基于全局敏感性分析的農村住宅性能優化方法

摘要：為了提升農村住宅的采光、能耗和熱舒適性等性能，借助Grasshopper平臺，選用Honeybee、Ladybug、Octopus插件，提出一種基于樹狀高斯過程全局敏感性分析的農村住宅性能優化方法；通過構建基準建筑模型，綜合分析設計參數對農村住宅性能的影響，并進行多目標優化。結果表明：農村住宅的建筑朝向與建筑高度為影響建筑采光、能耗和熱舒適性的關鍵因素；與基準建筑模型相比，利用所提出方法優化后農村住宅的建筑全年平均有效天然光照度為35.62%，略有增大，建筑冬季采暖能源使用強度為25.30kW·h/m2，減小了10%，客廳冬季平均熱舒適預計不滿意百分比為14.28%，減小了5%。

關鍵詞：農村住宅；性能優化；多目標優化；全局敏感性分析

中圖分類號：TU24

文獻標志碼：A

Abstract：Toimproveperformanceofruralresidencesintermsofdaylighting，energyconsumption，andthermalcomfort，aperformanceoptimizationmethodofruralresidencesbasedonglobalsensitivityanalysisoftreedGaussianprocesswasproposedwiththehelpofGrasshopperplatformandusingpluginsofHoneybee，Ladybug，andOctopus.Byestablishingabenchmarkbuildingmodel，impactsofdesignparametersontheperformanceoftheruralresidenceswerecomprehensivelyanalyzed，andmultiobjectiveoptimizationwascarriedout.Theresultsshowthatbuildingorientationandbuildingheightarekeyfactorsaffectingbuildingdaylighting，energyconsumption，andthermalcomfort.Comparedwiththebenchmarkbuildingmodel，theannualaverageusefuldaylightilluminanceoftheruralresidenceoptimizedbyusingtheproposedmethodis35.62%whichhasaslightincrease.Theenergyuseintensityofbuildingheatinginwinteris25.30kW·h/m2withadecreaseof10%，andtheaveragepredictedpercentageofdissatisfiedoflivingroominwinteris14.28%withadecreaseof5%.

Keywords：ruralresidence;performanceoptimization;multiobjectiveoptimization;globalsensitivityanalysis

在我國碳中和、碳達峰的時代背景下，節能減排成為各行各業愈發關注的課題［1］。農村住宅在全國住宅建筑中占據重要地位［2］，如何對既有農村住宅進行節能優化，是實現建筑業碳中和、碳達峰的重要方面；另外，隨著人民生活水平的不斷提高，農村居民對居住環境的改善也不斷有新的要求［3］，如何實現節能、采光、熱舒適等性能的均衡提升成為當今農村住宅建筑從業者共同面臨的問題，而常規的模擬優化設計方法耗時較長且工作量大，難以實現對優化結果的窮舉，存在諸多局限性。

智能優化算法在處理復雜性、約束性、非線性等問題時具有突出能力，因此吸引了建筑師將其運用于建筑性能優化，解決了以往優化過程繁瑣、耗時較長以及結果單一等問題［4］。近年來相關研究［5-6］也在逐步推進，目前關于智能優化算法的建筑相關研究主要集中在應用遺傳算法對建筑性能進行的多目標優化［7］，并且以SPEAII、NSGAII、HypE算法最為廣泛；常見的優化工具為基于Grasshopper平臺的Octopus插件和數學軟件MATLAB，以Octopus插件居多［8］。張少飛［9］以全年動態評價指標空間自主采光閾、年日照時數、有效天然光照度（usefuldaylightilluminance，UDI）等自然采光指標為目標函數，利用Grasshopper平臺參數化工具并結合SPEAII算法，針對某養老機構建筑的側向采光口形狀和角度進行優化研究。楊崴等［10］對中國華北地區某博物館建筑進行案例分析，以建筑能耗、生命周期成本、一次能耗以及全球變暖潛勢為目標函數，基于Grasshopper平臺，結合HypE算法，比較了不同優化流程目標集和變量設置對最優解集的影響。Chegari等［11］以能耗和熱舒適性為指標，利用MATLAB軟件，結合NSGAII算法對摩洛哥馬拉喀什地區的某住宅的墻體、窗口、遮陽設備、熱橋以及通風的熱物性參數進行了多目標優化。以上研究的優化指標多具有偏向性，缺乏對能耗、采光以及熱舒適的綜合性考慮。孫澄等［12］以建筑能耗、熱不舒適時間比、自主采光閾、UDI為目標函數，研究了嚴寒地區辦公建筑的幾何尺寸、構造和運行等建筑參數的優化設計。Sun等［13］以能源使用強度（energyuseintensity，EUI）、空間自主采光閾、UDI和建筑圍護結構成本為目標函數，對長春市公共圖書館大樓進行了多目標優化研究。孫澄等［12］、Sun等［13］將優化研究目標拓展到建筑能耗、熱舒適、采光3個方面，使多目標研究范圍更廣泛，但是因以城市中辦公和公共建筑為研究對象而缺乏針對農村住宅的探討。湯兵［14］以外窗類型與不同方向的窗墻比作為外窗性能與尺度設計變量，借助Grasshopper平臺中的Ladybug、Honeybee、Octopus插件生成典型建筑模型并對寧夏紅寺堡生態移民住房進行多目標優化。Zhu等［15］利用Rhino-Grasshopper模型提取并建立3種鄉村旅游建筑的基準模型，應用基于Pareto理論的多目標優化工具Octopus插件，探討鄉村旅游建筑的形狀和窗墻比對能耗、室內采光和熱舒適性等方面性能的影響。現有研究雖然嘗試了將優化算法與農村住宅的性能優化相結合，但是都主要關注于優化目標，缺乏對設計參數影響關系的綜合研究。

篩選、提取影響建筑性能的關鍵參數可以有效改善和提高優化設計的合理性與精確性，節省優化時間和成本，然而各參數與建筑性能之間的作用關系非常復雜，利用全局敏感性分析方法確定關鍵參數可以有效解決設計參數與目標函數間的非線性復雜關系問題。何成［16］利用全局敏感性分析，定量研究了37個設計參數的能耗敏感性，并得出庭院式建筑性能的關鍵參數，論證了全局敏感性分析在建筑能耗分析中的合理性。本文中提出一種農村住宅性能多目標優化方法，基于Grasshopper平臺，借助Honeybee、Ladybug、Octopus插件，以及Python、R語言等工具建立建筑基準模型，搭建性能優化平臺；同時結合基于樹狀高斯過程（treedGaussianprocess，TGP）的全局敏感性分析方法，進行農村住宅性能敏感性分析，綜合分析設計參數對目標函數的影響，并篩選影響建筑性能的關鍵參數；針對農村住宅基準模型進行多目標優化，通過非支配解集篩選關鍵參數的推薦值或區間，并對優化結果進行評價。

濟南大學學報（自然科學版）第37卷

第3期姚勝，等：基于全局敏感性分析的農村住宅性能優化方法

1性能優化方法

1.1性能優化平臺

Grasshopper平臺作為Rhino軟件中的輔助設計插件［17］，已被越來越多的設計師用于參數化設計。Ladybug、Honeybee插件是近年來興起的建筑性能模擬工具［18］，高效整合了既有模擬軟件的內核，通過該插件可實現建筑風光熱以及能耗等性能的模擬，極大簡化了建筑性能模擬的過程。Octopus插件是由維也納應用藝術大學開發的可用于多目標優化插件［19］，內置多種優化算法，為Grasshopper平臺用戶提供了較便利的多目標優化模塊。基于Grasshopper平臺與全局敏感性分析的農村住宅性能優化流程框架如圖1所示。

1.2基于TGP的Sobol法

基于TGP的Sobol法是一種全局敏感性分析法，適用于非線性［20］和非靜態回歸模型［21］。相對于一般的基于方差的分析方法，TGP需要的模型少，計算量小，效率高［22］，因此選擇該方法進行目標函數對各設計參數的敏感性分析。主效應和全效應是設計參數敏感性分析結果的2個指標。其中主效應指當參數單獨變化時對結果方差的貢獻，并使用一階敏感性指數度量貢獻水平；全效應則指各參數在與其他參數交互作用的情況下對結果方差的貢獻，并使用全局敏感性指數度量貢獻水平。主效應和全效應的值均為［0，1］，計算公式［16］分別為

2基準模型搭建

2.1基準建筑模型

以河北省工程建設標準設計圖集DBJT02-183—2020《農村住宅標準設計圖集（冀中分冊）》中的戶型（一）為基礎，并結合實際調研情況，構建基準建筑模型［25］，基準建筑模型的效果圖與主要平面布局如圖2所示。

根據河北省工程建設標準設計圖集DBJT02-183—2020《農村住宅標準設計圖集（冀中分冊）》［25］與國家標準GB50176—2016《民用建筑熱工設計規范》［26］，建筑圍護結構構造形式及傳熱系數見表1。內墻面與頂棚的內表面材料設置為白色乳膠漆，可見光反射率為0.84；設置地面的表面材料為防滑地磚，可見光反射率為0.35［27］。

客廳、餐廳、臥室在冬、夏季的室內設定溫度分別為20、26℃，衛生間、廚房在冬季室內的設定溫度分別為18、16℃，夏季無設置；基準建筑模型中功能房間內部負荷見表2［28］；基準建筑模型運行時刻表見表3。

采用Octopus運算器內置的SPEAII算法作為優化算法。該算法在收斂性、解集分布性等方面都有較大的優勢，多目標優化算法的運行參數設置如表4所示。

2.2優化平臺框架

選取建筑全年平均UDI評價農村住宅采光性能。UDI是室內水平工作面上采光照度滿足某范圍內的時長占全年工作時長的比例。當照度為100～2000lx時，認為光環境符合正常視覺工作需求，可稱該照度區間為有效區間。UDI值越大，建筑采光性能越好［29］。

選取建筑冬季采暖EUI評價農村住宅能耗性能，冀中地區屬于寒冷氣候區，冬季采暖能耗大，而建筑冬季采暖的能耗強度能夠反映建筑單位面積的冬季采暖總能耗［30］。

選取客廳冬季平均預計不滿意百分比（predictedpercentageofdissatisfied，PPD）評價農村住宅的熱舒適性能，預計熱感覺指數（PMV）及PPD是目前國際公認的評價室內熱環境質量的較好方法，能有效反映建筑室內的熱舒適情況［31］。客廳作為使用頻率最高的房間，其PPD對于整個建筑而言更有代表性。

在選定建筑全年平均UDI、建筑冬季采暖EUI、客廳冬季平均PPD評價住宅各方面性能的基礎上，考慮到優化引擎的優化機制是尋求最小化目標函數值，以-UDI、EUI、PPD作為目標函數進行模擬優化。基于Grasshopper平臺的農村住宅性能優化平臺框架如圖3所示。

3結果與分析

3.1敏感性分析

選取對建筑性能影響較大的幾何形體參數作為設計參數，按照基本使用要求和相關規范對設計參數的取值范圍進行界定，如表5所示。取建筑朝向的步長為1°，陽光間窗墻比的步長為0.01，其余參數的步長均為0.01m。

為了避免重復抽樣，聯合Python語言和Grasshopper平臺對設計參數進行拉丁超立方抽樣（Latinhypercubesampling，LHS）。按照一個參數至少變化10次的原則［32］，抽樣得到150個輸入樣本，進行建筑性能模擬。利用R語言收集輸入、輸出數據，并運用Sensitivity、TGP軟件包，基于TGP的Sobol法進行參數敏感性分析。圖4—6分別為建筑全年平均UDI、建筑冬季采暖EUI、客廳冬季平均PPD的敏感性分析。從圖4（a）中可以看出：除了建筑高度以外，其余10個設計參數的主效應都呈現單調增大或減小的變化趨勢；當建筑高度在一定范圍內增大時，全年平均UDI的主效應增大較明顯；當超過某臨界值后，出現局部減小的趨勢，整體增大的趨勢放緩。從圖5（a）、6（a）可以看出，除了建筑朝向、建筑高度以外，冬季采暖EUI和客廳冬季平均PPD的主效應隨著其余9個設計參數的增大都呈現單調增大或減小的變化趨勢，隨著建筑朝向的增大而呈現先增大后平穩再減小的變化趨勢，隨著建筑高度的增大而呈現先減小后增大的非單調變化趨勢。

從圖4（b）、5（b）、6（b）中可以得出11個設計參數對于3個目標函數從大到小的一階敏感性指數排序。從圖4（b）中可以看出，建筑高度的敏感性明顯強于其他參數的敏感性；從圖5（b）、6（b）中可以看出，建筑朝向與建筑高度的敏感性明顯強于其他參數的敏感性。從圖4（c）、5（c）、6（c）中可以得出11個設計參數中對于3個目標函數從大到小的全局敏感性指數排序。值得注意的是，11個設計參數的全效應相對于主效應增大較明顯，說明11個設計參數之間的相互作用對3個目標函數的影響較大。

為了減少多目標優化的運算量，提升優化的精準度，根據一階敏感性指數與全局敏感性指數對11個設計參數進行排序，基準建筑模型的設計參數敏感性分析結果排序如表6所示。剔除同時位于3個指標一階敏感性指數與全局敏感性指數排序后7位的設計參數，主要包括餐廳進深、臥室2寬度、客廳寬度、臥室3寬度4個設計參數，最終篩選得到用于多目標優化的關鍵參數為建筑朝向、臥室1寬度、臥室1進深、廚房進深、陽光間進深、陽光間窗墻比、建筑高度7個參數。

3.2多目標優化及最優解

表7所示為非支配解集關鍵參數和優化目標值。從表中可以看出：建筑朝向主要分布在南偏西40°到南偏東21°范圍內；臥室1寬度大部分解集中在4.80m附近；臥室1進深主要集中在3.62～3.83m；廚房進深主要分布在3.50～3.56m；陽光間進深主要集中在1.50、1.64m附近；陽光間窗墻比主要分布在0.81～0.88；建筑高度所有解都集中在3.21m附近。綜上可得基準建筑模型關鍵參數的推薦區間，如表8所示。

由于所有最優解均無差別地統計在非支配解集中，需要對非支配解集進行對比決策與優選，因此將建筑全年平均UDI、建筑冬季采暖EUI和客廳冬季平均PPD作為評價解，利用TOPSIS綜合評價法計算各評價解的貼近系數，按貼近系數的大小對非支配解進行排序，選取貼近系數最大的解作為最優解，基準建筑模型關鍵參數的最優解如表8所示。相對于基準模型，最優解所對應的建筑全年平均UDI為35.62%，略有增大；建筑冬季采暖EUI為25.30kW·h/m2，減小10%；客廳冬季平均PPD為14.28%，減小了5%。圖7所示為優化后建筑中各房間的性能評價指標的變化。從圖中可以看出：經過優化，臥室1、陽光間的平均UDI明顯增大，分別增大9%、31%；臥室1、臥室2、客廳、餐廳4個房間的冬季采暖EUI明顯減小，分別減小9%、9%、13%、14%；各房間冬季平均PPD均有所減小，以陽光間的減小幅度最大，冬季平均PPD減小了16%。

4結論

借助Grasshopper平臺，本文中提出了一種基于樹狀高斯過程全局敏感性分析的農村住宅性能優化方法，并選擇相關案例進行優化研究，得到以下主要結論：

1）建筑朝向與建筑高度對目標函數的敏感性明顯高于其他設計參數的，并且都存在非單調變化趨勢。設計參數之間的相互作用對建筑全年平均UDI、建筑冬季采暖EUI以及客廳冬季平均PPD這3個目標函數的影響較大。

2）冀中地區所選農村住宅的關鍵參數的最優組合是建筑朝向為南偏東13°，臥室1寬度為4.80m，臥室1進深為3.62m，廚房進深為3.55m，陽光間進深為1.64m，陽光間窗墻比為0.82，建筑高度為3.20m。

3）相對于基準模型，經過多目標優化，得到的最優建筑關鍵參數組合對應的農村住宅全年平均UDI為35.62%，略有增大；建筑冬季采暖EUI為25.30kW·h/m2，減小10%；客廳冬季平均PPD為14.28%，減小5%。

參考文獻：

［1］金涌，韓繼波.中國實現碳中和需要顛覆性科技創新［N］.北京科技報，2021-04-19（6）.

［2］高蕾，楊華普.寒冷地區鄉村被動式建筑營建模式設計研究［J］.城市建筑，2019，16（20）：92.

［3］邵騰，金虹.基于優化算法的嚴寒地區鄉村住宅節能優化設計研究［J］.建筑科學，2019，35（12）：99.

［4］陳航.基于多目標優化算法的寒冷地區辦公建筑窗口設計研究［D］.天津：天津大學，2017.

［5］高源，池婧祎，羅書龍，等.基于Octopus+Honeybee的天津鄉村住宅被動式節能設計多目標優化技術框架［J］.西安理工大學學報，2021，37（4）：488.

［6］DONGYH，SUNC，HANYS，etal.Intelligentoptimization：anovelframeworktoautomatizemultiobjectiveoptimizationofbuildingdaylightingandenergyperformances［J］.JournalofBuildingEngineering，2021，43：102804.

［7］尚琪.多目標優化導向的內蒙古西部草原民居圍護結構節能構造優化研究［D］.包頭：內蒙古科技大學，2019.

［8］羅毅.基于參數化設計平臺的建筑性能優化流程研究［D］.天津：天津大學，2018.

［9］張少飛.基于Galapagos和Octopus的自然采光優化設計方法論證［D］.天津：天津大學，2017.

［10］楊崴，于漢澤.生命周期環境影響與成本目標下的建筑設計優化方法［J］.建筑學報，2021（2）：35.

［11］CHEGARIB，TABAAM，SIMEUE，etal.Multiobjectiveoptimizationofbuildingenergyperformanceandindoorthermalcomfortbycombiningartificialneuralnetworksandmetaheuristicalgorithms［J］.EnergyandBuildings，2021，239：110839.

［12］孫澄，韓昀松.光熱性能考慮下的嚴寒地區辦公建筑形態節能設計研究［J］.建筑學報，2016（2）：38.

［13］SUNC，LIUQQ，HANYS.Manyobjectiveoptimizationdesignofapublicbuildingforenergy，daylightingandcostperformanceimprovement［J］.AppliedSciences，2020，10（7）：2435.

［14］湯兵.寒冷A區農房外窗的多目標優化設計研究［D］.濟南：山東建筑大學，2020.

［15］ZHUL，WANGBH，SUNY.Multiobjectiveoptimizationforenergyconsumption，daylightingandthermalcomfortperformanceofruraltourismbuildingsinnorthChina［J］.BuildingandEnvironment，2020，176：106841.

［16］何成.庭院式建筑設計參數的能耗敏感性研究［D］.天津：天津大學，2017：42-43.

［17］申杰.基于Grasshopper的綠色建筑技術分析方法應用研究［D］.廣州：華南理工大學，2012.

［18］ZITZLERE，THIELEL.Multiobjectiveevolutionaryalgorithms：acomparativecasestudyandthestrengthParetoapproach［J］.IEEETransactionsonEvolutionaryComputation，1999，3（4）：257.

［19］李彤.Octopus智能優化插件的介紹及其應用：Grasshopper平臺上的一款多目標優化軟件［J］.城市建筑，2016（6）：373.

［20］何志昆，劉光斌，趙曦晶，等.高斯過程回歸方法綜述［J］.控制與決策，2013，28（8）：1121.

［21］何成，朱麗，田瑋.城市建筑布局的能耗敏感性分析［J］.哈爾濱工業大學學報，2018，50（4）：174.

［22］GRAMACYRB，TADDYM.Categoricalinputs，sensitivityanalysis，optimizationandimportancetemperingwithtgpversion2，anRpackagefortreedGaussianprocessmodels［J］.JournalofStatisticalSoftware，2010，33（6）：1.

［23］于小芹，馬云瑞，余靜.基于熵權TOPSIS模型的山東省海岸帶生態修復政策效果評價研究［J］.海洋環境科學，2022，41（1）：74.

［24］MENJJ，ZHAOXR，CHENGZD，etal.StudyontheannualopticalcomprehensiveperformanceoflinearFresnelreflectorconcentratorswithaneffectivemultiobjectiveoptimizationmodel［J］.SolarEnergy，2021，225：598.

［25］河北省建設工程標準編制研究中心.農村住宅標準設計圖集（冀中分冊）：DBJT02-183—2020［S］.北京：中國建材工業出版社，2019.

［26］中華人民共和國住房與城鄉建設部.民用建筑熱工設計規范：GB50176—2016［S］.北京：中國建筑工業出版社，2016.

［27］中華人民共和國住房和城鄉建設部.建筑采光設計標準：GB50033—2013［S］.北京：中國建筑工業出版社，2013.

［28］陸耀慶.實用供熱空調設計手冊［M］.2版.北京：中國建筑工業出版社，2008：1547-1554.

［29］NABILA，MARDALJEVICJ.Usefuldaylightilluminances：areplacementfordaylightfactors［J］.EnergyandBuildings，2006，38（7）：905.

［30］KONISK，GAMASA，KENSEKK.Passiveperformanceandbuildingform：anoptimizationframeworkforearlystagedesignsupport［J］.SolarEnergy，2016，125：161.

［31］ALISF，SHARMAL，RAKSHITD，etal.InfluenceofpassivedesignparametersonthermalcomfortofanofficespaceinabuildinginDelhi［J］.JournalofArchitecturalEngineering，2020，26（3）：04020017.

［32］LOEPPKYJL，SACKSJ，WELCHWJ.Choosingthesamplesizeofacomputerexperiment：apracticalguide［J］.Technometrics，2009，51（4）：366.

（責任編輯：王耘）