基于建筑分类与自动化数据采集的社区尺度建筑性能模拟方法助力荷兰供暖转型

为解决荷兰可持续供暖转型中建筑性能模拟(BPS)面临的数据获取困难与计算资源消耗大的问题，研究人员开发了融合深度学习与贝叶斯优化的社区尺度BPS方法。通过CNN模型实现窗户/门(识别精度98.9%)和光伏板(98.6%)的自动识别，结合多层聚类算法将1452栋联排别墅简化为123个代表模型，使模拟时间减少91.5%，年燃气消耗量模拟误差仅0.17%。该研究为多利益相关方决策提供了高精度、高效率的模拟工具。

　　

在全球气候变化与天然气短缺的双重压力下，荷兰政府制定了雄心勃勃的供暖转型目标：到2030年使150万住宅摆脱天然气依赖，205年实现全国住宅全面去气化。这一转型面临的核心挑战在于，占荷兰住宅总量42%的联排别墅（terraced houses）如何实现高效节能改造。传统建筑性能模拟(Building Performance Simulation, BPS)方法在社区尺度应用时，常因缺乏详细建筑数据和巨大计算量而受阻，难以满足多利益相关方（市政部门、业主、电网运营商等）对建筑与社区双重尺度关键性能指标(Key Performance Indicators, KPIs)的需求。

针对这一难题，荷兰埃因霍温理工大学的研究团队在《Sustainable Cities and Society》发表创新成果。研究团队整合了11种开源数据库获取几何与非几何数据，开发了基于Roboflow平台的卷积神经网络(CNN)模型实现建筑立面元素识别，采用SegFormer架构进行光伏板检测，创新性地提出多层聚类算法进行建筑分类，并应用树结构Parzen估计器进行贝叶斯优化校准。通过分析荷兰Eindhoven市Generalenbuurt社区的1452栋联排别墅，验证了该方法的有效性。

研究首先通过自动化数据采集解决了关键建模信息缺失问题。开发的CNN模型在测试集上达到98.9%的窗户/门识别精度，PV面板识别模型准确率达98.6%。这些技术实现了对传统方法难以获取的窗户/门面积比例、光伏系统位置等参数的自动提取。特别设计的相似性度量算法（公式1）有效处理了镜像对称立面的识别问题，通过计算重叠图像分区的局部开窗率差异（如图6所示），确保建筑分类的准确性。

在模型简化方面，研究提出的多层聚类算法展现出显著优势。通过五个层级（楼层数/门窗数→局部开窗率→使用面积→建筑体积→建造年份/类型/保温等级）的递进分类，将1452栋房屋简化为123个代表模型（如图9所示）。这种分类方法综合考虑了易获取参数（如建造年份）与难获取参数（如开窗率），使模拟时间减少91.5%的同时，保证了模型代表性。特别值得注意的是，研究提出的保温等级估算公式（公式2）通过校正能源标签（考虑建筑类型和PV系统），有效解决了实际保温数据缺失的难题。

模型校准环节取得了突破性成果。如图10所示，基于树结构Parzen估计器的贝叶斯优化在45次迭代后找到最优渗透率参数（表5），使社区年均燃气消耗量模拟值达到1307.8 m³，与CBS统计值1310.0 m³相比误差仅0.17%。这一高精度验证了渗透率作为建筑热性能关键参数的重要性，也证实了校准方法的有效性。研究还创新性地提出分区配置简化方法（图8），通过立面分析推断室内布局，在保证卧室、客厅等关键区域独立模拟的前提下，大幅降低了建模复杂度。

该研究的实际意义体现在三个方面：技术层面，实现了从街景图像到能源模型的端到端自动化建模；方法层面，开创了融合计算机视觉与物理模型的混合仿真范式；应用层面，为市政部门提供了兼顾社区整体规划与单体建筑改造的决策工具。正如讨论部分指出，虽然当前方法针对联排别墅开发，但其技术路线可扩展至其他建筑类型。未来研究可探索无人机自动采集立面数据、多KPI敏感性分析等方向，进一步提升方法的普适性。

研究团队特别强调，所有街景图像使用均遵守Google服务条款，仅用于学术目的并完整标注来源。这种对数据伦理的重视为同类研究树立了典范。这项成果不仅为荷兰供暖转型提供了关键技术支撑，其方法论框架对全球城市可持续发展也具有重要参考价值。