《Sustainable Energy Technologies and Assessments》：Approach of using machine learning to optimize office building thermal and economy performance based on a high-resolution shading behavior model
编辑推荐：
摘要传统的建筑性能仿真驱动优化方法存在诸多瓶颈，如计算成本高以及大规模迭代困难。本研究利用机器学习技术，基于高分辨率的遮阳行为模型，构建并验证了一种建筑性能预测模型。通过整合NSGA-II算法，我们建立了考虑随机遮阳行为的办公建筑多目标优化框架。这种机器学习替代模型的引入显著提升
摘要
传统的建筑性能仿真驱动优化方法存在诸多瓶颈，如计算成本高以及大规模迭代困难。本研究利用机器学习技术，基于高分辨率的遮阳行为模型，构建并验证了一种建筑性能预测模型。通过整合NSGA-II算法，我们建立了考虑随机遮阳行为的办公建筑多目标优化框架。这种机器学习替代模型的引入显著提升了优化效率，使得种群演化能在合理时间内完成，同时确保对帕累托前沿的全面探索与收敛。通过与静态遮阳模型及全面的经济分析对比，证明了该方法的优越性。研究结果表明，与基准方案相比，随机优化方法可使能源性能提升8.8%，且相比基于静态模型的方法，优化稳定性提高25%。此外，经济分析也显示该框架具有可行性，其投资回收期为9.5年，50年的净现值为正。值得注意的是，虽然在盈亏平衡点附近单间空间的不确定性较高，但在更大规模的建筑中这一影响可忽略不计，从而确保了良好的经济可行性。
引言
随着技术的进步，建筑围护结构系统日益稳定高效，因此建筑能耗中最主要的不确定性来源便是使用者行为[1]。O'Brien等人对最新发布的第79号附录报告的分析表明，人们越来越重视使用者行为作为影响建筑能源性能的关键因素[2]。此外，诸如手动遮阳和通过开窗实现自然通风等许多被动设计策略的效果，在很大程度上取决于使用者的行为。因此，必须通过明确考虑使用者的行为来评估这些措施的性能[3]、[4]。预测值与实际建筑能耗之间存在的显著差异，进一步凸显了将使用者行为纳入建筑性能仿真的重要性[5]、[6]。
遮阳会通过改变室内光照和温度条件来影响热舒适性和视觉舒适性，而视觉舒适性与对室内眩光的控制密切相关[7]。适当调节遮阳，尤其是根据季节变化调整窗户的透光率，对于提升建筑能效和视觉舒适性至关重要[8]、[9]。尽管适应性遮阳行为受多种环境因素影响且具有随机性，但可通过识别关键触发条件来对其进行预测。现有的大多数遮阳模型都是确定性的，无法充分体现使用者行为的固有随机性[10]、[11]。Inkarojrit、Wang和Yao等人的部分研究尝试使用随机方法和马尔可夫链来模拟手动遮阳行为，但这些模型往往忽略了占用率的影响[12]、[13]、[14]。由于近期COVID-19疫情的影响，远程工作和居家活动日益普遍，低占用率现象愈发常见[15]。最近，数据挖掘技术的快速发展显著提升了遮阳行为模型的预测精度[16]、[17]。例如，Li等人将随机森林集成到基于包装器的特征选择流程中，构建出了用于预测遮阳行为的优化黑箱模型[18]。
借助数据挖掘技术的数据驱动模型，能够通过利用大规模数据集大幅提升预测精度。然而，这类模型的一个主要局限在于，它们通常将遮阳行为视为一种均匀的、平均化的模式，因而可能无法捕捉不同场景和不同使用者在遮阳调节频率上的显著差异。随后，Chen针对中国办公楼中常用的卷帘幕布，开发了一种改进的遮阳行为模型，该模型考虑了多种遮阳状态、占用率以及遮阳类型[19]。与之前的模型相比，该模型更适用于评估遮阳行为对办公建筑能耗不确定性的影响[14]、[18]。
遮阳调节在很大程度上是由使用者行为驱动的，因此，这类模型的性能稳定性，以及建筑能耗规范中关于手动遮阳的标准假设的合理性，都需要进行严格检验。具体而言，有必要研究这些标准化假设相对于现实中的使用者行为，是高估了还是低估了实际的节能潜力。因此，有必要基于目标气候区的监测数据建立行为模型，以评估该地区使用者行为对建筑能源性能的影响，并将所得能耗结果与现行建筑能耗标准中的假设进行对比。
近年来，多目标优化技术的进步使得能够同时考虑多个设计目标，为办公建筑设计优化提供了有效方法。Rahman Azari等人使用eQuest 3.65和生命周期评估方法，结合人工神经网络和遗传算法，对西雅图的一座低层办公楼的能耗和环境影响进行了评估，以此优化建筑围护结构[20]。Evangelia Despoina Giouri等人则利用DesignBuilder和EnergyPlus，通过对设计参数应用多目标优化技术，为希腊的一座高层办公楼制定了近零能耗建筑策略，该方法使该建筑的年度能耗降低了33%。Mohammadreza Baghoolizadeh等人则使用EnergyPlus和jEPlus对智能遮阳系统进行了多目标优化，结果表明，外部遮阳在提升能效和使用者舒适度方面比内部遮阳更为有效[22]。Xudong Zhang等人通过敏感性分析和NSGA-II算法优化了窗户设计参数，如窗墙比和玻璃类型，有效降低了能耗，缓解了办公建筑中的热舒适性问题，并为设计师提供了最优参数建议[23]。此外，将可再生能源系统纳入考虑，使得建筑性能优化的初始设计阶段需要更加复杂的分析，这一领域仍有待进一步研究[24]、[25]、[26]。
然而，现有研究表明，建筑设计阶段和性能预测过程中都存在固有的不确定性。这些不确定性来源于诸多方面，包括建筑的几何形状差异[27]、[28]、[29]，与使用者相关的材料选择的随机性[30]、[26]、[31]，环境波动[32]、[33]、[34]，以及能源使用行为的随机性[35]、[36]。在建筑性能仿真中，使用者行为的随机性通常通过使用者行为模型来模拟[37]、[38]。在多目标建筑设计优化背景下，将使用者行为模型整合到仿真过程中至关重要。与确定性行为模型相比，随机模型能更好地反映实际使用者行为的固有变化性。
从上述分析可见，目前的建筑性能优化方法大多基于对使用者行为简化的、固定的假设，未能充分体现其固有的随机性和动态特性。这种方法不仅削弱了优化设计结果的稳健性和可靠性，还因过度依赖大量耗时的仿真而严重限制了计算效率。此外，现有研究往往将节能效果视为确定的，从而忽视了行为不确定性带来的问题，导致净现值估算不可靠，投资回收期也不明确。因此，如何将这类不确定且动态的行为及其随机经济效应有效地纳入建筑性能优化过程，仍是当前研究中的一个重要空白。为解决这一问题，本研究在先前建立的高分辨率遮阳行为模型基础上，提出了一种融合机器学习与多目标优化的协同框架。该框架首先构建了一个机器学习替代模型，该模型整合了高精度的遮阳行为预测模型，用以捕捉和描述使用者随机控制行为对能源性能和全生命周期经济指标的影响。随后，将该模型与NSGA-II遗传算法相结合，从而在环境控制行为存在不确定性的情况下实现建筑的多目标最优设计，同时通过评估净现值的概率分布，确保经济层面的可行性。
章节要点
研究框架
为能够纳入随机行为模型的优化设计，首先基于现有的高精度用户数据，构建了一个高分辨率、覆盖全年的遮阳运行行为模型。因此，第2.2节介绍了该HRSOB模型及其季节性分析方法。随后，第2.3节阐述了参数化建筑性能模型的构建过程，以及基于机器学习的建筑性能预测模型的开发情况。
模型建立
本研究共分为三个主要阶段来构建遮阳行为模型。首先，应用K均值聚类算法，根据调节频率和房间占用类型（单人或多人），将遮阳行为划分为C1、C2、C3和C4四种类别。研究发现，不同行为类别与调节频率之间存在明显关联，其中C1类的调节频率最高，C4类最低；详细内容可见之前的研究。
性能与经济性分析
通过TOPSIS方法从帕累托前沿中选出最佳折衷方案，然后利用净现值方法对建筑改造后的全生命周期经济性能进行评估。
结论
本研究构建了一个融合HRSOB模型的机器学习预测框架，进而开发出一种多目标优化设计方法，该方法能够有效纳入使用者的随机遮阳行为，用于建筑性能评估。该框架在提升建筑环境预测精度和能效方面表现出显著效果，同时有助于揭示关键设计参数的影响机制，为优化设计提供指导。
CRediT作者贡献说明
王一科：撰写——初稿、验证、方法论、研究、概念构思。曾彦波：撰写——初稿、可视化、软件应用、数据整理、概念构思。姚健：撰写——审阅与编辑、方法论、研究、概念构思。陈高翔：撰写——初稿、监督、方法论、研究、资金获取、概念构思。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知利益冲突或个人关系。
致谢
本研究得到了宁波市哲学社会科学规划项目的支持，项目编号为G2025-3-21。
王一科|曾彦波|姚健|陈高翔
