算法對集熱面積、集熱傾角、水箱容積及熱泵功率4個變量進行了同步優化,運行過程收斂,整個系統COP有了明顯提高,全年運行費用減少,并且還指出這4個變量對系統全生命周期成本影響大小的優先級。孫銳等[33]提出一種空氣源熱泵供暖系統運行優化策略,并且通過TRNSYS中的Genopt模塊,調用粒子群算法,以熱源系統整體能耗最低為目標進行耦合變量尋優,經過模擬,使整個系統的性能系數(coefficient of performance,COP)提高9%。馬曉豐等[34]建立了太陽能-空氣源熱泵系統,基于TRNSYS建立系統,通過Genopt平臺選用Hook-Jeeves算法,以系統的費用年值為優化目標,對系統內的太陽能集熱器面積,集熱器傾角,集熱器方位角,蓄熱水箱體積,空氣源熱泵機組額定制熱量進行優化計算,發現優化后的系統供暖效果不錯,供暖溫度穩定,經濟性好。

圖2 Genopt與仿真程序的對接

modeFRONTIER這類優化平臺沒有Genopt使用廣泛,中國學者用的很少,該類平臺能夠使用戶創建基于模型的工程框架來執行仿真和優化,其優勢是包含大量優化算法。Flager等[35]回顧了幾種商業上可用的PIDO(過程集成設計優化)軟件框架,并選擇ModelCenter來優化教學樓的能源性能。Manzan[36]利用modeFRONTIER優化了辦公室的外遮陽設備的設計,該辦公室有一個窗戶和不同的玻璃特性,考慮到加熱、冷卻和照明的能源消耗。

2.3 建筑設計專用優化工具

這類優化工具能夠與仿真程序以及一些相關軟件結合,專門為進行建筑節能設計優化而開發的。Charron等[37]提出基于TRNSYS的遺傳算法(genetic algorithm,GA)的早期設計工具。Chantrelle等[38]提出一種用于建筑翻新優化的多目標優化工具：MultiOpt。MultiOpt有一個圖形用戶界面,它可以與TRNSYS耦合,調用多目標遺傳算法和環境數據庫。Tuhus-Dubraw等[39]開發了ParaGen,可用于多目標優化設計。ParaGen結合參數化建模、性能仿真軟件和遺傳算法來探索設計方案。BEopt是以DOE-2或者EnergyPlus為模擬引擎,以順序搜索方法作為優化算法的優化工具,有易于使用的圖形用戶界面,并且能夠識別多個接近最優的設計。馬添水等[40]以Energyplus與MATLAB結合,研究建筑冷負荷對綜合能源系統的影響并進行優化,該研究不同于已有研究成果僅考慮典型日的方案,還考慮了負荷動態下變化的情形,建立包含光伏發電,冷熱電聯產,蓄冷制冰系統的多能源耦合綜合系統數學模型,約束條件不僅有常規的流量,冷負荷約束條件,更是引進機組的各種任務分配約束,運行模式約束,結果更加精準。Griego等[41]使用BEopt軟件對薩拉曼卡的住宅建筑進行優化。Anderson等[42]使用BEopt軟件探索零峰值冷卻需求的新住宅設計。

綜上所述,這三類優化工具在使用時各有利弊。第二類通用優化平臺使用起來最方便,可以直接選擇眾多算法,建立工作流程,有可視化的界面。專門為建筑設計而開發的優化平臺使用也很方便,但是局限性很強,只能在很少的領域內應用。自定義算法平臺功能強大,分析優化能力也很強,但是計算機編程能力要求較高,使用的人不多。目前來說,中國大部分學者在進行優化時以都以Genopt為主,也有少部分人選擇designbuilder,這是在energyplus上進行開發的一個優化軟件,但是相比于優化,該軟件被運用到能耗模擬的案例更多。表2[19-25,28-36,38-46]為優化平臺總結。

表2 優化平臺總結[19-25,28-36,38-46]Table 2 Summary of optimization platform[19-25,28-36,38-46]

3 優化算法

優化算法的選擇是整個優化過程關鍵的一個環節,設計人員選擇一個合適的優化算法,不僅可以在優化迭代過程中節省時間,還能準確地到達預設計目標。優化算法的選擇取決于需要解決的問題。在各式各樣的建筑設計優化中,人們也總結掌握了大量的優化算法,優化算法大致可以分為三類：進化算法、無導數搜索算法、混合算法。

3.1 進化算法

進化算法中,GA算法和粒子群優化算法(particle swarm optimization,PSO)是廣泛使用的兩種算法,尤其是遺傳算法,許多設計人員基于該算法開發了大量其他算法,使優化結果更加貼近優化目標。

3.1.1 遺傳算法

遺傳算法是一種基于群體的算法,它能有效地處理具有不連續性和許多局部極小值的非線性問題。Tusus-Dubrow等[39]耦合遺傳算法到DOE-2模擬引擎,如圖3[39]所示。

圖3 遺傳算法與DOE-2仿真引擎耦合流程圖[39]

Coley等[43]將基于群體的遺傳算法與動態熱模型結合,用于識別大量明顯不同的低能耗設計,然后將這些設計以視覺摘要的形式呈現給用戶,以便對潛在用途進行判斷,減少每年的能源消耗。Rakha等[47]基于遺傳算法開發了一種優化天花板形態的程序,有助于生成和查找曲線和網格天花板形式,最大限度地提高日光均勻性比,為設計人員提供了一種精確找到最佳天花板幾何形狀和形式的方法。Caldas等[48]開發了一種基于非支配和擁擠排序遺傳算法的微遺傳算法程序構建設計優化程序,用于建筑結構的優化。李濤等[49]基于遺傳算法,建立了一套綠色建筑優化設計的模型,以最低能耗和最低成本為目標函數,能夠提供多種優化設計方案。邵曉跟等[50]針對傳統遺傳算法過早收斂,尋優效率低等缺點,從適應度值函數標定和群體多樣化兩個方面改進了遺傳算法,并且以質量最小為目標函數,對建筑結構進行優化。

3.1.2 粒子群優化算法

粒子群優化算法是另一種常用的優化算法,其與遺傳算法優化的側重點有些不一樣,并且該算法可以在TRNSYS中的Genopt程序中直接調用。Rapone等[51]使用粒子群優化算法對辦公室幕墻立面進行優化,找到最大限度地減少操作產生的碳排放的方案,并且還研究了不同遮陽裝置和氣候的影響。孫銳等[33]也采用粒子群優化算法對空氣源熱泵系統進行研究,對熱泵出水溫度,水泵頻率這對相互耦合的變量進行尋優,提高了系統的熱性能,降低了能耗。吳洲等[52]提出了一種基于粒子群優化算法的節能綜合控制,通過尋找窗簾開啟的最優角度,調節高精度電動窗簾滿足室內光環境需求,降低照明能耗,同時將日射得熱引起的空調冷負荷降到最低,使整體效能最佳,從而提高系統的效率。

遺傳算法較于粒子群優化算法更廣泛地應用在建筑節能優化設計中,可能原因在于：遺傳算法有可以同時處理離散變量和持續變量的能力,在處理不連續和多約束問題時有優勢,適合解決多目標優化問題(當前的建筑節能優化中一般都是多目標優化問題)。

3.2 無導數搜索方法

無導數搜素方法最主要的算法是直接搜索法,直接搜索法也分為好多種,但其本質都是使用特定規則在所有解中進行搜索,找到最優解,其要求目標函數都是連續的。

3.2.1 Hook-Jeeves算法

Hook-Jeeves(胡克)算法是一種直接搜索法,該算法通過比較目標函數的大小來移動迭代點,收斂速度快,適應性強[33],該算法也可以在Genopt直接調用。武振東等[53]以生命周期經濟成本為目標函數,以水箱容積,太陽能集熱器面積,生物質鍋爐額定功率,集熱器傾斜角為優化變量,調用Hook-Jeeves算法對一種生物質能供暖系統進行優化研究,使得優化后的系統生命周期經濟成本降低了17.8%。譚心等[54]使用Hook-Jeeves算法對一種太陽能-熱泵耦合系統的3個循環回路的流量進行了優化研究,以供暖季總運行成本為優化目標,同時引進熱舒適指標為懲罰函數,使優化后的系統運行費用降低了21.5%。也有其他學者使用該算法以全生命周期成本,綜合投資費用,費用年值等為目標函數,設置熱泵系統COP(coefficient of performance),地源熱泵地埋管的數量,深度,供回水溫差等為優化變量對供暖系統進行優化[55-60],均使供熱系統性能有所提升。Wetter等[60]比較了Hook-Jeeves算法和遺傳算法在優化建筑能耗方面的性能,遺傳算法更占優勢。

3.2.2 正交實驗法

正交試驗法是另一種比較常用的無導數搜索方法,Gong等[61]將正交試驗法與清單法結合,提出一種新的搜索方法,以每個城市的7項被動設計措施為優化變量進行設計,可大大降低城市的建筑年熱負荷。Saporito等[62]在此基礎上提出一種新的算法：全局優化格法,可以減少試驗的次數,加快優化進程。易兒易等[63]將仿真模擬與正交試驗法結合,針對圍護結構提出一種新的調度優化策略,采用窗墻比、外窗、遮陽、外墻、屋面5個主要因素在4個不同朝向工況下進行正交實驗,得出穿墻比、外窗、遮陽3個要素影響最為明顯,然后在3種不同水平下正交試驗分析優化,通過實驗對比得出改策略在常見的圍護結構下效果很強。文獻[64-66]采用正交試驗法,以太陽能保證率,費用年值為評價指標,針對集熱器面積,安裝傾角,水箱容積等因素,確定最佳優化組合,最優系統。文獻[67]引入更多的因素,進行冷熱量需求的預測,建筑空間的節能設計。

無導數搜索法適用于一些比較簡單的優化,很難處理比較復雜的過程。胡克算法一般適合研究特定的系統,優化一些特定的物理量,包括體積、數量、溫差、面積、系統COP等,迭代次數都在500次以下,優化的目標只能以最小值的形式體現出來,設置目標函數時常常會引入懲罰函數作為約束的條件。正交試驗法在優化變量的同時,還能體現出每個因素的權重優先級,這與使用加權和函數在進行多目標優化時很像。在進行正交試驗設計時,對主要影響因素的篩選,選擇合理的評價指標會減少試驗的次數。

3.3 混合算法

混合算法是一種多種算法組合起來的算法,以進化算法與直接搜索法的組合居多。粒子群優化算法+Hook-Jeeves算法的混合算法已在Genopt中實現,可以直接應用,Hasan等[17]使用這種混合算法來實現獨立住宅的最小化生命周期成本。Juan等[68]使用一種A*圖搜索算法與遺傳算法相結合的混合算法,開發出一個綜合決策支持系統,可以對建筑物進行可持續改造,分析所有可能的翻新行動及其權衡,選出最優方案。K?mpf等[69]提出一種基于協方差矩陣自適應進化策略與混合差分進化算法的混合算法,主要用來太陽輻射能的優化。

優化算法性能的優劣并不在于算法的本身,而是取決于所要解決建筑問題的類型,不同的算法在解決同一類型問題時效果有明顯的差距,在進行建筑設計或者改造問題上選擇合適的算法才是關鍵。以上算法各有優劣,在優化參數較多時,遺傳算法比粒子群優化算法更有效[41],在建筑能耗模擬方面,遺傳算法性能優于Hook-Jeeves算法,在解決基準函數和項目管理問題時,粒子群優化算法更占優勢[70-71]?？偟膩碚f,在改進目標函數的不連續性和局部尋優時,無導數搜索算法非常適合;在處理約束條件多的問題時,其他算法更適合。

4 結論

將計算機模擬技術應用到建筑優化領域的前景非常廣闊,潛力巨大。遵循科學的研究流程,掌握運用合適的優化工具以及優化算法,會使優化效果有著顯著的變化?；跀抵的M的建筑優化技術可提升的空間還很大,能夠改進的缺陷還很多,能夠加快優化進程,提升優化效率,更貼近優化目標的因素也不僅限于文中提到的,優化變量的設置與數量選擇,目標函數的約束等也很重要。得出以下結論。

(1)從優化工具方面來說,雖然種類繁多,但是其各有優勢,善于解決的問題都不一樣,如果優化同一個建筑物或者系統的不同性能時,可能得使用多個優化軟件才能達到滿意的效果,加上不同優化平臺對初學者的要求差距也很大,會大大增加優化的難度和時間,因此在未來需要開發出包容性更強,功能更為強大的平臺：能夠提供多種類型的算法,與其他優化平臺或者模擬引擎有通用的接口,同時處理連續和離散的變量,提高優化的精度,能夠自動處理目標函數的約束等。

(2)目前來說,已經有大量算法被開發出來,但是對算法的總結以及適用性分類研究還很少,以后可以研究不同的算法最適合解決哪些問題,哪些算法與哪些優化變量,目標函數,懲罰函數等匹配最為合適。

(3)優化研究的3個主要階段可以再根據實際情況再加入詳細的流程圖,在預處理階段,可以根據目標建筑物是新的設計優化還是改造,翻新設計優化;是工業建筑還是民用建筑(建筑物類型),處理的問題屬于多目標優化還是單目標優化進行分類預設計。在優化階段,可以預估下每步的模擬時間,是否需要使用代理建筑模型代替復雜或者成本高的實際建筑模型等。在后處理階段,可以增加如何運用SPSS等軟件進行數據的分析與處理。

(4)目前,中國針對建筑模擬優化的平臺還是很少,大多數需要借助外國平臺或者軟件進行研究,DEST還是以能耗模擬研究為主,優化功能還待完善,可以專注于優化平臺的開發;基于當下中外研究的成果,中國城市化的進程,可以將研究方向聚焦于一些既有建筑的改造方面,如考慮更加貼切的優化算法,包含多種優化變量,約束條件的綜合方案等。