技术摘要：
本发明涉及能耗预测技术领域，更具体地，涉及一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法。一种包含太阳辐射的基本运算单元，所述基本运算单元为5种基本类型中的一种，5种基本类型为Unitground‑ceiling、Unitground‑roof、Unitfloor‑ceiling  全部
背景技术：
建筑能耗在我国能源消耗中占有重要比例，在智慧城市、节能减排的大背景下，在 建筑设计阶段进行针对建筑能耗的优化对实现城市的可持续发展具有重要意义。然而当前 的建筑能耗模拟准确度和运算速度不可同时兼顾： 一方面，传统的物理模拟方法运算极其耗时，对于形态复杂的单体建筑或建筑群 来说，一次较精确的能耗预测不得不花费数小时甚至数天时间；通过对相似楼层、房间的合 并计算可以减少一部分的运算时间，而由于现实环境中存在外部建筑的阴影或建筑体型的 自遮挡，造成了复杂的外部环境辐射，这种未考虑外部环境辐射的模型简化又降低了能耗 预测精确度。 另一方面，以神经网络技术为代表的机器学习算法提供了快速能耗模拟的可能 性。机器学习算法从现有样本数据中提取知识，再以可接受的精确度预测新输入的样本性 能。由于建筑形态控制参数的复杂性和建筑形态与周边环境的复杂交互作用，以往借助机 器学习进行能耗模拟的研究仅适合对简单方块体量的参数优化或体量固定前提下的围护 结构构造的优化(CN109255472A、CN104134097A、CN109409605A)。上述这些模拟方法并不适 用于实际建筑设计过程中对大量复杂形态的建筑方案比选。唯一试图解决这一问题的研究 (CN109033595A)利用形体切割方法将简单的长方体单元能耗相加获得建筑总能耗，但此方 法仅通过组成长方体单元的基本几何尺寸(长宽高、窗墙比)猜测其能耗，忽略了外部长短 波辐射因素对能耗的影响，潜在地影响能耗预测准确度。 上述机器学习算法对外部环境辐射的忽视可造成能耗的大幅度偏移，失真的能耗 模拟结果并不能有效指导设计师对建筑方案的优选，这直接影响到了机器学习算法引入实 际项目实践的可行性。
技术实现要素：
本发明为克服上述现有技术在建筑能耗预测模型中，未能考虑外部环境辐射造成 的精确度低的问题，提供一种包含太阳辐射的基本运算单元。 为解决上述技术问题，本发明采用的技术方案是：一种包含太阳辐射的基本运算 单元，所述基本运算单元为5种基本类型中的一种，5种基本类型为Unitground-ceiling、 Unitground-roof、Unitfloor-ceiling、Unitfloor-roof以及Unitexposead-ceiling；其中Unitground-ceiling表 示基本运算单元的下表面为与地面产生热交换的地坪面，上表面为层间的天花板； Unitground-roof表示基本运算单元的下表面为与地面产生热交换的地坪面，上表面为暴露于 外环境的屋顶面；Unitfloor-ceiling表示基本运算单元的下表面为层间的楼板面，上表面为层 5 CN 111597609 A 说　明　书 2/8 页 间的天花板面；Unitfloor-roof表示基本运算单元的下表面为层间的楼板面，上表面为暴露于 外环境的屋顶面；Unitexposed-ceiling表示基本运算单元的下表面为暴露于外环境的架空层 面，上表面为层间的楼板面；所述基本运算单元包括几何参数以及太阳辐射量参数。 优选地，所述基本运算单元为长方体，其几何参数包括长方体的长度X、宽度Y、高 度Z；以长方体的长度与高度所在平面为参考平面，该参考平面与当地正北方向的方位角为 Rotate；所述基本运算单元的每个面的内墙部分与该面总面积之比为Adiabatici，所述基 本运算单元的每个面上外墙部分的窗墙比为WWRi，即窗户面积占该外墙面面积之比，其中i 表示基本运算单元的每个侧面，i＝1至4。 优选地，所述太阳辐射量参数包括基本运算单元任一侧面外墙接收的太阳辐射量 Rad_walli以及该侧面上的外窗接收的太阳辐射量Rad_wini。 优选地，所述外墙接收的太阳辐射量Rad_walli包括Rad_walli(low)、Rad_walli (mid)以及Rad_walli(high)，其中Rad_walli(low)为室外气温低于室内最低设置温度时，该 侧面接收的太阳辐射量；Rad_walli(mid)为室外气温处于室内设置温度区间时，该侧面接 收的太阳辐射量；Rad_walli(high)为室外气温高于室内设置温度时，该侧面接收的太阳辐 射量；所述Rad_wini包括Rad_wini(low)、Rad_wini(mid)以及Rad_wini(high)，其中Rad_wini (low)为室外气温低于室内最低设置温度时，该侧面上的外窗接收的太阳辐射量；Rad_wini (mid)为室外气温处于室内设置温度区间时，该侧面上的外窗接收的太阳辐射量；Rad_wini (high)为室外气温高于室内设置温度时，该侧面上的外窗接收的太阳辐射量。 优选地，在所述基本运算单元为Unitground-roof或Unitfloor-roof时，所述太阳辐射量 参数还包括顶面太阳辐射Rad-roof，所述Rad_roof包括Rad_roof(low)、Rad_roof(mid)以 及Rad_roof(high)；其中，所述Rad_roof(low)为室外气温低于室内最低设置温度时，顶面 接收的太阳辐射量；Rad_roof(mid)为室外气温处于室内设置温度区间时，顶面接收的太阳 辐射量；Rad-roof(high)为室外气温高于室内设置温度时，该顶面接收的太阳辐射量。 本发明另一方面还提出一种建筑能耗快速模拟方法，包括将上述所述的基本运算 单元的参数用于机器学习算法生成以及建筑能耗快速模拟反馈。 优选地，所述机器学习算法生成包括训练样本生成、机器学习算法训练以及最佳 机器学习算法筛选； 所述训练样本生成为对基本运算单元的参数进行组合并随机超立方采样，采用实 验设计批量生成具有不同几何参数、太阳辐射量参数的基本运算单元作为训练样本，通过 将基本运算单元导入能耗模拟软件进行精确的物理模拟，获取其能耗数据； 所述机器学习算法训练包括两个步骤： a：由于输入参数的选择大幅影响机器学习算法的预测精度，因此需要探索具有最 佳预测效果的输入参数，通过参数变换公式，获得共j组输入参数； b：按照比例将经上一步参数变换后的j种训练样本组合分为训练集D0、测试集D1、 测试集D2，并将训练集D0分别输入到k种机器学习算法训练，对每种机器学习算法设置不同 的超参数p，总共得到j*k组，每一组具有若干个超参数设置组合的机器学习模型 需要 说明的是，j*k表示为j乘以K得到的数值； 所述最佳机器学习算法筛选包括以下步骤： 6 CN 111597609 A 说　明　书 3/8 页 S1：利用各类型机器学习算法模型 计算测试集D1的能耗数值，与测试集D1的实 际能耗比较，得到以R2表示的准确度值 S2：用这一准确度值 筛选每类机器学习算法中的最优超参数设置模型 S3：然后分别使用这j*k组候选机器学习算法对测试集D2的预测准确度进行计算， 获得预测准确度R2最高的机器学习算法预测模型Fbest。 需要说明的是，所述机器学习算法为人工神经网络、Gaussian  process  regression高斯过程回归算法、kriging代理模型算法、RandomForest随机森林算法、MARS 多元自适应回归算法以及SVM支持向量机。每个所述机器学习算法预测模型Fbest包括5种基 本运算单元的分支预测模型。对于不同的基本运算单元，机器学习算法预测模型获得的最 佳超参数组合p是不同的。 优选地，在所述步骤a中，从基本运算单元获取的参数信息可以被转换为相关联的 其他参数，参数变换公式如下： Area＝X*Y Area_wini Area_walli＝(Z*Length)*(1-Adiabatici) (Length＝X，if  i＝1，3；Length＝Y，if  i＝2，4) Area_wini＝WWRi*(Area_wini Area_walli) Area_walli＝(1-WWRi)*(Area_wini Area_walli) Rad-wall_averagei＝Rad_walli/Area_walli； Rad_win_averagei＝Rad_wini/Area_wini Rad_roof-average＝Rad_roof/Area 其中，Area_wini表示基本运算单元第i个侧面上外窗的面积，Area_walli表示基本 运算单元第i个侧面上外墙的面积；Rad_wall_averagei为基本运算单元任一侧面外墙单位 面积接收的太阳辐射量，Rad_win_averagei表示该侧面上的外窗单位面积接收的太阳辐射 量；Rad_roof_average表示顶面单位面积接收的太阳辐射量；j组输入参数包括 Configuration1、Configuration2、Configuration3、Configuration4、Configuration5以 及Configuration6；其中Configuration1包括X，Y，Z，Area，Rotate，Rad_walli，Rad_wini， Configuration2包括X，Y，Z，Area，Rotate，Adiabatici，Rad_walli，Rad_wini， Configuration3包括X，Y，Z，Area，Rotate，Adiabatici，WWRi，Rad_walli，Rad_wini， Configuration4包括X，Y，Z，Area，Rotate，Adiabatici，WWRi，Rad_wall_averagei，Rad_win_ averagei，Configuration5包括X，Y，Z，Area，Rotate，Area_walli，Area_wini，Rad_walli， Rad_wini，Configuration6包括X，Y，Z，Area，Rotate，Area_walli，Area_wini，Rad_wall_ averagei以及Rad_win_averagei。 优选地，在所述基本运算单元为Unitground-roof或Unitfloor-roof，Configuration1、 Configuration2、Configuration3以及Configuration5还包括Rad_roof，Configuration4 及Configuration6还包括Rad_roof_average，Rad_roof_average为顶面单位面积太阳辐 射。 7 CN 111597609 A 说　明　书 4/8 页 优选地，建筑能耗快速模拟反馈包括以下步骤： A：建筑分解：所述建筑分解为将建筑体量按照实际的建筑层高首先划分为不同层 的体量切片，再将每一层切片分解为若干长方体的基本运算单元； B：计算基本运算单元的辐射值：使用Accelerad对步骤A得到的基本运算单元进行 GPU加速的日照辐射参数快速计算，该计算算法的运算速度不与计算网格的精细程度和表 面复杂度呈正比； C：能耗的快速计算：将基本运算单元的几何参数、太阳辐射量参数批量输入机器 学习算法预测模型Fbest，得到整个建筑的所有基本运算单元的能耗数值Eidx，则建筑的总能 耗数值为 其中n为组成整个建筑的基本运算单元数量； D：快速能耗反馈：由于机器学习算法近乎实时的能耗反馈速度，可将计算出的总 能耗数值通过可视化方法快速显示在建筑模型内；组成建筑体量的各个基本运算单元的能 耗数值可直接以伪色图形式着色于每个基本运算单元的表面，方便建筑师快速找到建筑能 耗不利区域以进行针对性的形态优化。 与现有技术相比，有益效果是： 第一、本发明首次将全年辐射计算纳入机器学习训练参数，解决了当前机器学习 算法模拟建筑能耗时无法考虑建筑外环境影响因素的缺陷；这一缺陷的解决大幅提升了机 器学习算法的精确度，提高其实用性。 第二、借助GPU加速的太阳辐射计算以及机器学习算法的快速反馈，使得建筑能耗 的模拟时间从以往的数小时减少为数秒，并保证了精确度，已经具备了引入实际项目实践 的可行性。 第三、提出与室内设计温度区间相关联的三组辐射参数Radlow，Radmid，Radhigh可精 确描述建筑能耗与其所受外部太阳辐射的关系。 第四、提出包含太阳辐射的基本运算单元这一建筑组合概念，提高了建筑能耗预 测精度，同时可提供建筑每个组合单元的能耗数值并可视化呈现，使建筑师可直观判断能 耗不利区域并针对性改进方案。 第五、机器学习算法生成模块可筛选出最优的机器学习算法，不需进行人工筛选。 附图说明 图1为建筑能耗快速模拟方法的原理图； 图2为本发明中机器学习算法的原理图； 图3为本发明中基本运算单元的模型图； 图4为本发明中基本运算单元训练样本的实验设计； 图5为本发明中建筑分解示意图； 图6为本发明中详细建筑能耗以伪色的形式着色于每个基本运算单元的表面示意 图； 8 CN 111597609 A 说　明　书 5/8 页 图7为本发明实施例3中建筑体量示意图； 图8为本发明实施例3中快速计算得到的建筑表面接收的年太阳辐射总量示意图； 图9为北京气候条件下预测能耗与物理模拟能耗的回归分析图； 图10为广州气候条件下预测能耗与物理模拟能耗的回归分析图； 图11为本发明中将每个基本运算单元的建筑能耗预测值以伪色图的形式在建筑 三维模型表面呈现示意图。