[论文分享]Research on multi-objective energy optimization design for multi-story residential buildings in Suzhou region based on artificial neural networks
📃 基本信息
[论文标题]《基于人工神经网络的苏州多层住宅建筑多目标能耗优化设计研究》
[期刊信息] Case Studies in Thermal Engineering (2025) | 作者: Zhongcheng Duan, Leilei Wang, Binhao Li, Gang Yao
📌 一句话概括
该研究基于人工神经网络和NSGA-III算法，对苏州多层住宅建筑的能耗、热舒适性及碳排放进行多目标优化，实现显著的性能改善。
📚 深度总结
本研究针对中国寒冷地区住宅建筑普遍存在的能耗高、热舒适性差和温室气体排放量大等问题，提出了一个基于人工神经网络（ANN）和非支配排序遗传算法III（NSGA-III）的多目标优化框架，以协同优化住宅建筑的年总能耗（TED）、不舒适小时数（DH）以及全生命周期二氧化碳排放（LCCO2）。
研究背景指出，尽管中国城镇化进程加速，但建筑能耗和碳排放问题日益突出，特别是住宅建筑面临冬季保温和夏季防热的双重挑战。现有研究多侧重于单一能耗优化或办公建筑，且多目标数据转换面临平台集成挑战。本研究旨在填补这些空白，将能耗、热舒适和碳排放作为同等重要的优化目标。
研究方法层面，首先选取了一栋位于中国气候分区IIA（寒冷地区）的典型苏州多层住宅建筑作为研究对象，在DesignBuilder中建立其模拟模型。通过敏感性分析（采用Morris方法，生成280个样本）确定了14个关键优化变量，包括建筑朝向、空调设定温度、窗墙比、玻璃U值、遮阳深度、玻璃太阳得热系数、墙体和屋顶保温层厚度以及空气渗透率。随后，利用拉丁超立方抽样（LHS）方法生成5000个案例样本，通过JePlus进行批处理模拟，获取数据用于训练和验证ANN代理模型。该ANN模型在MATLAB中构建，包含14个输入神经元、15个隐藏神经元和3个输出神经元，经测试其预测精度高（例如TED的R值达0.998）。最后，将训练好的ANN模型作为NSGA-III算法的适应度函数，进行多目标优化，生成200个帕累托前沿解集。通过VIKOR方法对这些解集进行决策分析，选出最终的折衷优化方案。
关键发现显示，与原始设计（TED 50 kWh/(m²·a)，DH 5293 h，LCCO2 885 kg/m²）相比，优化后的帕累托解集在TED、DH和LCCO2方面均实现了显著改善，优化范围分别为39.9%-49.6%、6.8%-14.1%和22.1%-32.4%。最终选定的折衷方案（VIKOR结果）显示，年总能耗降低了45.8%（至27.116 kWh/(m²·a)），不舒适小时数减少了12.2%（至4643.430 h），全生命周期碳排放降低了28.0%（至637.330 kg/m²）。具体优化参数包括将建筑朝向调整至10.91°，冷/暖气设定温度分别设为28°C/18.02°C，南向窗U值为0.69 W/m²·K，南向窗墙比为44.98%，墙体XPS保温层厚度增加到0.16米，屋顶MW保温层厚度增加到0.29米，以及空气渗透率保持在0.48 ACH。
实际应用价值方面，本研究为苏州地区的多层住宅建筑节能改造和新建项目提供了具有当地适应性和工程可行性的具体设计参数指导。研究成果可作为制定地方绿色建筑和近零能耗建筑标准的量化依据，促进理论建模与实际工程应用的结合。研究局限性在于，受限于PMV-PPD模型在非恒定或自然通风条件下的表现，未能充分反映个体热感知，以及实际运行环境的复杂性可能影响优化精度。未来研究将探索纳入自适应热舒适模型，并集成真实运行数据。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 多目标优化，人工神经网络（ANN），非支配排序遗传算法III（NSGA-III），拉丁超立方抽样（LHS），敏感性分析（Morris方法），VIKOR决策分析。
- 适用范围: 苏州地区（中国建筑气候分区IIA）多层住宅建筑。
- 使用工具: DesignBuilder, JePlus, Simlab, MATLAB (ANN toolbox)。
- 数据来源: 基于典型住宅模型在DesignBuilder和JePlus中生成的模拟数据（5000个样本），初始模型参数基于实地调研。
- 参考标准: ISO 7730, ASHRAE 55-2016, 中国国家建筑标准。