基于数值模拟的建筑设计优化研究综述

于水, 李思尧, 刘雪研, 姚钰锋

(沈阳建筑大学市政与环境工程学院, 沈阳 110168)

能源消耗过大,碳排放量超标,一直是困扰世界各国发展的难题。建筑能耗在所有能源消耗中占很大比例,2018年,中国建筑全寿命周期能耗总量为21.47 亿t,占全国能源消费总量的比重的46.5%,建筑碳排放量占总碳排放量的51.2%,并且这个趋势还在逐年增加,2005—2018年,年增长速度为6.6%[1]。据美国能源署统计,近20年美国的建筑能耗在社会总能耗的占比也增加了约10%,并且预测这一趋势在2035年将增长15.86%[2]。通过节能优化设计降低建筑能耗以及碳排放逐渐成为一种主流的趋势,越来越多的学者投入建筑优化设计的研究当中。许多国家制定了相关标准和评价体系[3-8],如英国的建筑研究环境评估法、日本的建筑物综合环境性能评价体系、美国的能源与环境评估标准、德国的可持续建筑评估体系、新加坡的绿色建筑标志,中国新制定的《绿色建筑评价标准》等。建筑节能优化设计本质上就是在其建筑物原有的基础上进行改造,以最小的代价获取建筑物某些性能最大的提升,优化方法主要用于新建筑的初步设计阶段或建筑改造。这一过程需要大量的数学理论知识为铺垫,包括优化算法的开发及选择、目标函数的约束、优化变量的设置、迭代的过程等。因此,21世纪初开始,随着计算机技术的发展与普及,以及数学与建筑等多交叉学科的深入研究,中外学者将数值模拟优化应用到建筑优化当中,建筑优化领域有了快速的发展,不仅有大量的算法被开发出来,越来越多的模拟引擎,优化工具也被研发出来,如TRNSYS(transient system simulation program)、eneryplus、design builder、building energy optimization(BEopt)、DOE-2、清华大学研发的DEST、中国建筑科学研究院的PKPM等软件[9]。建筑优化设计的体系越来越完善,流程也越来越统一,技术也越来越趋于成熟。因此,基于建筑数值模拟优化研究,现在从优化研究的主要阶段,优化平台和优化算法3个大的方面展开讨论,以期为该领域的研究提供一些参考和借鉴。

1 基于模拟优化研究的主要阶段

建筑节能优化问题的方法与技术是多种多样的,优化过程和优化程序也是不尽相同的,然而这只是在一些细节方面的差异。Evins等[10]通过变量筛选、初始优化、详细优化和推导结果4步进行优化,Lee[11]采用其他多步优化方案。从本质上来说,大多数模拟优化研究的主要程序与主要阶段是大致相同。图1[11]为耦合系统应用于建筑性能研究中基于模拟的优化流程图。表1[11]为优化研究主要阶段的任务。从预处理阶段、优化阶段、后处理阶段进行详述。

表1 优化研究主要阶段的任务[11]Table 1 Tasks of the main phases of the optimization study[11]

图1 基于建筑模拟优化的流程图[11]

1.1 预处理阶段

预处理阶段是一个很重要的阶段,对优化的成功与失败有着关键的作用,在该阶段中,最主要的任务是进行优化问题的表述,这项任务对于设计者来说,要求很高,不仅要求其对建筑科学领域有着深入的了解,还要求设计者有着丰富的数学优化知识,如优化算法的选择,优化变量的设置,目标函数的控制等,以及对计算机编程的掌控。同时值得注意的是,要优化的建筑模型应该适度的简化,这样可以使一些复杂的模型运行起来既节省时间,又避免了太多运行错误的发生;但是也不能过于简单,不然可能脱离实际的建筑模型。Magnier等[12]提出了一种新的基于人工神经网络,并且与多目标遗传算法相结合的优化方法,经过训练与验证,较于传统的优化方法仿真时间大大缩减。

1.2 优化阶段

在优化阶段中设计者及分析人员的主要任务是判断优化结果的收敛性,并且检测在整个优化过程中可能出现的错误。因此判断优化算法的收敛行为和尽可能的找出或者避免错误是优化阶段的核心。

优化过程中的“收敛”一般表示得到了最终解,但是优化收敛也并意味着优化成功。在优化阶段,对于不同优化算法的收敛行为,收敛速度是一个很重要的研究领域。Wetter等[13]提出了一种模型自适应精度广义模式搜索GPS(global positioning system)算法,该算法具有自适应精度代价函数评估,以加快优化中的收敛速度。该算法与原始的GPS胡克算法相比,其方法平均可以获得相同的性能,并将CPU时间减少65%。Wright等[14]在3个不同种群大小(分别为5、15、30个体)的情况下,对遗传算法(genetic algorithm GA)不同设置的鲁棒性进行了敏感性分析,结果表明,5个体的种群规模比两个较大的种群具有更高的收敛速度,并且实现了更低的成本函数。在优化过程中出现错误是不可避免的,这些错误可能来自不可行的变量组合,输出读取错误等。所以在优化之前进行参数化仿真的测试可以减少这种错误的发生。文献[15]将优化研究分为简单优化和详细优化两个阶段,可以研究各种能源需求响应模型和建筑设计情况。

1.3 后处理阶段

在这个阶段,一个主要任务是将优化数据解释为图表,表格,这样可以最直观的读取最优解决方案的有用信息。文献[16]中指出,散点图是使用最多的类型,还有学者采用柱状图、平行坐标图。

另一个任务是验证通过优化找到的解决方案是否具有高可靠性或鲁棒性,Hasan等[17]使用蛮力搜索(穷举搜索)方法来测试GenOpt找到的最优是否真的是最优。他们得出的结论是,GenOpt解是最优解,非常接近全局最优解,因为它们也是从蛮力候选解的最优集中找到的。Eisenhower等[18]比较了替代模型和“原始”EnergyPlus模型的可靠性优化结果。得出的结论是,使用代理模型的优化与在循环中使用EnergyPlus进行优化获得的结果几乎相同(就数值质量而言)。

2 优化平台

以上提到的这些工作流程,无论是哪个阶段,都需要在一个模拟平台上才能实现,设计人员可以在上面建立能源耦合系统,详细的工作流程,以及设置一些参数,运用一些优化算法等,并且还能以图表,折线图等直观形式进行输出。目前来说,优化工具可以大致分为三大类：自定义的算法优化平台,通用的优化平台以及为建筑设计专门优化用的平台。

2.1 自定义编程算法平台

自定义编程算法平台需要设计人员有着高级编程技能,能够运用自己编写的计算机程序实现能源的模拟和优化,这类优化平台的特点是难度较高,但是适用性很灵活,能够完全按照设计人员的想法去实现模拟。Fesanghary等[19]利用C++语言编译了一种基于和谐搜索算法的多目标优化模型,以寻求最优的建筑围护结构设计,使生命周期成本和排放最小化,并且该模型在美国的一个典型用户住宅得到了验证,以及得到了一系列帕累托最优解,有助于设计者更好地理解经济性能与环境性能之间的权衡关系。Wang等[20]利用C++语言编译了一种框架,该框架通过实现遗传算法来解决无约束和约束的单目标优化问题,以及无约束的多目标优化问题,从而解决了绿色建筑设计优化问题的许多特定特征。Saporito等[21]则是用Fortran语言编写了一种热仿真代码APACHE (IES-FACET)进行了一项多参数研究,减少了测试的次数,可以很好地评估各种功能的相对节能性。AL-Homoud[22]使用Fortran语言开展一种优化模型的开发和验证,该模型利用直接搜索优化技术与每小时建筑能源模拟程序相结合,实现了建筑围护结构的最佳热设计。

2.2 通用优化平台

MATLAB、modeFRONTIER、Genopt是用于建筑节能优化设计的3个主要通用平台。相对于后两个平台,MATLAB有一些其他额外的功能,可以连接excel,使用数据库进行数据分析,有绘图函数,曲线拟合函数,图形用户界面等功能。Petri等[23]开发了一种大型建筑节能模块化优化模型,该模型以MATLAB为平台,基于人工神经网络(artificial neutral network, ANN)的优化模块寻找最佳配置。Asadi等[24]将能源仿真程序TRNSYS与MATLAB开发的Tchebycheff 优化算法相结合,为建筑改造执行多目标优化任务。叶家盛等[25]以MATLAB为平台,对储能建筑的分布式能源系统进行优化调度,发现可以使其总费用有所降低。该研究最大的创新在于根据峰谷电价政策,采用了建筑储能的调度方式,并且目标函数引入了环境费用,约束条件相较于前人的单一条件约束很充分,同时新引入蓄电池约束这一条件。王瑞祥等[26]以MATLAB对建筑的太阳能热管式PVT(photovoltaic thermal technology)系统优化,得出最优倾斜角。该研究不同于以往的学者对单一PVT集热器进行数学建模再优化,以水箱、PVT集热器、逆变器、蓄电池组成一个系统进行数学建模再优化,PVT集热器在加热水箱中的低品位水时,不仅实现了热水供应,低品味水也给PVT表面降温,提高了其工作效率,同时兼并发电蓄电,实现了最大程度的能源利用与成本节约。

Genopt也是常用的优化工具GenOpt是由外部模拟程序评估的成本函数最小化的通用优化程序,被用于许多优化研究,任何从文本文件读取输入并将其输出写入文本文件的模拟程序相结合,由美国的劳伦斯伯克利国家实验室开发同,它目前包括EnergyPlus、TRNSYS、Dymola、IDA-ICE和DOE-2和Radiance[27]的示例,如图2[27]所示,Genopt与仿真程序的对接。Taheri等[28]选择GenOpt,使用混合广义模式搜索和粒子群优化算法,得到了现有大学建筑的标定仿真模型。Salvatore等[29]在GenOpt中开发了一种优化程序来支持舒适优化净零能耗建筑的设计。Hasan等[30]将建筑性能模拟程序与GenOpt相结合,找到了建筑结构和HAVC(heating,ventilation,and air conditioning)系统中5个选定设计变量的优化值。Genopt自带许多算法,进行优化时可以直接使用,非常简便,包括用于一维最小化的黄金分割和斐波那契算法、Nelder和Mead的单纯形算法、离散Armijo梯度算法、胡克(Hook-Jeeves)算法和坐标搜索法(这是一种模式搜索算法)。粒子群优化(particle swarm optimization PSO)算法,以及与胡克算法的混合PSO算法。该程序的源代码是提供的(在JAVA中),并且可以向其库中添加更多的优化算法。Machairas等[31]以此实现了简单的遗传算法、多目标遗传算法、同步并行模式搜索算法和混合算法。GenOpt能够提供并行处理能力,过滤已经评估的函数,网格生成器和参数搜索[32]。曾乃晖等[32]使用TRNSYS搭建系统,并且使用Genopt中的Hook-Jeeves算法对集热面积、集热倾角、水箱容积及热泵功率4个变量进行了同步优化,运行过程收敛,整个系统COP有了明显提高,全年运行费用减少,并且还指出这4个变量对系统全生命周期成本影响大小的优先级。孙锐等[33]提出一种空气源热泵供暖系统运行优化策略,并且通过TRNSYS中的Genopt模块,调用粒子群算法,以热源系统整体能耗最低为目标进行耦合变量寻优,经过模拟,使整个系统的性能系数(coefficient of performance,COP)提高9%。马晓丰等[34]建立了太阳能-空气源热泵系统,基于TRNSYS建立系统,通过Genopt平台选用Hook-Jeeves算法,以系统的费用年值为优化目标,对系统内的太阳能集热器面积,集热器倾角,集热器方位角,蓄热水箱体积,空气源热泵机组额定制热量进行优化计算,发现优化后的系统供暖效果不错,供暖温度稳定,经济性好。

图2 Genopt与仿真程序的对接

modeFRONTIER这类优化平台没有Genopt使用广泛,中国学者用的很少,该类平台能够使用户创建基于模型的工程框架来执行仿真和优化,其优势是包含大量优化算法。Flager等[35]回顾了几种商业上可用的PIDO(过程集成设计优化)软件框架,并选择ModelCenter来优化教学楼的能源性能。Manzan[36]利用modeFRONTIER优化了办公室的外遮阳设备的设计,该办公室有一个窗户和不同的玻璃特性,考虑到加热、冷却和照明的能源消耗。

2.3 建筑设计专用优化工具

这类优化工具能够与仿真程序以及一些相关软件结合,专门为进行建筑节能设计优化而开发的。Charron等[37]提出基于TRNSYS的遗传算法(genetic algorithm,GA)的早期设计工具。Chantrelle等[38]提出一种用于建筑翻新优化的多目标优化工具：MultiOpt。MultiOpt有一个图形用户界面,它可以与TRNSYS耦合,调用多目标遗传算法和环境数据库。Tuhus-Dubraw等[39]开发了ParaGen,可用于多目标优化设计。ParaGen结合参数化建模、性能仿真软件和遗传算法来探索设计方案。BEopt是以DOE-2或者EnergyPlus为模拟引擎,以顺序搜索方法作为优化算法的优化工具,有易于使用的图形用户界面,并且能够识别多个接近最优的设计。马添水等[40]以Energyplus与MATLAB结合,研究建筑冷负荷对综合能源系统的影响并进行优化,该研究不同于已有研究成果仅考虑典型日的方案,还考虑了负荷动态下变化的情形,建立包含光伏发电,冷热电联产,蓄冷制冰系统的多能源耦合综合系统数学模型,约束条件不仅有常规的流量,冷负荷约束条件,更是引进机组的各种任务分配约束,运行模式约束,结果更加精准。Griego等[41]使用BEopt软件对萨拉曼卡的住宅建筑进行优化。Anderson等[42]使用BEopt软件探索零峰值冷却需求的新住宅设计。

综上所述,这三类优化工具在使用时各有利弊。第二类通用优化平台使用起来最方便,可以直接选择众多算法,建立工作流程,有可视化的界面。专门为建筑设计而开发的优化平台使用也很方便,但是局限性很强,只能在很少的领域内应用。自定义算法平台功能强大,分析优化能力也很强,但是计算机编程能力要求较高,使用的人不多。目前来说,中国大部分学者在进行优化时以都以Genopt为主,也有少部分人选择designbuilder,这是在energyplus上进行开发的一个优化软件,但是相比于优化,该软件被运用到能耗模拟的案例更多。表2[19-25,28-36,38-46]为优化平台总结。

表2 优化平台总结[19-25,28-36,38-46]Table 2 Summary of optimization platform[19-25,28-36,38-46]

3 优化算法

优化算法的选择是整个优化过程关键的一个环节,设计人员选择一个合适的优化算法,不仅可以在优化迭代过程中节省时间,还能准确地到达预设计目标。优化算法的选择取决于需要解决的问题。在各式各样的建筑设计优化中,人们也总结掌握了大量的优化算法,优化算法大致可以分为三类：进化算法、无导数搜索算法、混合算法。

3.1 进化算法

进化算法中,GA算法和粒子群优化算法(particle swarm optimization,PSO)是广泛使用的两种算法,尤其是遗传算法,许多设计人员基于该算法开发了大量其他算法,使优化结果更加贴近优化目标。

3.1.1 遗传算法

遗传算法是一种基于群体的算法,它能有效地处理具有不连续性和许多局部极小值的非线性问题。Tusus-Dubrow等[39]耦合遗传算法到DOE-2模拟引擎,如图3[39]所示。

图3 遗传算法与DOE-2仿真引擎耦合流程图[39]

Coley等[43]将基于群体的遗传算法与动态热模型结合,用于识别大量明显不同的低能耗设计,然后将这些设计以视觉摘要的形式呈现给用户,以便对潜在用途进行判断,减少每年的能源消耗。Rakha等[47]基于遗传算法开发了一种优化天花板形态的程序,有助于生成和查找曲线和网格天花板形式,最大限度地提高日光均匀性比,为设计人员提供了一种精确找到最佳天花板几何形状和形式的方法。Caldas等[48]开发了一种基于非支配和拥挤排序遗传算法的微遗传算法程序构建设计优化程序,用于建筑结构的优化。李涛等[49]基于遗传算法,建立了一套绿色建筑优化设计的模型,以最低能耗和最低成本为目标函数,能够提供多种优化设计方案。邵晓跟等[50]针对传统遗传算法过早收敛,寻优效率低等缺点,从适应度值函数标定和群体多样化两个方面改进了遗传算法,并且以质量最小为目标函数,对建筑结构进行优化。

3.1.2 粒子群优化算法

粒子群优化算法是另一种常用的优化算法,其与遗传算法优化的侧重点有些不一样,并且该算法可以在TRNSYS中的Genopt程序中直接调用。Rapone等[51]使用粒子群优化算法对办公室幕墙立面进行优化,找到最大限度地减少操作产生的碳排放的方案,并且还研究了不同遮阳装置和气候的影响。孙锐等[33]也采用粒子群优化算法对空气源热泵系统进行研究,对热泵出水温度,水泵频率这对相互耦合的变量进行寻优,提高了系统的热性能,降低了能耗。吴洲等[52]提出了一种基于粒子群优化算法的节能综合控制,通过寻找窗帘开启的最优角度,调节高精度电动窗帘满足室内光环境需求,降低照明能耗,同时将日射得热引起的空调冷负荷降到最低,使整体效能最佳,从而提高系统的效率。

遗传算法较于粒子群优化算法更广泛地应用在建筑节能优化设计中,可能原因在于：遗传算法有可以同时处理离散变量和持续变量的能力,在处理不连续和多约束问题时有优势,适合解决多目标优化问题(当前的建筑节能优化中一般都是多目标优化问题)。

3.2 无导数搜索方法

无导数搜素方法最主要的算法是直接搜索法,直接搜索法也分为好多种,但其本质都是使用特定规则在所有解中进行搜索,找到最优解,其要求目标函数都是连续的。

3.2.1 Hook-Jeeves算法

Hook-Jeeves(胡克)算法是一种直接搜索法,该算法通过比较目标函数的大小来移动迭代点,收敛速度快,适应性强[33],该算法也可以在Genopt直接调用。武振东等[53]以生命周期经济成本为目标函数,以水箱容积,太阳能集热器面积,生物质锅炉额定功率,集热器倾斜角为优化变量,调用Hook-Jeeves算法对一种生物质能供暖系统进行优化研究,使得优化后的系统生命周期经济成本降低了17.8%。谭心等[54]使用Hook-Jeeves算法对一种太阳能-热泵耦合系统的3个循环回路的流量进行了优化研究,以供暖季总运行成本为优化目标,同时引进热舒适指标为惩罚函数,使优化后的系统运行费用降低了21.5%。也有其他学者使用该算法以全生命周期成本,综合投资费用,费用年值等为目标函数,设置热泵系统COP(coefficient of performance),地源热泵地埋管的数量,深度,供回水温差等为优化变量对供暖系统进行优化[55-60],均使供热系统性能有所提升。Wetter等[60]比较了Hook-Jeeves算法和遗传算法在优化建筑能耗方面的性能,遗传算法更占优势。

3.2.2 正交实验法

正交试验法是另一种比较常用的无导数搜索方法,Gong等[61]将正交试验法与清单法结合,提出一种新的搜索方法,以每个城市的7项被动设计措施为优化变量进行设计,可大大降低城市的建筑年热负荷。Saporito等[62]在此基础上提出一种新的算法：全局优化格法,可以减少试验的次数,加快优化进程。易儿易等[63]将仿真模拟与正交试验法结合,针对围护结构提出一种新的调度优化策略,采用窗墙比、外窗、遮阳、外墙、屋面5个主要因素在4个不同朝向工况下进行正交实验,得出穿墙比、外窗、遮阳3个要素影响最为明显,然后在3种不同水平下正交试验分析优化,通过实验对比得出改策略在常见的围护结构下效果很强。文献[64-66]采用正交试验法,以太阳能保证率,费用年值为评价指标,针对集热器面积,安装倾角,水箱容积等因素,确定最佳优化组合,最优系统。文献[67]引入更多的因素,进行冷热量需求的预测,建筑空间的节能设计。

无导数搜索法适用于一些比较简单的优化,很难处理比较复杂的过程。胡克算法一般适合研究特定的系统,优化一些特定的物理量,包括体积、数量、温差、面积、系统COP等,迭代次数都在500次以下,优化的目标只能以最小值的形式体现出来,设置目标函数时常常会引入惩罚函数作为约束的条件。正交试验法在优化变量的同时,还能体现出每个因素的权重优先级,这与使用加权和函数在进行多目标优化时很像。在进行正交试验设计时,对主要影响因素的筛选,选择合理的评价指标会减少试验的次数。

3.3 混合算法

混合算法是一种多种算法组合起来的算法,以进化算法与直接搜索法的组合居多。粒子群优化算法+Hook-Jeeves算法的混合算法已在Genopt中实现,可以直接应用,Hasan等[17]使用这种混合算法来实现独立住宅的最小化生命周期成本。Juan等[68]使用一种A*图搜索算法与遗传算法相结合的混合算法,开发出一个综合决策支持系统,可以对建筑物进行可持续改造,分析所有可能的翻新行动及其权衡,选出最优方案。Kämpf等[69]提出一种基于协方差矩阵自适应进化策略与混合差分进化算法的混合算法,主要用来太阳辐射能的优化。

优化算法性能的优劣并不在于算法的本身,而是取决于所要解决建筑问题的类型,不同的算法在解决同一类型问题时效果有明显的差距,在进行建筑设计或者改造问题上选择合适的算法才是关键。以上算法各有优劣,在优化参数较多时,遗传算法比粒子群优化算法更有效[41],在建筑能耗模拟方面,遗传算法性能优于Hook-Jeeves算法,在解决基准函数和项目管理问题时,粒子群优化算法更占优势[70-71]。总的来说,在改进目标函数的不连续性和局部寻优时,无导数搜索算法非常适合;在处理约束条件多的问题时,其他算法更适合。

4 结论

将计算机模拟技术应用到建筑优化领域的前景非常广阔,潜力巨大。遵循科学的研究流程,掌握运用合适的优化工具以及优化算法,会使优化效果有着显著的变化。基于数值模拟的建筑优化技术可提升的空间还很大,能够改进的缺陷还很多,能够加快优化进程,提升优化效率,更贴近优化目标的因素也不仅限于文中提到的,优化变量的设置与数量选择,目标函数的约束等也很重要。得出以下结论。

(1)从优化工具方面来说,虽然种类繁多,但是其各有优势,善于解决的问题都不一样,如果优化同一个建筑物或者系统的不同性能时,可能得使用多个优化软件才能达到满意的效果,加上不同优化平台对初学者的要求差距也很大,会大大增加优化的难度和时间,因此在未来需要开发出包容性更强,功能更为强大的平台：能够提供多种类型的算法,与其他优化平台或者模拟引擎有通用的接口,同时处理连续和离散的变量,提高优化的精度,能够自动处理目标函数的约束等。

(2)目前来说,已经有大量算法被开发出来,但是对算法的总结以及适用性分类研究还很少,以后可以研究不同的算法最适合解决哪些问题,哪些算法与哪些优化变量,目标函数,惩罚函数等匹配最为合适。

(3)优化研究的3个主要阶段可以再根据实际情况再加入详细的流程图,在预处理阶段,可以根据目标建筑物是新的设计优化还是改造,翻新设计优化;是工业建筑还是民用建筑(建筑物类型),处理的问题属于多目标优化还是单目标优化进行分类预设计。在优化阶段,可以预估下每步的模拟时间,是否需要使用代理建筑模型代替复杂或者成本高的实际建筑模型等。在后处理阶段,可以增加如何运用SPSS等软件进行数据的分析与处理。

(4)目前,中国针对建筑模拟优化的平台还是很少,大多数需要借助外国平台或者软件进行研究,DEST还是以能耗模拟研究为主,优化功能还待完善,可以专注于优化平台的开发;基于当下中外研究的成果,中国城市化的进程,可以将研究方向聚焦于一些既有建筑的改造方面,如考虑更加贴切的优化算法,包含多种优化变量,约束条件的综合方案等。