能源驅動的城市智能生成
——設計早期的區域能耗優化設計

黃辰宇 張耿嘉 張星曌 殷明剛

建筑業能源消耗巨大，排放大量溫室氣體，是空氣污染和全球變暖不可忽略的重要因素。2020年，國家主席習近平在第七十五屆聯合國大會一般性辯論中提出：“中國將提高國家自主貢獻力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和。”在“碳達峰”和“碳中和”的語境下，降低城市能耗，充分利用可再生資源，提升能源系統的可持續性，已經成為城市規劃和建筑設計亟待解決的問題。

精準的區域能耗預測模型，對設計師預估規劃和建筑設計的影響以及決策者制定能源政策和定價至關重要[1]。建筑設計早期的設計決策對建筑能耗優化起決定作用[2]，然而傳統的城市建筑能耗評估軟件操作門檻較高，當前成熟的建筑能耗預測軟件如EnergyPlus、DeST、DOE-2等需要詳盡的參數設置和跨領域的建筑物理知識，在設計過程中不僅缺少參數，同時建筑師僅靠“試錯式”人工優化很難產生實際的優化效果。同時，區域能耗模擬往往非常耗時，不利于與方案決策進行實時交互和反饋。因此，建筑能耗評估僅存在于設計后期，即“后評估模式（Post-evaluation Paradigm）”[3]。本研究基于“性能驅動的生成設計（Performance-driven Generative Design）”的工作流和技術框架，提出數據驅動的城市智能建模方法和以能耗為目標的生成設計工作流。將區域能耗預測和優化置于設計早期，通過快速評估和判斷持續對方案進行能源性能優化，極大地增加設計決策與其性能評估的交互和反饋。通過引入建筑生成設計和多目標優化的概念，建筑將基于生成邏輯以可控的方式進行高效的設計迭代和遺傳優化，最終為環境性能優化提供高維的策略空間。

1 研究綜述

1.1 建筑能耗的早期優化

在過去的30年中，建筑能耗模擬（Building Energy Simulation,BES）已經建立了成熟的工具和應用。建筑能耗模擬是一個復雜的任務，即使是最簡單的模擬，也需要建筑幾何、材料熱性能、空調系統等大量數據輸入和跨領域的專家知識以及大量時間成本方能實現[4]，這使其難以介入信息匱乏的早期設計階段。研究表明，建筑設計早期的決策對建筑的環境性能影響更大，并且設計的變更成本更小[5-7]，在此基礎上，已經有很多學者研究了建筑設計早期的性能優化框架，Pil Brix Purup綜述了早期設計階段建筑性能模擬工具開發的研究，發現當前開發的模擬工具存在諸多障礙[8]。Hyunjoo Kim提出一種基于數據挖掘的方式，調研建筑位置、圍護結構（墻、窗、門和屋頂）、空調系統、照明、控制和設備對節能設計的影響，為設計早期的決策提供依據[9]。楊崴等以降低建筑的使用能耗、生命周期一次能耗、碳排放及生命周期成本為目標，建立了設計早期階段的參數優化設計方法與工具[10]。林波榮提出了早期設計階段多目標建筑性能優化（Building Performance Optimization,BPO）的系統解決方案，確定了在早期設計階段影響BPO流程實施的三個關鍵問題——模型集成、實時性能分析和交互式優化設計[11]。當前，關于建筑設計早期階段能耗優化的研究仍然不足，有必要進一步開發相關工作流和工具。

1.2 區域能耗建模方式

已有的研究多數關注建筑單體能耗的評估和優化[12-15]。楊峰綜述了建筑能耗模擬在單體、街區和城市等不同尺度的原理差異，并提出不能忽略能耗模擬尺度增大后的規模效應，同時指出當前面向規劃的設計尺度仍然缺乏有效的能耗模擬工具。在物理建模和數值模擬中，過度簡化城市環境，未能考慮城市小氣候、建筑間效應以及城市風力發電潛力成為主要限制因素。單純的物理建模因城市系統的復雜性、數據的缺乏以及高保真的城市細節所需的過高時間成本，難以實現對于城市環境的真實模擬[16]。Narjes Abbasabadi的綜述中提到了當前能耗建模的方式，包括數據驅動和基于物理模型模擬的方式。使用物理模型區域綜合能耗模擬是一項具有挑戰性的任務，由于在城市規劃的初始階段尚未形成任何城市形態，因此能耗模擬程序和優化引擎需要與城市形態生成的參數化模型相連接[17]。夏冰提出了基于性能分析的中尺度城市形態設計優化方法，指出區域的形態控制指標如容積率、密度和高度與能源消耗顯著相關[18]。此外，傳統方式無法應對復雜的非線性耦合關系，例如建筑屋頂和立面配備太陽能電池板用于城市發電，但相鄰建筑物之間可能會產生遮擋，影響太陽能收集[19]。數據驅動的能耗建模在過去幾年已有諸多成果，但該方法的主要局限性在于無法描述自變量系統的細小擾動造成的能耗波動，泛化性和可解釋性不足。因此，有必要在考慮區域多因素耦合的基礎上，開發更加穩健的區域能耗建模方式，以應對跨尺度帶來的復雜性變化。

1.3 性能驅動的生成設計

為增強設計與性能評估的交互性，避免性能優化流于形式，可將生成設計、模擬程序與多目標優化相結合形成性能驅動的生成設計[20]。建立仿真程序的結果作為優化的目標函數。作為建筑性能的重要組成部分，建筑能源評估和優化與生成設計相結合形成了能源驅動的生成設計。例如，為了減少加熱需求，可以通過調整立面開洞面積或建筑朝向，獲得更多太陽能；為了提高太陽能利用率，可以使光伏板或屋頂面積最大化。能源驅動的城市設計將塑造城市形態，以適應能源基礎設施和技術的要求。孫一民團隊綜述了一種概念設計階段的基于仿真多目標的性能優化方法，并指出該方法有助于獲得更好的定量和更多樣化的帕累托解[21]。Berk Ekici綜述了使用進化算法和多目標優化進行性能優化的計算性設計方法[22]；孫澄綜述了基于計算性思維的建筑綠色性能智能優化設計，解析了“智能預測”和“決策支持”關鍵技術，指出人工智能技術的應用能夠有效支撐多目標優化的設計決策過程[23]。

綜上，在當前“性能驅動的生成設計”基礎上結合人工智能和機器學習，能夠優化和加速能耗模擬過程并將其置入設計早期，使得作為“后評估”分析結果的區域能耗成為“前置性”建筑生成目標，完善了建筑師在設計早期的性能優化策略，有利于創造高質量城市環境。

2 研究方法

2.1 研究工作流

首先，在能耗模擬的過程中考慮周圍環境及小氣候的影響，同時結合城市的光伏發電潛力評估和全年發電量預測提供接近真實的應用場景。然后，使用機器學習對區域關鍵設計參數與能耗的映射關系進行建模，并分析相關性和可解釋性，這一過程有助于建筑師理解不同能耗組成部分之間的關系，掌握高效的設計方法，做好不同規劃和建筑設計策略之間的權衡。最后，使用基于遺傳算法的集成機器學習實時預測模型，進行區域能耗和光伏發電潛力的多目標優化，產生待深化的高性能區域模型的帕累托解集（圖1）。

1 研究工作流

2.2 區域參數化建模

基于Grasshopper形狀語法，本研究的城市生成算法能夠適應不同的基地紅線作為輸入，自動分割內部街廓，并生成建筑模型。按照基地的使用設定改變形態，區域建筑形態分為圍合式、混和式以及單點式三種（圖2），提供更多設計生成數據的可能性。圍合式建筑在街廓中以回字形排布，混和式建筑則分出底層回字形裙房以及上部塔樓，而單點式劃分用地的單元更小，高度和位置受參數控制。基于相關研究[24-25]建立二級形態控制指標，包括容積率、建筑密度、平均建筑高度、建筑高度標準差、平均街道高寬比、體形系數和朝向，其中朝向為參數化建模過程用地切分的軸線方向。在自動化生成街廓與區域模型的過程中，盡可能將基地完全劃分，避免產生畸零地，導致土地浪費，根據不同形狀的街廓生成對應的體量，通過控制形態指標，保證生成模型適應真實應用場景。

模型生成邏輯如下：1）生成數據樹，用于分割街廓（圖3）；2）分割基地區塊，根據數據樹計算的比例去劃分地塊；3）根據分割線生成道路；4）分割的街廓線退距出建筑區域以及人行道；5）根據街廓長寬比區分圍合狀態與條形狀態兩種建筑形態，街廓外形為正方形時，采用圍合式建筑策略，街廓外形為長方形時，采用條形建筑策略；6）建筑輪廓根據建筑密度決定偏移距離；7）將街廓用路徑分割為更小的區域，同時分割建筑體量；8）最后，根據容積率隨機生成建筑高度。全部建模過程如圖4所示。

2.3 區域總能耗和總光伏發電量模擬

能耗和光伏模擬以處于夏熱冬冷地區的上海市為例。區域能耗計算采用Rhino&Grasshopper三維設計平臺的Dragonfly插件，該插件以OpenStudio為計算內核，融合國外建筑節能設計標準的數據庫，可以快速生成區域能耗模擬模型。Dragonfly可以滿足不同設計階段對區域能耗模型的創建，支持建筑輪廓圖、建筑平面圖、三維體量模型和三維詳細模型，同時支持CityGML、GeoJSON等開源的GIS數據。

區域能耗模擬的輸入數據有兩類，即幾何數據和能耗計算數據。幾何數據主要有建筑平面圖、建筑高度、層高、窗墻比、房間進深等。能耗計算數據主要有建筑功能、圍護結構、遮陽、時間表、空調系統等。針對設計早期的能耗評估，時間表、空調系統等參數設置使用默認值。

Dragonfly內置了ASHRAE90.1和ASHRAE140標準的數據庫，包含能耗模擬計算需要的所有相關數據。在內置數據庫的架構上，根據我國現行《民用建筑綠色性能計算標準》（JGJ/T 449-2018）附錄的規定，詳細輸入了商業、辦公和住宅的人員、設備、照明、新風、空調系統、時間表等數據。其中，商業和辦公的圍護結構參數參考《公共建筑節能設計標準》（GB50189-2015），住宅的圍護結構參數參考上海市《居住建筑節能計算標準》（DGJ08-205-2015）（表1）。

在區域能耗計算中，建筑群之間的互相遮擋是一個較難處理的問題。Dragonfly的處理流程分四步（圖5）：第一步，生成單體建筑模擬，同時考慮周邊50m范圍的建筑遮擋，形成一個完整的單體能耗模型；第二步，將區域能耗模型轉換為多個單體能耗模型，在這一過程中，區域的功能配比很大程度上影響能源使用模式，本研究能耗模擬設置為辦公（15%～35%）、商業（15%～35%）和住宅（30%～70%）三種功能，在區域模型中隨機分配（圖6）；第三步，利用并行計算完成大規模的單體能耗計算；第四步，匯總所有單體建筑能耗，至此完成一個案例的能耗計算。

本次能耗計算包含空調系統、照明、設備等，同時在屋頂設置太陽能光伏發電系統。項目凈能耗為建筑總能耗減去太陽能光伏系統發電量。運用參數化模型，在同一用地紅線內隨機取樣，單次模擬時長為3～13min，最終獲得444條樣本（115條單點式數據、175條圍合式數據、154條混合式數據），用于后續機器學習回歸模型構建。

2 基于形狀語法的區域參數化生成模型

3 地塊劃分數據樹

表1 能耗模擬基礎設置

4 參數化建模過程

5 區域能耗計算模型的建立過程

6 典型建筑的能耗模型

3 結果分析

3.1 多元統計分析

采用相關性分析研究區域形態控制指標和功能配置與能耗的關系。首先繪制10項特征變量與3項響應變量的雙變量散點矩陣，檢驗特征變量與響應變量間是否具有線性相關性，如圖7（左）所示，橫坐標從左到右分別是10個特征變量（容積率、建筑密度、平均高度、高度標準差、平均街道高寬比、體形系數、朝向、辦公比例、商業比例和住宅比例）和3個響應變量（總能耗、總光伏發電量、凈能耗），縱坐標由上至下同橫坐標內容一致。圖中多個特征變量與響應變量存在明顯線性相關關系，故應使用皮爾森（Pearson）方法對各變量進行相關性分析。按顏色繪制皮爾森相關系數矩陣，如圖7（右）所示。

通過相關性分析得出三點結論：1）指標之間存在一定自相關，這說明在指標選取過程中存在特征重疊，應篩選掉重疊較大的指標或采用降維方法，本研究在建立回歸模型前使用主成分分析（PCA）降維，避免重復特征的影響；2）相關性分析得出容積率、建筑密度、平均高度、朝向以及商業比例與總能耗和凈能耗存在較強正相關，體形系數以及住宅比例與總能耗存在較強負相關，總光伏發電量同高度標準差呈正相關；3）多項指標與總能耗的相關性略優于凈能耗，推測是由于光伏因素加入后，凈能耗的復雜性上升，因此機器學習建模僅對總能耗和總光伏發電量進行回歸建模。

3.2 機器學習建模

7 指標雙變量散點矩陣和相關性分析

8 XGBoost 機器學習算法特征重要性

使用機器學習的目的是通過數據驅動的方式建模區域形態指標和功能配置與其對應的能耗和光伏發電量的映射關系，同時加速能耗模擬過程，為多目標遺傳優化提供快速的性能反饋工具。本研究使用Python的開源機器學習工具Scikit-learn進行多種機器學習算法比選，以避免不同機器學習算法歸納偏好帶來的影響，將10個形態指標和功能配置特征分別與總能耗、總光伏發電量進行回歸。使用留出法將444條數據中的80%作為訓練集，20%作為測試集，訓練機器學習回歸模型，使用多種機器學習算法進行性能對比（表2）。

其中RMSE為均方根誤差，R2表示擬合性能，RMSE越小，R2越大，模型性能越好。可以看到集成樹取得了最優的結果，具體算法為XGBoost，根據其內置特征重要性函數分別繪制10個指標對于總能耗和總光伏發電的權重（圖8）。通過超參數調優，優化XGBoost回歸模型的性能并導出，通過CPython插件導入Grasshopper，進行區域總能耗和總光伏發電量的快速預測和遺傳優化。通過機器學習加速，單次區域能耗評估的速度約為7～13s，比模擬時長加速25～60倍。

3.3 遺傳優化和最優解集

本研究使用Octopus結合機器學習快速預測能耗并進行遺傳優化。Octopus是基于Rhino&Grasshopper平臺的多目標優化算法插件，內置了帕累托優化原理和遺傳算法。對于多目標優化問題，該插件提供用戶自定義的優化參數選項，具有較高自由度，同時提供豐富的交互操作方式和便捷的數據存儲、傳輸功能。Octopus具有較高可視化程度，在三維界面中給出了求解過程和多目標優化的可行解，供設計師選擇。在本研究中，區域建筑參數化模型基于形態參數控制和隨機抽樣，使用Octopus的目標是最大化光伏發電量和最小化總能耗，在優化的過程中改變參數化模型的形態指標生成新的區域模型，將指標輸入機器學習模型從而獲得其性能的快速預測結果。Octopus趨近收斂之后停止計算，得到有效數據154組，選取具有代表性的區域模型（圖9），可以看到優化工作流能夠有效推動能源驅動的區域智能生成設計的實現。

表2 機器學習回歸算法性能對比

9 最優解集圖

4 結語

本研究面向設計早期的能源驅動的城市設計，旨在提供低能源需求的城市配置，簡化和加速能耗模擬過程，重視能源系統和城市形式之間的相互依賴性，以便通過設計提高能源性能。使用機器學習建模區域關鍵設計參數與能耗的映射關系加速了能耗模擬過程。使用基于遺傳算法的集成機器學習實時預測模型進行區域能耗和光伏發電潛力的多目標優化，提供待深化的高性能區域模型的帕累托解集，為設計早期的區域能耗優化提供工具。本文提出的研究方法和設計工作流有利于提高設計階段的區域能耗優化潛力和優化效率，為設計師提供高性能的設計策略空間，實現交互式人機協同的設計過程。

致謝：本研究來源于2021 年由同濟大學建筑與城市規劃學院主辦的DigitalFUTURES——“設計中的環境智能”工作營，感謝DigitalFUTURES 平臺給予的學習和交流機會，感謝姚佳偉副教授在研究過程中的辛勤指導和無私幫助。

圖表來源

表1,2 作者自繪

1-9 作者自繪