一种基于多目标优化的住宅最优新风量的确定方法

1.本发明涉及住宅建筑新风系统领域，尤其是涉及一种基于多目标优化的住宅最优新风量的确定方法。


背景技术：

2.采用机械通风的关键点之一是设计新风量需满足要求。国内外对于最小新风量的规定并不统一。比利时住宅换气次数推荐为1.3h-1
，荷兰为1.2h-1
，日本推荐值为1.1h-1
，韩国为0.7h-1
，美国为0.5h-1
。英国大部分住宅最小通风量定为0.5h-1
，并建议英国独立式住宅的最佳年平均换气量为0.4h-1
，公寓为0.7h-1
。目前我国根据《民用建筑供暖通风与空气调节设计规范》(gb50736-2012)对住宅建筑机械通风的通风量进行设计。标准根据住宅人均居住面积对住宅最小新风量划分为四个等级，其中，最高为0.7h-1
。随着室内和室外环境的进一步恶化，按我国现行标准设计的新风量是否能够满足住宅建筑的室内空气品质，以及新风系统应用效果如何，有待进一步的研究。
3.目前我国大部分新建高档住宅都配备有机械新风系统，已有学者针对东北地区机械新风系统住宅开展了室内空气品质研究，对设计新风量下的室内空气品质进行了评价。新风量的增加能实现更好的室内空气品质。然而不能一味地增加新风量，新风量的增加意味着输送能耗的增加。因此需要在室内空气品质和能耗之间寻找一个平衡。
4.我国现有的住宅新风量研究指出换气次数可按照人均居住面积确定，最多不超过0.9h-1
，最小为0.5h-1
。这与我国地方标准下的1h-1
有一些差距，其是否能满足室内污染物限值仍需进行探讨。并且在住宅新风量设计中，ashrae 62具有广泛的权威性，我国住宅新风量设计的计算方法也是参照ashrae 62获得的。但ashrae 62中住宅新风量设计的计算方法是否适合我国住宅建筑还有待于进一步探讨。
5.增加送风量可以有效改善室内空气品质，但新风系统的能耗也随之增加。新风量的确定在国内外都经历了减小—增加—减小的反复过程。新风量的确定是一个考虑室内空气品质与能耗的双目标优化的问题。在当今“双碳目标”及“健康建筑”的社会背景下，如何平衡这两个目标，确定最优新风量，还需要采用准确的优化方法，结合我国气候、环境条件及建筑情况，进行深入的研究。


技术实现要素：

6.为克服上述现有技术的不足，本发明提供一种基于多目标优化的住宅最优新风量的确定方法，用以解决上述至少一个技术问题。
7.本发明是通过以下技术方案予以实现的：
8.一种基于多目标优化的住宅最优新风量的确定方法，包括：
9.采用energyplus模拟软件建立住宅建筑模型，并基于住宅建筑模型建立通风模型；
10.设置住宅建筑模型围护结构构造，并设置住宅建筑模型的内外扰；
11.设置目标函数；
12.设置genopt优化工具；
13.启动genopt优化程序，调用energyplus模拟软件迭代模拟，得到最小目标值；
14.确定各目标不同重要性权重下的住宅最优新风量。
15.上述技术方案基于仿真模拟及多目标优化方法，针对典型住宅建筑提出一种最优新风量的确定方法，解决了室内空气品质与能耗的双目标优化的问题。
16.作为进一步的技术方案，所述方法采用集中式新风系统构建通风模型，且在建立通风模型时，考虑渗透风并将渗透风通风量设置为0.2h-1
。
17.作为进一步的技术方案，所述方法的目标函数包括室内co2浓度和通风能耗两个指标，其中，室内co2浓度为新风系统全年运行时间段内各房间平均浓度水平；通风能耗为全年各房间输送新风的风机能耗；不等式约束为新风送风量取值范围。
18.作为进一步的技术方案，所述方法采用hooke-jeeves算法、pso算法或混合算法(将hooke-jeeves算法和pso算法相结合的算法)作为优化算法。
19.作为进一步的技术方案，所述方法在启动优化程序后，先在初始新风送风量条件下进行仿真模拟，通过目标函数对energyplus模拟软件获得的数据进行目标值判断，然后利用优化算法对初始变量值向左向右进行模拟并与之前值作对比，直至找到最小值。
20.作为进一步的技术方案，energyplus模拟软件和genopt在耦合时，根据仿真系统要求自定义优化变量及其范围，并配置优化仿真文件；genopt识别由energyplus模拟软件输出的结果，根据目标函数判定输出的结果是否满足目标值；若不满足目标值，则为下一次的寻优确定一组新的设计变量值开始仿真；若满足目标值则寻优结束，输出结果。
21.与现有技术相比，本发明的有益效果在于：
22.本发明针对住宅建筑采用energyplus模拟软件对其建立仿真模型，并在此基础上搭建了通风模型，然后将energyplus仿真模拟软件与优化工具genopt耦合通过多目标优化的方法确定住宅最优新风量，解决了室内空气品质与能耗的双目标优化的问题。
附图说明
23.图1为根据本发明实施例的基于多目标优化的住宅最优新风量的确定方法流程图。
24.图2为根据本发明实施例的住宅建筑概况示意图。
25.图3为根据本发明实施例的住宅建筑模型示意图。
26.图4为根据本发明实施例的genopt与energyplus中新风送风量的处理方式示意图。
27.图5为根据本发明实施例的genopt中配制文件设置情况示意图。
28.图6为根据本发明实施例的genopt与energyplus的耦合示意图。
具体实施方式
29.以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明
所保护的范围。
30.本发明提供一种基于多目标优化的住宅最优新风量的确定方法，该方法针对典型住宅建筑，基于仿真模拟及多目标优化方法确定住宅最优新风量，解决了室内空气品质与能耗的双目标优化的问题。
31.本发明所述的方法针对某典型住宅建筑采用energyplus仿真模拟软件对其建立仿真模型，并在此基础上搭建了通风模型，然后将energyplus仿真模拟软件与优化工具genopt耦合通过多目标优化的方法确定住宅最优新风量。
32.如图1所示，所述方法具体包括以下步骤：
33.步骤一、建立典型住宅建筑仿真模型，其具体过程如下：
34.步骤101、建立住宅建筑模型。包括设置建筑尺寸，建筑布局。
35.本实施例中，步骤101中建筑模型为西安市某新建精装住宅，位于7层，住宅面积分别为106.5m2，层高均为2.6m。其配备有新风+过滤系统，为直流式系统，有风量调节装置。主卧、次卧、书房及客厅每个房间设置一个送风口，住宅仅通过门缝排风，系统未设置排风口。图2为测试住宅卧室概况。以典型住宅作为研究对象，使用energyplus建立了其仿真模型，如图3所示。
36.步骤102、建立通风模型。
37.本实施例的仿真优化中不考虑住户开窗通风，即无开窗通风行为。但是考虑了渗透风，渗透风通风量设置为0.2h-1
。在建模的过程中，每个功能房间为一个热区，住宅机械新风系统为定风量系统，为每个热区进行送风。
38.住宅房间净面积为97.27m2，其中，客厅、主卧、次卧、书房、厨房、浴室及厕所的面积分别为38.86m2、17m2、14.4m2、9.6m2、5.89m2、5.76m2、5.76m2。实测得到其机械通风工况下最大换气次数为2.78h-1
，密闭条件下换气次数为0.17h-1
。因此本次优化研究中，优化变量为新风送风量，其优化范围选定为0.2-2.8h-1
。其中发现部分功能房间净面积较小，本次研究规定为三口之家，因此对于功能房间面积较小的房间，最大送风量规定为120m3/h。新风系统仅对客厅、主卧、次卧以及书房进行通风。表1给出了各房间优化变量的参数设置。
39.表1优化变量的参数设置
[0040][0041]
新风系统选用了一台风机，其性能参数为：送风量650m3/h，风压为150pa，功率0.1kw，转速1450r/min。部分负荷下风机的功率计算公式根据风机相似定律计算，如式(1)、(2)所示。
[0042][0043][0044]
其中，q
p
、n
p
、p
p
、ρ
p
为额定工况下的流量、转速、轴功和空气密度；qm、nm、pm、ρm为相似工况下的流量、转速、轴功和空气密度；λ
l
为几何相似比。
[0045]
本发明中的住宅的户式新风系统为集中式新风系统，只要新风系统开启各个房间
都将会送入新风，各房间不能实现单独调控。因此，对于系统的控制模式，规定当住宅内有人存在时进行通风，没有人时不进行通风。表2给出了住宅的人员活动时间表。
[0046]
表2人员活动时间表
[0047][0048]
步骤103、建筑内扰及外扰设置。对住宅房间人员进行设置，包括设置室内人员co2的排放量，人员作息规律等。
[0049]
在本次多目标优化中，住宅室内co2浓度作为典型室内污染物，室内空气品质以室内co2浓度为目标。仅将人体排放的co2视为室内污染源，人体活动水平为坐姿，呼吸流量为每人0.604m3/h，co2生成率为2.5％。住宅室内人员活动规律在表2给出。步骤103中外扰依据不同气候区典型气象年气象数据作为模拟气象数据，设置建筑室外co2浓度。
[0050]
步骤104、输出变量的设置。本发明中，以住宅室内co2浓度和住宅全年通风能耗为目标值，因此分别输出各房间内通风时间段的平均co2浓度和全年通风能耗。
[0051]
步骤二、目标函数的设置。
[0052]
多目标问题是由若干个目标函数以及不等式约束组成。在本研究中，目标函数包括室内co2浓度(fi(x))和通风能耗(gi(x))。其中室内co2浓度取新风系统全年运行时间段内各房间平均浓度水平；通风能耗为全年各房间输送新风的风机能耗。不等式约束为新风送风量取值范围。对于室内co2浓度和通风能耗，两者都是寻求最小值。可以得到一个房间的标准多目标优化模型，如式(3)所示。
[0053]
minfi(x)＝[fi(x),gi(x)]
t
ꢀꢀꢀ
(3)
[0054]
其中，fi(x)为新风系统全年运行时间段内房间室内co2浓度；gi(x)为房间全年通风能耗。
[0055]
将多个目标进行统一，转化为统一目标的函数作为该多目标优化问题的评价函数。在实际问题中，需要注意目标函数值量纲的影响。因此，需要对目标函数进行无量纲化，如式(4)、(5)所示。
[0056][0057][0058]
其中，和分别是室内co2浓度和通风能耗无量纲化后的取值；f
imin
(x)和f
imax
(x)分别是fi(x)在约束条件下的极小值和极大值；g
imin
(x)和g
imax
(x)分别是gi(x)在约束条件下的极小值和极大值。
[0059]
对目标函数进行无量纲化后，将两个目标函数进行整合。在各个分目标函数统一
为总目标函数时，引入加权因子平衡各个指标的相对重要性，得到一个房间的多目标优化问题的目标函数，如式(6)所示。
[0060][0061]
其中，ω
if
为的权重；ω
ig
为的权重。
[0062]
在本研究中，将客厅、主卧、次卧、书房四个房间的目标函数进行整合，即为该多目标优化问题的目标函数，如式(7)所示
[0063]
minf(x)＝minf1(x)+minf2(x)+minf3(x)+minf4(x)
ꢀꢀꢀ
(7)
[0064]
其中，minf1(x)为客厅目标函数的最小值；minf2(x)为主卧目标函数的最小值；minf3(x)为次卧目标函数的最小值；minf4(x)为书房目标函数的最小值。
[0065]
步骤三、genopt优化工具的设置。
[0066]
genopt在模拟程序端和最小化算法端都有一个开放的接口。genopt内部配置有优化算法，只需修改配置文件，即可轻松耦合任何外部程序(如energyplus、sp ark、doe-2、trnsys等，或任何用户编写的程序)。配置好的程序可以找到用户选择的设计参数的值，输出目标函数的最小值，如年用电量、峰值电力需求或ppd值等，从而实现系统的最佳运行。
[0067]
步骤301定义优化变量及其范围。
[0068]
本发明中利用energyplus和genopt软件进行模拟，在室内空气品质和能耗之间寻优，其中室内空气品质以室内平均co2浓度为指标，能耗考虑全年通风能耗。采用多目标优化方法探究住宅建筑的最佳新风量，为住宅建筑新风系统的设计提供指导。图4左侧为新风送风量genopt的命令文件自变量定义；右侧为energyplus中各房间新风送风量相对应于genopt的定义方法。优化变量为新风送风量，首先对各功能房间的新风送风量进行定义变量，如图4左侧所示。给出了各功能房间新风送风量的优化范围、初始值以及优化步长。genopt与energyplus中处理方式如图4右侧所示。
[0069]
genopt软件可识别定义的新风送风量变量符，对energyplus中的变量使用function函数进行加减，从而实现当新风送风量改变时，通过对目标函数的计算获得相应新风送风量条件下的目标值。
[0070]
步骤302配制文件的设置。
[0071]
genopt通过.ini格式配制文件的设置，实现genopt与energyplus连接，代码1-26的意思是genopt通过启动cfg文件夹中的energyplus模拟程序，对energyplus建立的住宅建筑模型shice1-te.idf文件启动模拟，该文件是含有优化变量的文件，其可通过genopt命令文件实现变量的改变。genopt软件可通过变量识别符，对energyplus中的变量使用function函数进行加减，从而实现新风送风量改变时，获得目标函数下的目标值。代码27-101的意思是目标函数的设置，本实例采用的目标函数的最终形式如式(7)所示。如图5所示。具体实施步骤为，首先从代码17中eso文件中得到输出变量的代号，每个输出变量的代号如delimiter17-21所示，然后代码29-66的意思是通过编程的方式对目标函数的实现，最后代码102-108的意思是执行记录每次优化运算获得目标值，写入command.txt文本文件中。
[0072]
步骤303优化算法的确定。在优化问题中，需要选择优化算法。在genopt中，当自变量为连续的变量时，hooke-jeeves算法(全局模式搜索算法)和粒子群算法(pso算法)均可
采用；当自变量为离散变量时，可以使用pso算法；当自变量既有连续变量，又有离散变量时，pso算法和混合算法均可采用。混合算法是将hooke-jeeves算法和pso算法相结合的算法，混合算法首先在随机的初始网格点执行pso算法，获得目标函数值的最小值。之后，在取得目标函数值的粒子处执行hooke-jeeves算法。本发明中，自变量为连续的变量，hooke-jeeves算法、pso算法、混合算法三种均被采用。
[0073]
步骤四、启动genopt优化程序。
[0074]
启动优化程序后，首先会对初始新风送风量条件下进行仿真模拟，通过目标函数对energyplus软件模拟获得的数据进行目标值判断，然后优化算法会对初始变量值向左向右进行模拟并与之前值作对比，直至找到最小值。如图6给出了energyplus和genopt软件的耦合过程。由用户根据仿真系统要求自定义优化变量及其范围，并配置优化仿真文件。genopt识别由energyplus输出的结果，根据目标函数判定输出的结果是否满足目标值。若不满足目标值，则为下一次的寻优确定一组新的设计变量值开始仿真；若满足目标值则寻优结束，输出结果。
[0075]
为获得住宅室内co2浓度和通风能耗双目标不同权重下的最优新风量，对两个目标不同权重下的目标函数进行了仿真寻优。不同权重考虑了9种情况：ω
if
＝0.1、ω
ig
＝0.9；ω
if
＝0.2、ω
ig
＝0.8；ω
if
＝0.3、ω
ig
＝0.7；ω
if
＝0.4、ω
ig
＝0.6；ω
if
＝ω
ig
＝0.5；ω
if
＝0.6、ω
ig
＝0.4；ω
if
＝0.7、ω
ig
＝0.3；ω
if
＝0.8、ω
ig
＝0.2；ω
if
＝0.9、ω
ig
＝0.1。
[0076]
通过genopt与energyplus的耦合获得了两个目标不同权重下的寻优结果。表3给出了不同权重下各算法寻优后的各房间新风系统全年运行时间段内室内平均co2浓度、换气次数和全年通风能耗。
[0077]
表3不同权重下各算法寻优后的结果
[0078]
[0079]
[0080]
[0081]
[0082][0083]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。