能源驱动的城市智能生成——设计早期的区域能耗优化设计

黄辰宇 张耿嘉 张星曌 殷明刚

建筑业能源消耗巨大，排放大量温室气体，是空气污染和全球变暖不可忽略的重要因素。2020年，国家主席习近平在第七十五届联合国大会一般性辩论中提出：“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。”在“碳达峰”和“碳中和”的语境下，降低城市能耗，充分利用可再生资源，提升能源系统的可持续性，已经成为城市规划和建筑设计亟待解决的问题。

精准的区域能耗预测模型，对设计师预估规划和建筑设计的影响以及决策者制定能源政策和定价至关重要[1]。建筑设计早期的设计决策对建筑能耗优化起决定作用[2]，然而传统的城市建筑能耗评估软件操作门槛较高，当前成熟的建筑能耗预测软件如EnergyPlus、DeST、DOE-2等需要详尽的参数设置和跨领域的建筑物理知识，在设计过程中不仅缺少参数，同时建筑师仅靠“试错式”人工优化很难产生实际的优化效果。同时，区域能耗模拟往往非常耗时，不利于与方案决策进行实时交互和反馈。因此，建筑能耗评估仅存在于设计后期，即“后评估模式（Post-evaluation Paradigm）”[3]。本研究基于“性能驱动的生成设计（Performance-driven Generative Design）”的工作流和技术框架，提出数据驱动的城市智能建模方法和以能耗为目标的生成设计工作流。将区域能耗预测和优化置于设计早期，通过快速评估和判断持续对方案进行能源性能优化，极大地增加设计决策与其性能评估的交互和反馈。通过引入建筑生成设计和多目标优化的概念，建筑将基于生成逻辑以可控的方式进行高效的设计迭代和遗传优化，最终为环境性能优化提供高维的策略空间。

1 研究综述

1.1 建筑能耗的早期优化

在过去的30年中，建筑能耗模拟（Building Energy Simulation,BES）已经建立了成熟的工具和应用。建筑能耗模拟是一个复杂的任务，即使是最简单的模拟，也需要建筑几何、材料热性能、空调系统等大量数据输入和跨领域的专家知识以及大量时间成本方能实现[4]，这使其难以介入信息匮乏的早期设计阶段。研究表明，建筑设计早期的决策对建筑的环境性能影响更大，并且设计的变更成本更小[5-7]，在此基础上，已经有很多学者研究了建筑设计早期的性能优化框架，Pil Brix Purup综述了早期设计阶段建筑性能模拟工具开发的研究，发现当前开发的模拟工具存在诸多障碍[8]。Hyunjoo Kim提出一种基于数据挖掘的方式，调研建筑位置、围护结构（墙、窗、门和屋顶）、空调系统、照明、控制和设备对节能设计的影响，为设计早期的决策提供依据[9]。杨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为目标，建立了设计早期阶段的参数优化设计方法与工具[10]。林波荣提出了早期设计阶段多目标建筑性能优化（Building Performance Optimization,BPO）的系统解决方案，确定了在早期设计阶段影响BPO流程实施的三个关键问题——模型集成、实时性能分析和交互式优化设计[11]。当前，关于建筑设计早期阶段能耗优化的研究仍然不足，有必要进一步开发相关工作流和工具。

1.2 区域能耗建模方式

已有的研究多数关注建筑单体能耗的评估和优化[12-15]。杨峰综述了建筑能耗模拟在单体、街区和城市等不同尺度的原理差异，并提出不能忽略能耗模拟尺度增大后的规模效应，同时指出当前面向规划的设计尺度仍然缺乏有效的能耗模拟工具。在物理建模和数值模拟中，过度简化城市环境，未能考虑城市小气候、建筑间效应以及城市风力发电潜力成为主要限制因素。单纯的物理建模因城市系统的复杂性、数据的缺乏以及高保真的城市细节所需的过高时间成本，难以实现对于城市环境的真实模拟[16]。Narjes Abbasabadi的综述中提到了当前能耗建模的方式，包括数据驱动和基于物理模型模拟的方式。使用物理模型区域综合能耗模拟是一项具有挑战性的任务，由于在城市规划的初始阶段尚未形成任何城市形态，因此能耗模拟程序和优化引擎需要与城市形态生成的参数化模型相连接[17]。夏冰提出了基于性能分析的中尺度城市形态设计优化方法，指出区域的形态控制指标如容积率、密度和高度与能源消耗显著相关[18]。此外，传统方式无法应对复杂的非线性耦合关系，例如建筑屋顶和立面配备太阳能电池板用于城市发电，但相邻建筑物之间可能会产生遮挡，影响太阳能收集[19]。数据驱动的能耗建模在过去几年已有诸多成果，但该方法的主要局限性在于无法描述自变量系统的细小扰动造成的能耗波动，泛化性和可解释性不足。因此，有必要在考虑区域多因素耦合的基础上，开发更加稳健的区域能耗建模方式，以应对跨尺度带来的复杂性变化。

1.3 性能驱动的生成设计

为增强设计与性能评估的交互性，避免性能优化流于形式，可将生成设计、模拟程序与多目标优化相结合形成性能驱动的生成设计[20]。建立仿真程序的结果作为优化的目标函数。作为建筑性能的重要组成部分，建筑能源评估和优化与生成设计相结合形成了能源驱动的生成设计。例如，为了减少加热需求，可以通过调整立面开洞面积或建筑朝向，获得更多太阳能；为了提高太阳能利用率，可以使光伏板或屋顶面积最大化。能源驱动的城市设计将塑造城市形态，以适应能源基础设施和技术的要求。孙一民团队综述了一种概念设计阶段的基于仿真多目标的性能优化方法，并指出该方法有助于获得更好的定量和更多样化的帕累托解[21]。Berk Ekici综述了使用进化算法和多目标优化进行性能优化的计算性设计方法[22]；孙澄综述了基于计算性思维的建筑绿色性能智能优化设计，解析了“智能预测”和“决策支持”关键技术，指出人工智能技术的应用能够有效支撑多目标优化的设计决策过程[23]。

综上，在当前“性能驱动的生成设计”基础上结合人工智能和机器学习，能够优化和加速能耗模拟过程并将其置入设计早期，使得作为“后评估”分析结果的区域能耗成为“前置性”建筑生成目标，完善了建筑师在设计早期的性能优化策略，有利于创造高质量城市环境。

2 研究方法

2.1 研究工作流

首先，在能耗模拟的过程中考虑周围环境及小气候的影响，同时结合城市的光伏发电潜力评估和全年发电量预测提供接近真实的应用场景。然后，使用机器学习对区域关键设计参数与能耗的映射关系进行建模，并分析相关性和可解释性，这一过程有助于建筑师理解不同能耗组成部分之间的关系，掌握高效的设计方法，做好不同规划和建筑设计策略之间的权衡。最后，使用基于遗传算法的集成机器学习实时预测模型，进行区域能耗和光伏发电潜力的多目标优化，产生待深化的高性能区域模型的帕累托解集（图1）。

1 研究工作流

2.2 区域参数化建模

基于Grasshopper形状语法，本研究的城市生成算法能够适应不同的基地红线作为输入，自动分割内部街廓，并生成建筑模型。按照基地的使用设定改变形态，区域建筑形态分为围合式、混和式以及单点式三种（图2），提供更多设计生成数据的可能性。围合式建筑在街廓中以回字形排布，混和式建筑则分出底层回字形裙房以及上部塔楼，而单点式划分用地的单元更小，高度和位置受参数控制。基于相关研究[24-25]建立二级形态控制指标，包括容积率、建筑密度、平均建筑高度、建筑高度标准差、平均街道高宽比、体形系数和朝向，其中朝向为参数化建模过程用地切分的轴线方向。在自动化生成街廓与区域模型的过程中，尽可能将基地完全划分，避免产生畸零地，导致土地浪费，根据不同形状的街廓生成对应的体量，通过控制形态指标，保证生成模型适应真实应用场景。

模型生成逻辑如下：1）生成数据树，用于分割街廓（图3）；2）分割基地区块，根据数据树计算的比例去划分地块；3）根据分割线生成道路；4）分割的街廓线退距出建筑区域以及人行道；5）根据街廓长宽比区分围合状态与条形状态两种建筑形态，街廓外形为正方形时，采用围合式建筑策略，街廓外形为长方形时，采用条形建筑策略；6）建筑轮廓根据建筑密度决定偏移距离；7）将街廓用路径分割为更小的区域，同时分割建筑体量；8）最后，根据容积率随机生成建筑高度。全部建模过程如图4所示。

2.3 区域总能耗和总光伏发电量模拟

能耗和光伏模拟以处于夏热冬冷地区的上海市为例。区域能耗计算采用Rhino&Grasshopper三维设计平台的Dragonfly插件，该插件以OpenStudio为计算内核，融合国外建筑节能设计标准的数据库，可以快速生成区域能耗模拟模型。Dragonfly可以满足不同设计阶段对区域能耗模型的创建，支持建筑轮廓图、建筑平面图、三维体量模型和三维详细模型，同时支持CityGML、GeoJSON等开源的GIS数据。

区域能耗模拟的输入数据有两类，即几何数据和能耗计算数据。几何数据主要有建筑平面图、建筑高度、层高、窗墙比、房间进深等。能耗计算数据主要有建筑功能、围护结构、遮阳、时间表、空调系统等。针对设计早期的能耗评估，时间表、空调系统等参数设置使用默认值。

Dragonfly内置了ASHRAE90.1和ASHRAE140标准的数据库，包含能耗模拟计算需要的所有相关数据。在内置数据库的架构上，根据我国现行《民用建筑绿色性能计算标准》（JGJ/T 449-2018）附录的规定，详细输入了商业、办公和住宅的人员、设备、照明、新风、空调系统、时间表等数据。其中，商业和办公的围护结构参数参考《公共建筑节能设计标准》（GB50189-2015），住宅的围护结构参数参考上海市《居住建筑节能计算标准》（DGJ08-205-2015）（表1）。

在区域能耗计算中，建筑群之间的互相遮挡是一个较难处理的问题。Dragonfly的处理流程分四步（图5）：第一步，生成单体建筑模拟，同时考虑周边50m范围的建筑遮挡，形成一个完整的单体能耗模型；第二步，将区域能耗模型转换为多个单体能耗模型，在这一过程中，区域的功能配比很大程度上影响能源使用模式，本研究能耗模拟设置为办公（15%～35%）、商业（15%～35%）和住宅（30%～70%）三种功能，在区域模型中随机分配（图6）；第三步，利用并行计算完成大规模的单体能耗计算；第四步，汇总所有单体建筑能耗，至此完成一个案例的能耗计算。

本次能耗计算包含空调系统、照明、设备等，同时在屋顶设置太阳能光伏发电系统。项目净能耗为建筑总能耗减去太阳能光伏系统发电量。运用参数化模型，在同一用地红线内随机取样，单次模拟时长为3～13min，最终获得444条样本（115条单点式数据、175条围合式数据、154条混合式数据），用于后续机器学习回归模型构建。

2 基于形状语法的区域参数化生成模型

3 地块划分数据树

表1 能耗模拟基础设置

4 参数化建模过程

5 区域能耗计算模型的建立过程

6 典型建筑的能耗模型

3 结果分析

3.1 多元统计分析

采用相关性分析研究区域形态控制指标和功能配置与能耗的关系。首先绘制10项特征变量与3项响应变量的双变量散点矩阵，检验特征变量与响应变量间是否具有线性相关性，如图7（左）所示，横坐标从左到右分别是10个特征变量（容积率、建筑密度、平均高度、高度标准差、平均街道高宽比、体形系数、朝向、办公比例、商业比例和住宅比例）和3个响应变量（总能耗、总光伏发电量、净能耗），纵坐标由上至下同横坐标内容一致。图中多个特征变量与响应变量存在明显线性相关关系，故应使用皮尔森（Pearson）方法对各变量进行相关性分析。按颜色绘制皮尔森相关系数矩阵，如图7（右）所示。

通过相关性分析得出三点结论：1）指标之间存在一定自相关，这说明在指标选取过程中存在特征重叠，应筛选掉重叠较大的指标或采用降维方法，本研究在建立回归模型前使用主成分分析（PCA）降维，避免重复特征的影响；2）相关性分析得出容积率、建筑密度、平均高度、朝向以及商业比例与总能耗和净能耗存在较强正相关，体形系数以及住宅比例与总能耗存在较强负相关，总光伏发电量同高度标准差呈正相关；3）多项指标与总能耗的相关性略优于净能耗，推测是由于光伏因素加入后，净能耗的复杂性上升，因此机器学习建模仅对总能耗和总光伏发电量进行回归建模。

3.2 机器学习建模

7 指标双变量散点矩阵和相关性分析

8 XGBoost 机器学习算法特征重要性

使用机器学习的目的是通过数据驱动的方式建模区域形态指标和功能配置与其对应的能耗和光伏发电量的映射关系，同时加速能耗模拟过程，为多目标遗传优化提供快速的性能反馈工具。本研究使用Python的开源机器学习工具Scikit-learn进行多种机器学习算法比选，以避免不同机器学习算法归纳偏好带来的影响，将10个形态指标和功能配置特征分别与总能耗、总光伏发电量进行回归。使用留出法将444条数据中的80%作为训练集，20%作为测试集，训练机器学习回归模型，使用多种机器学习算法进行性能对比（表2）。

其中RMSE为均方根误差，R2表示拟合性能，RMSE越小，R2越大，模型性能越好。可以看到集成树取得了最优的结果，具体算法为XGBoost，根据其内置特征重要性函数分别绘制10个指标对于总能耗和总光伏发电的权重（图8）。通过超参数调优，优化XGBoost回归模型的性能并导出，通过CPython插件导入Grasshopper，进行区域总能耗和总光伏发电量的快速预测和遗传优化。通过机器学习加速，单次区域能耗评估的速度约为7～13s，比模拟时长加速25～60倍。

3.3 遗传优化和最优解集

本研究使用Octopus结合机器学习快速预测能耗并进行遗传优化。Octopus是基于Rhino&Grasshopper平台的多目标优化算法插件，内置了帕累托优化原理和遗传算法。对于多目标优化问题，该插件提供用户自定义的优化参数选项，具有较高自由度，同时提供丰富的交互操作方式和便捷的数据存储、传输功能。Octopus具有较高可视化程度，在三维界面中给出了求解过程和多目标优化的可行解，供设计师选择。在本研究中，区域建筑参数化模型基于形态参数控制和随机抽样，使用Octopus的目标是最大化光伏发电量和最小化总能耗，在优化的过程中改变参数化模型的形态指标生成新的区域模型，将指标输入机器学习模型从而获得其性能的快速预测结果。Octopus趋近收敛之后停止计算，得到有效数据154组，选取具有代表性的区域模型（图9），可以看到优化工作流能够有效推动能源驱动的区域智能生成设计的实现。

表2 机器学习回归算法性能对比

9 最优解集图

4 结语

本研究面向设计早期的能源驱动的城市设计，旨在提供低能源需求的城市配置，简化和加速能耗模拟过程，重视能源系统和城市形式之间的相互依赖性，以便通过设计提高能源性能。使用机器学习建模区域关键设计参数与能耗的映射关系加速了能耗模拟过程。使用基于遗传算法的集成机器学习实时预测模型进行区域能耗和光伏发电潜力的多目标优化，提供待深化的高性能区域模型的帕累托解集，为设计早期的区域能耗优化提供工具。本文提出的研究方法和设计工作流有利于提高设计阶段的区域能耗优化潜力和优化效率，为设计师提供高性能的设计策略空间，实现交互式人机协同的设计过程。

致谢：本研究来源于2021 年由同济大学建筑与城市规划学院主办的DigitalFUTURES——“设计中的环境智能”工作营，感谢DigitalFUTURES 平台给予的学习和交流机会，感谢姚佳伟副教授在研究过程中的辛勤指导和无私帮助。

图表来源

表1,2 作者自绘

1-9 作者自绘