設(shè)計初期建筑HVAC負荷敏感性分析：城市環(huán)境下的購物中心

魏 萊，劉 剛，黃文龍，董偉星

(1.天津大學 a.建筑學院；b.天津市建筑物理環(huán)境與生態(tài)技術(shù)重點實驗室，天津 300072；2.中國中建設(shè)計集團有限公司，北京 100037)

隨著城市化的發(fā)展，購物中心建設(shè)突飛猛進，據(jù)統(tǒng)計，2017年商場建筑的竣工面積居公共建筑之首，占比高達31%[1]。同時，集聚規(guī)模大、內(nèi)熱源高等特征，購物中心的能耗高達普通公共建筑的4～8倍[2]。通常來說，設(shè)計初期建筑師的設(shè)計決策對建筑的最終性能影響顯著[3-5]，基于購物中心建設(shè)量大及能耗高的特點，建筑師有必要在設(shè)計初期思考如何進行高效的低能耗設(shè)計。

在設(shè)計初期，建筑師需考慮眾多設(shè)計參數(shù)，包括建筑布局[6-7]、空間形態(tài)[8-11]、圍護結(jié)構(gòu)熱工特性[12-15]等，這些參數(shù)在不同程度上影響著建筑的冷熱負荷。因此，建筑師需準確控制影響建筑負荷變化較大的設(shè)計參數(shù)，以提高設(shè)計優(yōu)化的最終效果[16]。敏感性分析 (sensitivity analysis, SA) 可用于定量評價不同設(shè)計參數(shù)對建筑性能結(jié)果影響的大小，指導建筑師篩選出對輸出結(jié)果影響較大的參數(shù)，以提高建筑的節(jié)能效果[17]。一般來說，SA可分為局部敏感性分析 (local sensitivity analysis, LSA) 和全局敏感性分析 (global sensitivity analysis, GSA) 。LSA是指保持其他設(shè)計參數(shù)不變的情況下分析單一參數(shù)變化對模型輸出的影響，GSA是指改變所有設(shè)計參數(shù)來評估單一參數(shù)對模型輸出的影響[18]。由于實際建筑設(shè)計非常復雜，不會僅為單一參數(shù)的變化，在設(shè)計初期采用GSA來評估設(shè)計參數(shù)的敏感性更合理[19]。目前，設(shè)計初期的全局敏感性分析已被應用于各類建筑對重要設(shè)計參數(shù)的篩選，Hemsath等[20]對比了住宅建筑早期設(shè)計的幾何和材料要素，發(fā)現(xiàn)建筑的幾何特征比材料對建筑負荷具有更高的敏感性；Bre等[21]模擬并分析了阿根廷沿岸地區(qū)獨棟住宅設(shè)計參數(shù)的能耗敏感性，發(fā)現(xiàn)外墻類型、外窗滲透率和太陽方位角對能耗影響顯著；Yldz等[22]發(fā)現(xiàn)窗面積、窗傳熱系數(shù)及其太陽得熱系數(shù) (solar heat gain coefficient, SHGC) 對濕熱氣候下公寓樓的建筑負荷影響最大；Dussault等[23]分析了與辦公建筑智能窗相關(guān)設(shè)計參數(shù)的能耗敏感性，發(fā)現(xiàn)智能窗的位置、立面朝向和窗墻面積比 (window to wall ratio, WWR) 對能耗影響顯著；Singh等[24]通過敏感性分析得出，WWR、玻璃種類、百葉朝向及遮陽角度對辦公建筑在干熱氣候下的能耗具有顯著影響。從全局敏感性的研究可知，建筑類型以規(guī)模較小且功能單一的住宅和辦公類建筑為主，對于具有大規(guī)模、多功能特征的購物中心，目前僅考慮到單參數(shù)變化下的影響潛力[25]，缺乏從全局考慮的多種設(shè)計參數(shù)的綜合作用影響。因此，有必要通過全局敏感性分析來提高購物中心設(shè)計初期方案決策的準確性。

另外，城市環(huán)境是建筑師進行初步設(shè)計的制約因素，它同樣也會影響建筑的用能需求[6,7,19,26-27]。何成等[19]以武漢辦公建筑為例，發(fā)現(xiàn)9個城市環(huán)境布局參數(shù)會引起制冷、供暖和全年總能耗分別高達15.8%、26.8%和4.4%的波動；Ahn等[7]研究了3種城市形態(tài)要素 (水平緊密度、垂直密度和建筑高度) 對西雅圖住宅能耗的影響力，發(fā)現(xiàn)增加周邊建筑的水平密度和垂直高度是降低住宅能耗的有效途徑。通常來說，購物中心分布于城市的建筑密集地區(qū)和建筑空曠地區(qū)，以便滿足公共出行和自駕出行為主人群的購物需求。其中，城市密集地區(qū)的建筑密度較高，周邊環(huán)境會對購物中心形成遮擋；而空曠地區(qū)的建筑密度較低，購物中心幾乎不受周邊環(huán)境的影響。考慮到購物中心在不同城市環(huán)境中的差異性，有必要進一步探索不同城市環(huán)境下購物中心建筑負荷及參數(shù)敏感性的差異。

文中重點通過全局敏感性分析方法，確定不同城市環(huán)境下對購物中心冷熱負荷影響最大的設(shè)計參數(shù)，以便讓建筑師知曉在不同城市環(huán)境下需重點調(diào)整哪些參數(shù)，從而在設(shè)計初期最大限度的減少寒冷地區(qū)購物中心的能源消耗。

1 方 法

1.1 模型建立

購物中心建筑模型的幾何參數(shù)及運行參數(shù)以文獻[25]的3種購物中心標準模型 (長寬比分別為1∶ 1、2∶ 1和3∶ 1) 為準。以寒冷地區(qū)代表性城市北京為例，選取其典型氣象年的數(shù)據(jù)作為氣象參數(shù)，數(shù)據(jù)來源于EnergyPlus自帶的氣象數(shù)據(jù)(數(shù)據(jù)名稱：CHN_Beijing.Beijing.545110_CSWD.epw 來源網(wǎng)站：https:∥www.energyplus.net/weather)。對于環(huán)境模型，考慮到城市密集地區(qū)和空曠地區(qū)的建筑密度具有明顯差異，以最大最小兩種極端的城市建筑密度來模擬兩種城市環(huán)境，如圖1所示。對于建筑密集地區(qū)，以滿足建筑設(shè)計防火規(guī)范[28]的最大建筑密度作為城市建筑密集地區(qū)的環(huán)境模型。具體講，以典型高層辦公建筑為例，在購物中心四周建立長寬高分別為50 m×50 m×100 m的辦公建筑群，并參照建筑設(shè)計防火規(guī)范[28]的閾值，指定購物中心與高層之間的間距為9 m，高層之間的間距為13 m。對于城市空曠地區(qū)，設(shè)定其環(huán)境模型無任何建筑及構(gòu)筑物，即購物中心周邊無建筑及構(gòu)筑物的影響。

圖1 3種購物中心的環(huán)境模型Fig. 1 Environment models of three shopping centers

1.2 全局敏感性分析

在建立的典型建筑及環(huán)境模型基礎(chǔ)上，通過以下4個步驟進行購物中心建筑的全局敏感性分析。

1)確定輸出參數(shù)。作為建筑用能需求的重要指標[22]，文中以供暖季的熱負荷、制冷季的冷負荷及全年HVAC負荷作為輸出參數(shù)。采用EnergyPlus建筑性能模擬軟件，計算購物中心的全年冷熱負荷值。

2)確定輸入?yún)?shù)。選擇了6類設(shè)計要素作為影響購物中心建筑負荷的主要變量，即：建筑布局、通風、窗面積、圍護結(jié)構(gòu)的熱物理特性、窗戶氣密性和建筑構(gòu)件。從6類要素中分解出16個詳細的建筑參數(shù)作為輸入?yún)?shù)，如表1所示 ，分別是購物中心的朝向；入口風速；東、西、南、北側(cè)WWR；天窗屋頂面積比；外墻、屋面、外窗、天窗傳熱系數(shù)；外窗、天窗SHGC；外窗、天窗氣密性；天窗遮陽構(gòu)件。另外，考慮到仿真工具操作的局限性，每個選定的輸入?yún)?shù)均可在軟件中以具體數(shù)值的形式被定義，文中并未額外增加仿真工具中無法定義的設(shè)計參數(shù)。

表1 建筑參數(shù)

3)生成樣本矩陣。使用Simlab2.2軟件中的拉丁超立方抽樣 (Latin hypercube sampling，LHS) 方法[17]，它是建筑性能在敏感性分析中最常用的抽樣方法之一[31]。具體講，LHS是將輸入?yún)?shù)的閾值區(qū)間劃分為N個間隔，并從該間隔中選擇具有相等概率的樣本，使抽取的樣本更加均勻[32]。另外，GSA所需要的樣本量通常是變量的1.5～10倍[33]。因此，文中對16個變量抽取了200組樣本，以保證樣本量的充足。

4)選擇敏感性分析方法。在使用LHS方法生成樣本時，Simlab軟件中有不同的全局敏感性分析方法，包括偏相關(guān)系數(shù) (partial correlation coefficients，PCC) ，標準回歸系數(shù) (standardized regression coefficients，SRC) ，偏秩相關(guān)系數(shù) (partial rank correlation coefficients，PRCC) ，標準秩回歸系數(shù) (standardized rank regression coefficients，SRRC) 等。它們有不同的特征，取決于輸入和輸出參數(shù)之間的關(guān)系是否為線性[22]。首先，選取了2種常用的全局敏感性分析方法，即標準回歸系數(shù) (SRC) 和偏秩相關(guān)系數(shù) (PRCC) 。其中，SRC只適用于輸入?yún)?shù)間相互獨立，且變量為線性單調(diào)關(guān)系的模型，PRCC可以分析輸入?yún)?shù)相關(guān)聯(lián)的情形，且適用于非線性單調(diào)的模型[31]。文中對16種設(shè)計參數(shù)的全年HVAC負荷在SRC和PRCC 2種敏感性的排序結(jié)果進行Pearson相關(guān)性分析，發(fā)現(xiàn)3種比例模型排序結(jié)果的相關(guān)性較高，相關(guān)系數(shù)分別為0.897、0.976、0.921，均為顯著相關(guān) (P<0.01) ，說明2種敏感性分析方式的整體排序差異不大。考慮到文中主要探討不同城市環(huán)境下建筑設(shè)計參數(shù)的影響力及敏感性排序，選取其中一種GSA方法——PRCC為例，開展進一步的敏感性分析。

2 結(jié) 果

2.1 負荷不確定性分析

圖2是3種購物中心模型在城市空曠地區(qū)及城市建筑密集地區(qū)的熱負荷概率分布圖。結(jié)果表明，3種模型的建筑熱負荷均在20～134 kWh/m2范圍內(nèi)波動。在城市空曠地區(qū)及密集地區(qū)，1∶ 1模型熱負荷的均值分別為75.5 kWh/m2和77.4 kWh/m2，極差分別為90.6 kWh/m2和90.0 kWh/m2；2∶ 1模型的均值分別為72.0 kWh/m2和74.8 kWh/m2，極差為89.7 kWh/m2和88.6 kWh/m2；3∶ 1模型的均值分別為84.9 kWh/m2和87.7 kWh/m2，極差為103.9 kWh/m2和103.0 kWh/m2。由此可見，設(shè)計參數(shù)對建筑熱負荷的影響變化顯著，變化幅度 (極差/均值) 高達116.3%～124.5%；而熱負荷受城市環(huán)境影響不明顯，雖然城市建筑密集地區(qū)的均值略低于空曠地區(qū)，但二者的均值差僅在2.0～2.8 kWh/m2之間。

圖3是3種購物中心模型在城市空曠地區(qū)及城市建筑密集地區(qū)的冷負荷概率分布圖。結(jié)果表明，3種模型的建筑冷負荷均在90～130 kWh/m2范圍內(nèi)波動。在城市空曠地區(qū)及密集地區(qū)，1∶ 1模型冷負荷的均值分別為112.5 kWh/m2和108.2 kWh/m2，極差分別為27.6 kWh/m2和23.5 kWh/m2；2∶ 1模型的均值分別為115.1 kWh/m2和110.9 kWh/m2，極差為26.4 kWh/m2和22.7 kWh/m2；3∶ 1模型的均值分別為116.0 kWh/m2和111.4 kWh/m2，極差為28.2 kWh/m2和23.2 kWh/m2。由此可見，設(shè)計參數(shù)對建筑冷負荷影響較明顯，變化幅度在20.5%～24.6%；冷負荷受城市環(huán)境影響顯著，2種環(huán)境的均值差在4.2～4.7 kWh/m2之間，表現(xiàn)為3種模型冷負荷的均值在城市密集地區(qū)均低于空曠地區(qū)，這是因為建筑在城市建筑密集地區(qū)受到周邊建筑群遮擋，使夏季可接收的太陽直射光明顯減少，進而降低了建筑對冷負荷的需求。

圖3 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的冷負荷概率分布圖Fig. 3 Probability distribution of cooling loads of three models in high-density/ low-density built areas

圖4是3種模型在城市空曠地區(qū)及密集地區(qū)的全年HVAC負荷概率分布圖。受16個設(shè)計參數(shù)的影響，全年HVAC負荷集中在120～250 kWh/m2。在城市空曠地區(qū)及密集地區(qū)，1∶ 1模型全年HVAC負荷的均值分別為188.0 kWh/m2和185.6 kWh/m2，極差分別為111.8 kWh/m2和111.7 kWh/m2；2∶ 1模型的均值分別為187.1 kWh/m2和185.7 kWh/m2，極差為109.4 kWh/m2和109.8 kWh/m2；3∶ 1模型的均值分別為200.9 kWh/m2和199.1 kWh/m2，極差為124.0 kWh/m2和124.1 kWh/m2。由此可見，設(shè)計參數(shù)對HVAC負荷影響顯著，變化幅度在58.5%～62.3%；城市環(huán)境對全年HVAC負荷有一定影響，2種環(huán)境的均值差在1.4～2.4 kWh/m2，并表現(xiàn)為3種模型的HVAC負荷在城市建筑密集地區(qū)略低于空曠地區(qū)。

圖4 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的全年HVAC負荷概率分布圖Fig. 4 Probability distribution of HVAC loads of three models in high-density/low-density built areas

綜上可知，16個設(shè)計參數(shù)會引起熱負荷、冷負荷和全年HVAC負荷分別高達124.5%、24.6%和62.3%的波動，其中對熱負荷的波動最為顯著，表現(xiàn)為熱負荷的變化幅度是冷負荷的5倍左右。而城市環(huán)境對冷負荷影響更顯著，表現(xiàn)為購物中心夏季對冷負荷的需求在建筑密集地區(qū)明顯低于空曠地區(qū)。

2.2 負荷敏感性分析

圖5是3種模型在城市空曠地區(qū)及建筑密集地區(qū)2種環(huán)境下，16個設(shè)計參數(shù)的熱負荷敏感性結(jié)果。由熱負荷PRCC的正負可知，無論是外窗還是天窗，其SHGC值在空曠地區(qū)與熱負荷均呈負相關(guān)。由PRCC絕對值在城市環(huán)境中的變化可知，城市建筑密集地區(qū)提高了東、西、南側(cè)WWR、天窗屋頂面積比、外墻傳熱系數(shù)和天窗遮陽的熱負荷敏感性，降低了外窗SHGC的熱負荷敏感性。

圖5 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的熱負荷敏感性分析Fig. 5 Heating sensitivity analysis of three models in high-density/ low-density built areas

圖6是3種模型在城市空曠地區(qū)及城市建筑密集地區(qū)2種環(huán)境下，16個設(shè)計參數(shù)的冷負荷敏感性結(jié)果。由冷負荷PRCC的正負可知，東、西、南側(cè)WWR在不同城市環(huán)境下對冷負荷的影響趨勢相反，在城市空曠地區(qū)與冷負荷呈正相關(guān)，在城市建筑密集地區(qū)呈負相關(guān)。由PRCC絕對值在城市環(huán)境中的變化可知，城市建筑密集地區(qū)提高了天窗屋頂面積比、屋面?zhèn)鳠嵯禂?shù)和天窗SHGC的冷負荷敏感性，降低了北側(cè)WWR和外窗SHGC的冷負荷敏感性。

圖6 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的冷負荷敏感性分析Fig. 6 Cooling sensitivity analysis of three models in high-density/ low-density built areas

圖7是3種模型在城市空曠地區(qū)及城市建筑密集地區(qū)2種環(huán)境下，16個設(shè)計參數(shù)的全年HVAC負荷敏感性結(jié)果。由PRCC絕對值在城市環(huán)境中的變化可知，城市建筑密集地區(qū)提高了外窗傳熱系數(shù)和外窗氣密性的HVAC負荷敏感性，降低了西側(cè)WWR和外窗SHGC的HVAC負荷敏感性。

圖7 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的全年HVAC負荷敏感性分析Fig. 7 HVAC loads sensitivity analysis of three models in high-density/ low-density built areas

2.3 負荷敏感性排序

根據(jù)設(shè)計參數(shù)敏感性大小，圖8是3種模型在2種城市環(huán)境下熱負荷、冷負荷及HVAC負荷的PRCC排序，以1∶ 1模型在空曠地區(qū)的敏感性由大到小排序為基準。

從設(shè)計參數(shù)對熱負荷PRCC的排序來看(見圖8(a)) ，2種城市環(huán)境下均表現(xiàn)為入口風速的影響最大，天窗屋頂面積比和屋面?zhèn)鳠嵯禂?shù)緊隨其后，朝向影響最小。不同的是，外窗SHGC對熱負荷敏感性影響在城市空曠地區(qū)明顯大于密集地區(qū)，排序在城市空曠地區(qū)為4～7名，在密集地區(qū)則降至13～14名。

從設(shè)計參數(shù)對冷負荷PRCC的排序來看(見圖8(b)) ，2種城市環(huán)境下均表現(xiàn)為入口風速的影響最大，外窗SHGC、天窗屋頂面積比、天窗SHGC和外窗傳熱系數(shù)的影響排序均位于前5名。不同的是，外窗SHGC和西側(cè)WWR對冷負荷敏感性影響在城市空曠地區(qū)明顯大于密集地區(qū)，外窗SHGC的排序在空曠地區(qū)均為第2，密集地區(qū)降為4～5名，西側(cè)WWR在空曠地區(qū)為6～8名，密集地區(qū)降至14～15名；屋面?zhèn)鳠嵯禂?shù)對冷負荷敏感性影響則表現(xiàn)為建筑密集地區(qū)大于空曠地區(qū)，排序在空曠地區(qū)為11～14名，而密集地區(qū)上升至7～8名。

圖8 3種模型在城市空曠地區(qū)/建筑密集地區(qū)的建筑負荷敏感性排序Fig. 8 Building loads sensitivity ranking of three models in high-density/ low-density built areas

從設(shè)計參數(shù)對全年HVAC負荷PRCC的排序來看(見圖8(c)) ，2種城市環(huán)境均表現(xiàn)為入口風速對全年HVAC負荷的影響最大，天窗屋頂面積比和屋面?zhèn)鳠嵯禂?shù)緊隨其后，朝向影響最小。不同的是，外窗SHGC對HVAC負荷敏感性影響在城市空曠地區(qū)明顯大于密集地區(qū)，排序在空曠地區(qū)為4～5名，密集地區(qū)降至14～15名。排序結(jié)果表明，外窗SHGC受太陽輻射影響顯著，當建筑不受遮擋時，直射陽光增強了透明圍護結(jié)構(gòu)SHGC對建筑負荷的影響力，因此，2種城市環(huán)境下外窗SHGC的敏感性排序呈現(xiàn)出明顯差異。

3 結(jié) 論

文中系統(tǒng)性分析了寒冷地區(qū)購物中心設(shè)計初期各個設(shè)計參數(shù)對全年冷熱負荷的影響，得到冷、熱及HVAC負荷在16個設(shè)計參數(shù)影響下的波動情況、敏感性排序及不同城市環(huán)境下負荷與敏感性的變化情況，最終結(jié)論如下：

1)不確定性分析表明，設(shè)計參數(shù)對全年HVAC負荷變動的影響為58.5%～62.3%，其中對熱負荷的影響力顯著，熱負荷的極差可高達103.9 kWh/m2，變化幅度是冷負荷的5倍。另外，雖然城市環(huán)境對全年HVAC負荷的影響不明顯，均值的波動差僅在1.4～2.4 kWh/m2之間，但受周邊建筑的遮擋，冷負荷在密集地區(qū)的比空曠地區(qū)更低，均值差可達4.7 kWh/m2。

2)敏感性分析表明，大多設(shè)計參數(shù)與建筑負荷呈正相關(guān)，城市環(huán)境也會改變設(shè)計參數(shù)的敏感性大小及變化趨勢。從變化大小來看，相比城市空曠地區(qū)，密集地區(qū)提高了東、西、南側(cè)WWR、天窗屋頂面積比、外墻傳熱系數(shù)和天窗遮陽的熱負荷敏感性，提高了天窗屋頂面積比、屋面?zhèn)鳠嵯禂?shù)和天窗SHGC的冷負荷敏感性以及外窗傳熱系數(shù)和外窗氣密性的HVAC負荷敏感性；同時，降低了外窗SHGC的熱負荷、冷負荷及HVAC負荷敏感性。從變化趨勢來看，東、西、南側(cè)WWR在空曠地區(qū)與冷負荷呈正相關(guān)，而在城市建筑密集地區(qū)呈負相關(guān)。

3)敏感性排序表明，冷負荷敏感性排序位于前5名的設(shè)計參數(shù)均為入口風速、外窗SHGC、天窗屋頂面積比、天窗SHGC和外窗傳熱系數(shù)；熱負荷和全年HVAC負荷敏感性排序位于前3名的均為入口風速、天窗屋頂面積比和屋面?zhèn)鳠嵯禂?shù)。另外，不同城市環(huán)境改變了部分設(shè)計參數(shù)對建筑負荷的影響力，其中，外窗SHGC的熱負荷、冷負荷及全年HVAC負荷在空曠地區(qū)均具有更高的敏感性，排名分別為4～7、2及4～5名，而在城市建筑密集地區(qū)排名分別下降至13～14、4～5及14～15名。

文中量化分析了不同城市環(huán)境下寒冷地區(qū)購物中心設(shè)計參數(shù)建筑負荷的不確定性及全局敏感性，說明購物中心設(shè)計參數(shù)對負荷的影響力會因城市環(huán)境而改變。以上結(jié)論可為建筑師在方案初期的低能耗設(shè)計決策提供量化參考依據(jù)，通過前期方案的優(yōu)化設(shè)計，一方面，可減少暖通空調(diào)設(shè)備的投入成本；另一方面，可最大化降低暖通空調(diào)的運行成本。另外，文中僅考慮設(shè)計參數(shù)對冷熱負荷的影響，而建筑師在設(shè)計初期還需考慮其他建筑性能，例如：采光、舒適等。因此，未來研究將進一步考慮設(shè)計參數(shù)對建筑性能的綜合影響，充分挖掘建筑本體設(shè)計對綠色建筑發(fā)展的貢獻。