基于最短路径算法的近零能耗建筑被动式节能设计参数优化分析

王 萌，姜钦青，朱 杰

（江西省建筑技术促进中心，江西 南昌）

前言

近零能耗建筑是现代社会背景下基于可持续发展要求提出的新型建筑设计模式和方法，这类建筑能够有效达到节能和环保的目标，通过对各项建筑参数的优化设计来提升建筑的使用性能和质量效果。基于当前不断提升的科学技术水平，可以将算法融入到近零能耗建筑的节能设计当中，进一步提升建筑节能计算的准确性，从而有效推动近零能耗建筑工程的发展[1-3]。

1 近零能耗建筑被动式节能设计要求

从建筑节能设计的角度来探讨近零能耗建筑的设计要求，应将建筑节能设计的重点集中到建筑外墙、屋面、地面保温性能、外窗传热系数、气密性等级等参数指标上。在充分考虑当前近零能耗建筑使用功能的基础上，应考虑被动式节能策略的特点，减少建造成本和运行能耗。

相比传统建筑的设计原理和过程，对近零能耗建筑被动式节能的设计，应基于图1 中的过程，在确定近零能耗建筑的相关指标之后，结合建筑项目的实际建设要求，利用能耗模拟软件构建近零能耗建筑模型。依托模型数据以人工智能算法的方式对建筑能耗进行预测，作为建筑设计的主要依据。在节能设计中，这种主要针对建筑能耗进行计算的软件，能够直接调用计算核心接口，在导入基础建筑模型并批量输入计算参数之后，可以基于制定好的算法流程来对建筑能耗进行计算。

图1 被动式节能设计参数优化流程

在明确这一算法流程的前提下，考虑近零能耗建筑的被动式节能设计要求，对建筑模型的构建应以被动式技术策略、建筑能耗和经济性作为主要依据，选择更符合建筑实际情况的被动式技术优选方案，从而为工程应用提供更准确的依据。

2 基于最短路径算法的近零能耗建筑被动式节能设计分析

现阶段对建筑性能进行优化设计主要依靠建筑模型来实现，考虑将最短路径算法应用到近零能耗建筑的优化设计当中，以提高针对建筑模型能耗计算性能的方式，能够有效降低模拟软件对计算性能的约束，在寻求最优解的同时，也能够为建筑项目的优化设计提供更为科学的依据。基于此，对近零能耗建筑的被动式节能设计，主要从以下几个方面入手。

2.1 最短路径算法应用原理

在近零能耗建筑的被动式节能设计中应用最短路径算法主要基于多目标优化的原理，首先对建筑被动式节能设计所需的技术变量进行筛选。这一筛选过程主要依据以下目标函数来实现：

式中，f1代表建筑总能耗，单位为kW·h/(m2·a)；f2代表建筑成本，单位为元/m2；x 代表被动式节能技术变量的1-N 代组合。

在确定计数变量类型之后，还应考虑建筑节能设计的总体要求，以引入全局成本增量概念的方式，实现对于建筑总能耗和建筑成本最优解的计算分析。全局成本增量的计算过程如下：

基于得到的计算结果，还可以进一步对建筑整体的节能效果进行综合评价与分析。考虑基于多目标优化的原理，通常在实际计算中没有唯一的最优解，需要依据图2 中的优化流程，在计算中应用科学的方法得到一组能够均匀分布在目标空间边界上的最优解集，进而为近零能耗建筑的被动式节能设计提供更为科学的依据。

图2 多目标优化流程

2.2 建筑节能优化设计准备

在基于最短路径算法对近零能耗建筑进行节能设计前，应做好进行节能计算的准备工作。首先应基于建筑本身的设计图纸和建设要求，进行参照建筑的设计。考虑构建建筑模型需要对建筑结构进行适当的简化，在结合建筑工程现场整体环境情况的前提下，明确建筑节能设计的限值标准，可以得到表1 中的主要建筑模型参数。

表1 建筑模型参数设置

在明确以上建筑模型参数之后，需要应用最短路径算法来设置计算所需的计数变量。本文在对建筑进行节能设计时，主要选择建筑围护结构的传热系数作为技术变量，同时也考虑被动式技术变量本身逐渐递增的状态，结合建筑市场的价格明确建筑节能设计的初投资成本，以便后续在应用节能技术后，对建筑整体的投资成本增量情况进行对比分析。

2.3 多目标优化的节能计算过程

在应用最短路径算法的情况下，主要依据人工神经网络的算法原理，以人工神经网络预测模型训练的方式，在选定建筑参数模型之后，进行IBE 能耗计算，在进行训练模型参数集的同时，也能够对模型参数进行测试。其中，训练模型参数及需要依据BP 神经网络来对测试得到的模型参数集误差结果进行比较，当误差处于规定的限制范围内，则可以结束整个计算过程。

在实际计算中，将建筑围护结构的传热系数、建筑气密性等参数对应的数值组成数据集合，从选取的这一数据集合随机生成的多组数据作为模拟参数组，然后就可以应用建筑能耗模型软件来实现对于参数数组的能耗模拟计算，进而得到不同参数情况下的建筑负荷。在实际计算中，需要严格遵循近零能耗建筑技术标准中的相关规定和要求。

在得到相应的计算结果之后，需要将这些建筑负荷及其相对应的参数构成新的数组，在对这些数组进行随机分配之后，就可以得到用于BP 神经网络的训练样本和测试样本。在利用训练样本建立BP 神经网络之后，就可以进行神经网络的预测模型训练。当训练达到相关预期的标准，需要在停止训练的同时，应用测试样本对网络进行测试。如果得到的测试结果符合设定误差的范围要求，则可以直接将训练好的神经网络模型用于建筑节能计算。

在这一测试训练的过程中，需要考虑BP 神经网络的训练精度，通常需要测试100～1 000 组的数据，在划分进行神经网络训练和进行测试验证的不同组别数据之后，考虑神经网络的输入层以选择的技术参数变量作为神经元，在设定参数变量的个数为8 个时，神经网络的2 个隐含层中每层共包含11 个神经元，主要为建筑全年的耗冷量和耗热量。基于此确定神经网络学习训练的速率为0.1，学习训练的相对误差目标为1×10-7，最大迭代次数为1 000 次。

在得到以上训练和计算结果之后，应设定对建筑节能参数进行优化的总体目标，明确近零能耗建筑优化设计中涉及到的围护结构传热系数、建筑气密性、热回收效率等关键技术参数的变化范围。具体而言，在应用最短路径算法时，首先需要设定能耗指标这一终点目标，然后将所有可能的设计参数组合看作节点组合，由此获得的节点集合被划分为已经完成选择的集合和未进行选择的两组。将其中未被进行选择的节点，按照递增的次序加入到已经选择的节点集合当中，在修改节点距离值之后，如果发现节点总成本减少，则需要对这一路径进行修改，并依据修改后的路径对能耗指标进行更新。

在得到关于建筑成本消耗结果之后，就可以结合建筑建设的实际要求来制定合适的建筑节能优化方案。

2.4 优化方案选择

应用最短路径算法得到近零能耗建筑节能优化的相关计算结果之后，应将其与建筑设计标准进行对比分析。以建筑围护结构的传热系数这一技术变量为例，结合表2 中的围护结构传热系数标准，主要可以考虑两种实际的优化方案。

表2 围护结构传热系数标准

第1 种节能优化方案强调以加强建筑能耗控制为主要目标，考虑应用最短路径算法来求解近零能耗建筑的全寿命周期技术经济最优方案；第2 种节能优化方案则直接从建筑全生命周期的原理角度，以单目标求解的方式来得到最佳的技术方案，然后依据得到的方案来进行节能计算程序的编制。

例如，选择某地区的近零能耗建筑进行分析，应用最短路径算法构建简化的建筑计算模型之后，对建筑初始状态以及优化后的维护结构参数进行计算和记录，可以得到表3 中的结果。

表3 优化前后建筑外围护结构热工参数设置

在引入全局增量成本这一概念的前提下，通过对近零能耗建筑全局增量成本的计算，将近零能耗建筑整体的增量成本依据外窗类型的不同，按阶段进行划分。在这一过程中，发现计算得到的最优解的全局增量成本主要包括>0、<0、≈0 三种情况。经过进一步计算，发现最优的建筑节能参数优化设计方案为：在总能耗不超过73 kW·h/(m2·a)时，得到的全局增量成本计算结果接近8.0。这一情况下的节能率为12%，拥有最好的节能效果。

结合表3 中的数据以及夏热冬冷地区的气候环境特点，考虑在对近零能耗建筑的围护结构进行节能设计时，可以改变围护结构热工参数的方式来达到降低建筑能耗的目的。

3 结论

综上所述，最短路径算法能够有效满足近零能耗建筑被动式节能设计的要求，提升建筑的节能效果。在近零能耗建筑性能化设计理念的指导下，基于明确的最短路径算法原理和应用流程，应在明确建筑所在地区气候环境条件的前提下，依据建筑本身涉及到的各项参数来对建筑本身的节能效果进行预测分析，在此基础上，利用最短路径算法寻找更能够达到目标建筑的优化设计方案，从而真正达到促进建筑节能的目的。