一种水基热激活建筑系统热性能预测与机制提取方法、装置

1.本发明属于建筑节能技术领域，更具体的说，是涉及一种水基热激活建筑系统热性能预测方法与热性能机制的提取方法及装置。


背景技术：

2.任何与建筑环境可持续相关的项目都难以从环境和能源话题中脱离，这意味着提升环境质量、降低能源强度和提高可再生能源利用率已成为建筑环境的核心任务。现有数据表明，约50％的采暖和制冷负荷由建筑围护体系负责,而发生在围护系统中的无效热传递是引致高强度建筑能耗的重要原因之一。在被动式技术领域，增加围护结构厚度或在围护结构外表面覆盖保温层是提高能源利用效率的典型方法。然而，过厚的围护结构会挤压建筑的可用空间，同时会增加成本投资。并且部分保温材料因使用寿命周期短而需要阶段性更替，这种耐用性和可靠性的缺陷对成本及环境均不利。
3.利用低品位可再生能源对围护结构实现动态调节以降低冷热需求被认为是一种可靠且高效的保温策略。基于该策略的热激活建筑系统已成为最具吸引力的建筑环境调节方式之一。与常规建筑围护体系相比，热激活建筑系统嵌入了供各类介质循环的通道，而介质的选择也决定了通道的材质和结构形式。根据传热介质类型可将热激活建筑系统分为空气基和水基两种形式。既有研究表明水基热激活建筑系统是一种更高效的方式。水基热激活建筑系统模型及其季节性技术原理如图1所示。以不同设定点温度循环工质形成不同级别能质系数的冷热源可将水基热激活建筑系统大致分类为“高调适”、“中调衡”、“低调控”等三个层级的功能形态。“高调适”以冷热供给为设计初衷，以辅助甚至替代常规冷热系统设备形式存在，通过向建筑环境提供定量或充量的冷热能源提高空间热舒适度；“中调衡”则以低理论的视角，通过向建筑物补充其与环境耗散能量的同等能级的能量维持建筑物的热动平衡，并降低高输入伴随的损；“低调控”则偏向以等效热阻的角色控制建筑物向环境散逸的能量，从而减少建筑物对能源的依赖，降低能源消耗与温室气体排放。可见，与传统被动技术相异，水基热激活建筑系统能够随建筑物环境变化对所输入热力学能作向优调整，以动态热阻应对外界波动，从而达到更理想的技术能效。
4.然而，目前缺少概括性的针对水基热激活系统的热性能预测方法及其深层规则的解释方法严重限制了该系统的应用。已有的针对水基热激活系统热性能的预测方法进行了大量简化假设，系统存在的不确定性可能会降低预测的精度。尽管以数值方法预测水基热激活系统的热性能相对可靠，但由于其较高的计算成本，导致此类方法难以实现快速预测。这也造成基于现有方法难以形成针对水基热激活系统的明确设计规则。cn111832111a提供了一种利用敏感性指数识别水基热激活系统热性能关键影响因素的方法。但该方法仅基于输入和输出衡量变量引起热性能的平均变化，而无法揭示单个样本中的热性能机制，即缺乏局部解释。这种局部解释有助于设计人员对变量在不同系统型式中的影响机制的理解。


技术实现要素：

5.本发明的目的在于克服现有技术的不足之处，提供一种基于可解释机器学习和数值模拟的水基热激活建筑系统热性能预测和机制提取方法，以促进该系统在现实中的应用，并为该系统的设计和运行提供技术支持。
6.本发明解决技术问题所采用的技术方案是：
7.本发明的第一方面是提供了一种基于可解释机器学习和数值模拟的水基热激活建筑系统热性能预测和机制提取方法，包括下述步骤：
8.构建可泛化的水基热激活建筑系统的基准模型；
9.定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；
10.利用四类不同抽样策略包括monte carlo抽样、拉丁超立方抽样、sobol序列抽样对特征变量执行抽样，生成特征变量样本库；
11.搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；
12.将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；
13.建立包含特征变量样本与热性能评价指标的数据集，并将数据集划分为训练集和测试集；
14.利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；
15.应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制；
16.所述虚拟结构层特征变量包括热障层外侧结构的表面发射率、热导率、定压比热容、密度、厚度，热障层结构的热导率、定压比热容、密度、厚度，以及热障层内侧结构的表面发射率、热导率、定压比热容、密度、厚度；管道系统特征变量包括管道直径、管排数、管道热导率、管道偏移量；流体工质特征变量包括流体热导率、流体定压比热容、流体密度、流体质量流率、供水温度；周边环境特征变量包括室内侧温度设定点、外部空气温度、内表面对流换热系数、外表面对流换热系数、太阳辐射强度。
17.进一步地，所述随机有限元程序由comsol与matlab协同搭建。为验证控制方程对物理问题描述的有效性，将有限元模型输出与实验数据进行了对比校核。为实现基准模型向具体模型的转换，需要参数可调的数值模型，并由程序进行参数扫描对模型实时更新。
18.进一步地，所述水基热激活建筑系统热性能的评价指标包括系统效率和蓄热效率，分别采用下述公式描述：
[0019][0020]
[0021]
式中，ex
out
为有效输出，单位j；ex
in
为系统总输入，单位j；cps为结构层比热，单位j/kg
·
k；ms为结构层质量，单位kg；为结构层温升速率，单位k/s；q
out
为系统内表面向室内环境输出的流，单位w/m2；ai为系统内表面与环境的通量面积；cpf为流动工质比热，单位j/kg
·
k；为工质质量流率，单位kg/s；
△
tf为工质进出口温差，单位k；q
in
为由系统边界经表面向系统输入的流，单位w/m2；τ为时间，单位s，其中τ
∞
表示系统达到热动平衡所需时间，预实验显示72h可满足系统达到稳态所需时间；δn为名义时间常数，用于衡量结构热力学能变化速度，单位h；为热流龄，单位h。
[0022]
进一步地，所述步骤(6)中的xgboost机器学习模型性能评估指标包括平均绝对误差(meanabsolute error，mae)和决定系数(r2)。
[0023]
进一步地，该方法还包括利用测试集对最优模型进行验证，以确保最优模型的性能；
[0024]
进一步地，本发明应用可解释人工智能中的shap方法对最优的热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。
[0025]
本发明的第二方面是提供了实现上述方法的装置，包括：
[0026]
水基热激活建筑系统模型构建模块，用于构建可泛化的水基热激活建筑系统的基准模型；
[0027]
特征变量设定模块，用于定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；
[0028]
抽样模块，利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；
[0029]
特征变量处理模块，搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；
[0030]
数据库建立模块，建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；
[0031]
机器学习模块，利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；
[0032]
分析模块，应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。
[0033]
本发明的第三方面是提供了一种电子设备，包括存储器和处理器；其中：
[0034]
存储器：用于存储处理器可执行的指令；
[0035]
处理器：所述处理器被配置执行：构建可泛化的水基热激活建筑系统的基准模型；定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将
数据集划分为训练集和测试集；利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。
[0036]
本发明的第四方面是提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行所述的水基热激活建筑系统热性能预测与机制提取方法。
[0037]
本发明的优点和有益成果
[0038]
1、本发明的水基热激活建筑系统热性能预测方法充分考虑了系统的不确定性，可以适用于不同地区和不同构造型式的系统，并且通过结合机器学习与数值模拟，可以实现热性能的快速预测，具有很强的推广性；
[0039]
2、本发明的热性能机制提取方法克服了针对单一或有限类别系统型式的性能规律研究的局限性，并且可以获得对热性能机制的个体层级的理解，为水机热激活建筑系统的设计与运行提供了技术支持；
[0040]
综上所述，本发明的水基热激活建筑系统热性能预测与机制提取方法具有简单高效且推广性强的优点，并且可以从全局和局部视角对系统特征变量与热性能的作用机制进行提取，可以为水机热激活建筑系统的设计与运行提供技术支持。
附图说明
[0041]
图1为本发明所述水基热激活建筑系统模型及其季节性原理示意图；
[0042]
图2为本发明所述水基热激活建筑系统基准模型示意图；
[0043]
图3为本发明所述由comsol建立的水基热激活建筑系统几何与离散模型示意图；
[0044]
图4为本发明所述协同仿真实现随机有限元建模流程图；
[0045]
图5为本发明所述水基热激活建筑系统试验结果与模拟结果对比示意图；
[0046]
图6为本发明所述蓄热效率预测模型的特征密度散点图；
[0047]
图7为本发明所述效率预测模型的特征密度散点图；
[0048]
图8为本发明所述蓄热效率预测模型中的ρc与δc交互作用示意图；
[0049]
图9为本发明所述蓄热效率预测模型中的ρc与hi交互作用示意图；
[0050]
图10为本发明所述蓄热效率预测模型中的δc与cpc交互作用示意图；
[0051]
图11为本发明所述蓄热效率预测模型中的hi与δc交互作用示意图；
[0052]
图12为本发明所述效率预测模型的mf与δa交互作用示意图；
[0053]
图13为本发明所述效率预测模型的δa与δb交互作用示意图；
[0054]
图14为本发明所述效率预测模型的δb与mf交互作用示意图；
[0055]
图15为本发明所述效率预测模型的is与mf交互作用示意图；
[0056]
图16为本发明所述蓄热效率决策路径；
[0057]
图17为本发明所述效率决策路径。
具体实施方式
[0058]
下面结合附图和具体实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定，不应以此限制本发明的保护范围。
[0059]
本发明的融合可解释机器学习和数值模拟的水机热激活建筑系统热性能预测与规则提取方法，包括下述步骤：
[0060]
1、构建可泛化的水基热激活建筑系统的基准模型：
[0061]
首先构建可泛化的针对水基热激活建筑系统的基准模型，实现向不同系统型式间的转换以覆盖尽可能多的设计类别，如图2所示。其中层-a为热障层外侧，层-b为热障层，层-c为热障层内侧。该基准模型仅代表可泛化的虚拟构造而不以任何实际形态呈现，通过调整三个虚拟构层、管道流扰动层与边界环境扰动层的热交换相关参数，转换为热特性各异的具体模型。
[0062]
2、定义水基热激活建筑系统的特征变量，并确定特征变量的阈值：
[0063]
根据基本设计变量、相关节能规范要求以及现场试验情况，确定了特征变量及其阈值。包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量共计28个。其中热障层外侧结构特征变量：表面发射率εa、热导率λa、定压比热cpa、密度ρa和厚度δa；热障层结构特征变量：热导率λb、定压比热cpb、密度ρb和厚度δb；热障层内侧结构特征变量：表面发射率εc、热导率λc、定压比热cpc、密度ρc和厚度δc；管道系统特征变量：直径d
p
、管排数n
p
、热导率λ
p
和偏移量γ
p
；流体工质特征变量：热导率λf、定压比热cpf、密度ρf、质量流率mf和供水温度θf；周边环境特征变量：室内温度侧设定点θi、外部空气温度θe、内表面对流换热系数hi、外表面对流换热系数he和太阳辐照强度is。以上所述的特征变量的类别、名称、缩写及阈值范围如表1所示。
[0064]
表1特征变量及其范围
[0065][0066]
3、对特征变量执行抽样，生成特征变量样本库：
[0067]
为尽可能避免模型结果的偶然性，模型输入参数组由四类不同抽样策略获得，包括monte carlo抽样、拉丁超立方抽样、sobol序列抽样、halton序列抽样，共计10000组数据。
[0068]
4、搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解：
[0069]
基于集成fem求解器的comsol多物理场仿真平台，构建基准水机热激活建筑系统有限元模型。根据能量守恒定律，无内热源、忽略热弹性阻尼时非稳态传热方程为：
[0070]
[0071]
式中，ρ为微元体密度，单位kg/m3；t为微元体温度，单位k；u为微元体流速，单位m/s；λ为微元体热导率，单位w/m
·
k。
[0072]
传热模型边界定义为牛顿冷却公式，并采用hemicube方法计算以太阳辐射为外部源的辐射场后与传热场耦合，考虑墙体内外表面与环境间的辐射传热，热辐射通量可由stefan-boltzmann定律计算为：
[0073]qrad
＝ε(g-σt4)#(4)
[0074]
式中，ε为表面发射率，1；g为来自环境与外部辐射源的投入辐射，单位w/m2；σ为黑体辐射常数，5.67
×
10-8 w/m2·
k4。
[0075]
引入共轭传热接口至嵌管系统，确定流动工质在非等温流动过程中经管壁与邻近构造发生的热交换。为简化问题，对计算过程提出两点假设：(1)管内流动是二维发生的；(2)流动工质为不可压缩牛顿流体。考虑到管内工质流动阻力，引入churchill摩擦模型，并以热塑性塑料表面粗糙度(0.0015mm)设定。非等温管道流对流传热问题的完整数学描写如下：
[0076]
连续性方程：
[0077][0078]
navier-stokes方程：
[0079][0080]
能量守恒方程：
[0081][0082]
式中，a为流动工质与管内壁热交换接触面积，单位m2；p为压力，单位pa；fd为darcy摩擦因子，该无因次数群与re数和壁粗糙度及管道形状尺寸相关；dh为水力直径，单位m；f为体积力，单位n；qw为穿过壁面的外部热源，单位w。
[0083]
由comsol建立的水基热激活建筑系统几何模型与离散模型如图3所示。为实现基准模型向具体模型的转换，所构建的数值程序需随虚拟构造层参数组扫描对模型进行实时调整，即需基于搭建参数可调的数值模型以完成该项工作。因此，建模首选comsol的根本原因在于其能够在耦合物理场时实现精度和收敛性的权衡，特别是在计算成本极高的复杂问题中。步骤3的特征变量抽样过程与随机有限元模拟过程由livelink连接comsol与matlab进行协同仿真实现，具体流程如图4所示。
[0084]
为验证控制方程对物理问题描述的有效性，将模型输出与实验数据进行了对比校核，校核步骤如下：基于水机热激活建筑系统试验平台获得试验数据；然后，在comsol中建立与试验平台完全一致的虚拟模型；之后将上述控制方程耦合到虚拟模型上；最后求解得到管道进出水温度，实验数据与模拟数据的对比结果如图5所示。根据ashrae guideline 14-2014规定在以小时数据校准时误差在nmbe≤10％、cv(rmse)≤30％范围内被认为有效可靠。可见，所构建的数值模型能够较好地与实验数据吻合，误差保持在可接受范围内。
[0085]
5、将步骤4的随机有限元模拟得到的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果，所述水基热激活建筑系统
热性能的评价指标包括系统效率和蓄热效率，分别采用下述公式描述：
[0086][0087][0088]
式中，ex
out
为有效输出，单位j；ex
in
为系统总输入，单位j；cps为结构层比热，单位j/kg
·
k；ms为结构层质量，单位kg；为结构层温升速率，单位k/s；q
out
为系统内表面向室内环境输出的流，单位w/m2；ai为系统内表面与环境的通量面积；cpf为流动工质比热，单位j/kg
·
k；为工质质量流率，单位kg/s；
△
tf为工质进出口温差，单位k；q
in
为由系统边界经表面向系统输入的流，单位w/m2；τ为时间，单位s，其中τ
∞
表示系统达到热动平衡所需时间，预实验显示72h可满足系统达到稳态所需时间；δn为名义时间常数，用于衡量结构热力学能变化速度，单位h；为热流龄，单位h。
[0089]
6、将上述步骤4得到的抽样数据和步骤5得到的仿真后处理数据合并建立包含特征变量样本与热性能评价指标的数据集，并通过随机选择，将数据集的70％划分为训练集，剩余30％为测试集进行模型的性能测试。
[0090]
7、利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型：
[0091]
采用五折交叉验证和贝叶斯优化得到模型的最优超参数和预测模型的性能如表2所示。每个调优进程由50次迭代完成。由表可得，模型的平均绝对误差mae较小，且r2在可接受范围内。考虑到所建立水基热激活建筑系统基准模型的多元不确定性，认为经贝叶斯优化得出的xgboost模型可基本满足对热性能的预测需求，进而有助于设计人员在设计阶段迅速确定优化方向。
[0092]
表2超参数调优结果及模型预测性能
[0093][0094]
8、应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制：
[0095]
本实施例使用tree shap计算了每个样本的shap值。然后对每个特征的shap值的平均绝对值进行降序排列，从而分别得到了图6和图7中的水基热激活建筑系统的蓄热效率和效率的全局特征重要性排名。每个数据点表示一个样本的特征和shap值，不同颜色代表不同的特征数值。shap值表示每个特征对于模型的预测结果的贡献，正值表示增加了预测结果，负值表示减少了预测结果，弥漫在0附近则表示对预测结果的影响有限。特征值的密度分布显示了该特征在数据集中的频率分布，散点形状宽度大表示有大量样本聚集。
[0096]
依照图6和图7中shap的平均绝对值排序，蓄热效率相关显著影响特征主要为ρc、δc、cpc、hi、d
p
、λc，而效率相关显著影响特征主要为mf、δa、δb、is、ρb、ρa、d
p
、λa。经比较可知，水基热激活建筑系统的热存储或传递行为偏好主要受热障层内侧的结构材料和尺寸参数，以及室内空间近壁面热交换参数决定；而系统对输入的利用效率则主要受热障层及其外侧的结构材料和尺寸参数，以及环境参数影响，同时管道流系统相关参数对两项指标均表现出显著的影响水平。就细部而言，两项指标的特征影响规律呈现出一系列相斥或相异趋势，如mf对效率具有显著影响，且较大的工质流速对效率的负向影响更为显著；而对于蓄热效率，上述规律则恰恰相反。与上述规律呈现出相似现象的特征还包括cpa、cpb、cpf、ρa、ρb、δa、δb、λa、λb、εa、εc、θe、θf、n
p
、d
p
、γ
p
、hi、he、is。
[0097]
即使特征密度散点图有助于理解每个特征是如何影响模型输出的，但是当特征之间存在相互作用时，其可能会忽略这些相互作用的影响。因此，本实施例利用特征交互图来探究特征之间的交互作用对水基热激活建筑系统热性能的影响。在shap特征交互图中，横轴代表被选择特征的取值范围，纵轴代表该特征的shap交互值如何根据其他特征的特征值变化。图中色条表示另一个特征的取值范围，由红到蓝代表其值由大到小。
[0098]
图8为ρc与δc的交互图。由图可见，当ρc小于750kg/m3时，对于δc在160-180mm的样本，ρc对蓄热效率存在轻微的负面影响；对于δc在20-40mm的样本，ρc对蓄热效率有非常强烈的积极影响。随着ρc的增加(》750kg/m3)，对于160-180mm的样本，ρc对蓄热效率存在轻微的积极贡献，但是对于20-40mm的样本，ρc的增加会对蓄热效率产生越来越大的消极影响。因此，对热障内侧结构层而言，宜减薄所采用的低密度材料或加厚所采用的高密度材料以提高结构热存储性能。图9为ρc与hi的交互图，可以发现两者的交互作用会对蓄热效率产生复杂的影响。对于hi大于9w/m2·
k的样本，ρc在小于250kg/m3或大于1400kg/m3时，对蓄热效率产生积极作用；但在250-1400kg/m3之间时，ρc对蓄热效率会产生先增大后减小的消极作用，这种消极作用在ρc为500kg/m3时达到顶峰。对于hi小于7w/m2·
k的样本，ρc对蓄热效率产生于上述完全相反的影响。图10为δc与cpc的交互图，由图可以看出，对于cpc大于1200j/kg
·
k的样本，δc在小于25mm或大于125mm时，对蓄热效率表现出负向影响，而在25-125mm时，其表现出积极影响。图11为hi与δc的交互图，由图可以看出hi对hse产生的影响存在明显的转折点为8.3w/m2·
k，对于热障层内侧较厚的样本，较低的hi会对系统的蓄热效率产生积极影响，反之亦然。
[0099]
图12为mf与δa的交互图。对于热障层外侧较厚的样本，mf在小于0.2kg/s时，对效率产生正向影响，并且影响程度随着其值的增加而逐渐稳定；而当mf大于0.2kg/s后，其对效率产生相对平稳的负向影响。由此可得，对于热障层外侧较薄的设计应该在运行时采用较低的工质质量流量，反之亦然。图13为δa与δb的交互图。为保证系统的效率，热障层及
其外侧的厚度应该维持在一定水平。由图可得，对于δb大于140mm的样本，δa小于100mm时，会对效率产生积极影响，而热障层及其外侧厚度均较大时，反而会对效率产生消极影响。因此，在实际设计中保证热障层及其外侧结构层中一者的厚度达到一定水平即可同时兼顾系统对输入的利用率和经济效益。图14为δb与mf的交互图。图中可以观察到mf的作用会使δb对效率的影响存在明显的转折点，即δb为120mm时。因此，对于热障层厚度较低的设计，在运行时宜采用较高的工质质量流率。图15为is与mf的交互图。可以发现在mf影响下，is对效率影响的转折点为500w/m2，并且工质高质量流率能够削减太阳辐照强弱对系统效率的正或负向影响，而低质量流率则会加剧这一效果。因此，在太阳辐射较强的地区可以考虑采取较低的工质质量流率，但在太阳辐射不足的地区，建议增加工质质量流率以保证系统对输入的利用率。
[0100]
为确定多样本实例中特征对水基热激活建筑系统热性能的影响，可采用shap局部决策图以解释特征交互的累积作用，从而了解复杂模型如何做出决策。图16和17分别显示了系统特征对随机抽取的20组样本的蓄热效率和效率的决策路径。决策图信息为单样本的决策图向多样本的转化展示，输入特征依照其对热性能的影响程度即shap值加总沿纵轴自上向下排序，每个特征对最终热性能的作用方向与力度则由横轴表现。热性能基线由决策图中间灰色垂线标记，结果由彩线标记，该线由根部开始显示shap值如何由基线累积至顶部的热性能预测值，表示特征将输出值推动至高于或低于基线的趋势。从20组随机样本预测来看，蓄热效率的显著变化集中在ρc、δc、cpc、hi处，而效率的预测过程整体较为稳健，在mf、ρa、ρb、δa、δb处发生较大变化。通过对比两项指标的决策图能够发现，蓄热效率主要受几个重要特征的显著影响，效率则由多特征协同的均匀影响确定，从而导致更分散的样本实例曲线。因此，水基热激活建筑系统的热存储特性需要注重关键特征的作用，但系统效率优化需涉及到更多维度的特征参与。
[0101]
本发明的水基热激活建筑系统热性能预测与机制提取方法具有简单高效且推广性强的优点，并且可以从全局和局部视角对系统特征变量与热性能的作用机制进行提取，可以为水机热激活建筑系统的设计与运行提供技术支持。
[0102]
本发明进一步提供了实现上述方法的装置，包括：
[0103]
水基热激活建筑系统模型构建模块，用于构建可泛化的水基热激活建筑系统的基准模型；
[0104]
特征变量设定模块，用于定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；
[0105]
抽样模块，利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；
[0106]
特征变量处理模块，搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；
[0107]
数据库建立模块，建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；
[0108]
机器学习模块，利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方
法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；
[0109]
分析模块，应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。
[0110]
本发明进一步提供了一种电子设备，包括存储器和处理器；其中：
[0111]
存储器：用于存储处理器可执行的指令；
[0112]
处理器：所述处理器被配置执行：构建可泛化的水基热激活建筑系统的基准模型；定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。
[0113]
本发明进一步提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行所述的水基热激活建筑系统热性能预测与机制提取方法。
[0114]
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

技术特征：
1.一种水基热激活建筑系统热性能预测与机制提取方法，其特征在于，包括下述步骤：构建可泛化的水基热激活建筑系统的基准模型；定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。2.根据权利要求1所述的方法，其特征在于，所述虚拟结构层特征变量包括：热障层外侧结构的表面发射率、热导率、定压比热容、密度、厚度，以及热障层结构的热导率、定压比热容、密度、厚度，以及热障层内侧结构的表面发射率、热导率、定压比热容、密度、厚度。所述管道系统特征变量包括管道直径、管排数、管道热导率、管道偏移量；所述流体工质特征变量包括流体热导率、流体定压比热容、流体密度、流体质量流率、供水温度；所述周边环境特征变量包括室内侧温度设定点、外部空气温度、内表面对流换热系数、外表面对流换热系数、太阳辐射强度。3.根据权利要求1所述的方法，其特征在于，所述随机有限元程序由livelink连接comsol与matlab协同搭建。4.根据权利要求1所述的方法，其特征在于，所述水基热激活系统热性能评价指标包括系统效率和蓄热效率，分别采用下述公式描述：效率和蓄热效率，分别采用下述公式描述：式中，ex
out
为有效输出，单位j；ex
in
为系统总输入，单位j；cp
s
为结构层比热，单位j/kg
·
k；m
s
为结构层质量，单位kg；
▽
t
s
为结构层温升速率，单位k/s；q
out
为系统内表面向室内环境输出的流，单位w/m2；a
i
为系统内表面与环境的通量面积；cp
f
为流动工质比热，单位j/kg
·
k；为工质质量流率，单位kg/s；
△
t
f
为工质进出口温差，单位k；q
in
为由系统边界经表面向系统输入的流，单位w/m2；τ为时间，单位s，其中τ
∞
表示系统达到热动平衡所需时间，预实验显示72h可满足系统达到稳态所需时间；δ
n
为名义时间常数，用于衡量结构热
力学能变化速度，单位h；为热流龄，单位h。5.根据权利要求1所述的方法，其特征在于，xgboost机器学习模型性能评估指标包括平均绝对误差和决定系数。6.根据权利要求1所述的方法，其特征在于，所述可解释人工智能采用shap方法，使用treeshap计算了每个样本的shap值，然后对每个特征的shap值的平均绝对值进行降序排列，利用特征交互图分析特征之间的交互作用对水基热激活建筑系统热性能的影响，采用shap局部决策图解释特征交互的累积作用。7.根据权利要求1～6任一权利要求所述方法的装置，其特征在于，包括：水基热激活建筑系统模型构建模块，用于构建可泛化的水基热激活建筑系统的基准模型；特征变量设定模块，用于定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；抽样模块，利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；特征变量处理模块，搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；数据库建立模块，建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；机器学习模块，利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；分析模块，应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。8.一种电子设备，其特征在于，包括存储器和处理器；其中：存储器：用于存储处理器可执行的指令；处理器：所述处理器被配置执行：构建可泛化的水基热激活建筑系统的基准模型；定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；所述特征变量包括虚拟结构层特征变量、管道系统特征变量，流体工质特征变量及周边环境特征变量；利用不同抽样策略对特征变量执行抽样，生成特征变量样本库；搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解得到原始数据的一次结果输出；将基于原始数据的一次结果输出基于热性能指标进行数据后处理，得到基于水基热激活系统热性能评价指标的二次处理结果；建立包含特征变量样本与水基热激活系统热性能评价指标的数据集，并将数据集划分为训练集和测试集；利用训练集通过xgboost机器学习模型结合贝叶斯超参数寻优方法，通过交叉验证和迭代训练得到水机热激活建筑系统热性能的最优预测基模型；应用可解释人工智能方法对最优的水机热激活建筑系统热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行权利要求1-6的任一项所述的水基热激活建筑系统热性能预测与机制提取方法。

技术总结
本发明提供了一种水基热激活建筑系统热性能预测与机制提取方法及装置，方法步骤包括：构建系统基准模型；定义水基热激活建筑系统的特征变量，并确定特征变量的阈值；对特征变量执行抽样，生成特征变量样本库；搭建并配置随机有限元计算程序对特征变量样本库中的样本进行参数化求解；将一次结果输出基于热性能指标进行数据后处理，得到基于热性能评价指标的二次处理结果；建立包含特征变量样本与热性能评价指标的数据集；通过机器学习模型结合贝叶斯超参数寻优方法得到性能的最优预测基模型；应用可解释人工智能方法对最优的热性能预测模型进行解释性分析以提取特征变量与热性能之间的作用机制。与现有技术相比，本发明具有简单高效，可推广性强的优点。可推广性强的优点。可推广性强的优点。


技术研发人员：郭娟利 王周鹏 金勇运 王杰汇
受保护的技术使用者：天津大学
技术研发日：2023.07.05
技术公布日：2023/8/28