申请/专利权人：广东工业大学;华中科技大学

申请日：2024-01-16

公开（公告）日：2024-06-18

公开（公告）号：CN117648872B

主分类号：G06F30/27

分类号：G06F30/27;G06Q50/08;G06Q50/26;G06F18/241;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明公开了一种基于机器学习的城市街区节能减碳多目标优化方法，属于节能减碳优化技术领域，本发明中的研究对象为街区尺度，考虑了街区中建筑之间以及建筑与环境之间的相互作用关系，使得建筑能耗、光伏产能潜力与碳排放量的评价更为合理。本发明耦合集成学习算法构建的城市街区建筑能耗、光伏产能潜力与碳排放量的代理模型，大量节约了城市街区性能模拟的时间，提高了多目标优化的效率。本发明依托NSGA‑Ⅱ多目标遗传算法生成帕累托解集对应的城市街区规划设计方案的三维模型及其对应的设计参数与性能指标数据，辅助规划师与建筑师进行设计决策。

主权项：1.一种基于机器学习的城市街区节能减碳多目标优化方法，其特征在于：包括以下步骤：S1：确定城市街区节能减碳的关键性能目标与影响性能目标的关键参数，将关键参数作为城市街区参数化模型的决策变量输入RhinoGrasshopper模拟平台，输入城市街区的气象参数、几何参数、围护结构参数、人行为参数和设备参数获取城市街区的建筑能耗、光伏产能潜力和运营阶段碳排放量；S2：基于城市街区参数化模型确定决策变量的阈值范围，采用拉丁超立方抽样方法抽取决策变量的样本数据，输入城市街区的气象参数、几何参数、围护结构参数、人行为参数和设备参数，生成城市街区Honeybee模型；S3：将城市街区的Honeybee模型输入到RhinoGrasshopper模拟平台获取每个样本的建筑能耗和运营阶段碳排放量；将城市街区的参数化模型输入到RhinoGrasshopper模拟平台获取每个样本的光伏产能潜力；S4：将城市街区形态参数、建筑形态参数、表皮参数和功能类型作为集成学习模型的输入，将建筑能耗、光伏产能潜力和运营阶段碳排放量作为集成学习模型的输出，构建集成学习预测模型；S5：将集成学习预测模型作为代理模型与NSGA-Ⅱ遗传算法耦合，搭建多目标优化设计平台；S6：设定城市街区决策变量与优化目标，基于多目标优化设计平台获取帕累托解集；基于TOPSIS法生成不同设计需求的决策方案；所述集成学习预测模型包括输入参数、Boosting算法、Bagging算法和输出参数；所述Boosting算法流程包括：1.初始化训练数据集的权值分布，使每个样本的权值相等；2.训练第一个弱分类器，并计算它的误差率；3.根据误差率调整训练数据集中每个样本的权值，被错误分类的样本权值增加，被正确分类的样本权值减少，使得下一个分类器更关注于之前分类错误的样本；4.使用调整后的权值分布训练下一个弱分类器，并计算它的误差率；5.重复步骤3和4，直到训练完所有的弱分类器或误差率足够小；6.将所有的弱分类器组合成一个强分类器，通过投票或加权投票的方式进行分类预测；所述Bagging算法流程包括：输入：样本集D＝{x1,y1,x2,y2,...xm,ym}，弱学习器算法，弱学习器迭代次数T；1对于t＝1,2,3,...,Ta对于训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样数据集Dt；b用采样数据集训练第t个弱学习器Gtx；2如果是分类算法的预测，则T个弱学习器投出最多票数的类别或者类别之一为最终的输出类别；如果是回归算法，则T个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出；输出，最终的强分类器fx。

全文数据：

权利要求：

百度查询： 广东工业大学;华中科技大学 一种基于机器学习的城市街区节能减碳多目标优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD