可解释的机器学习在被动式设计中的应用：炎热干旱气候下建筑能耗的早期降低

《Sustainable Energy Technologies and Assessments》：Explainable machine learning for passive design: Early-stage building energy reduction in hot-arid climates

本研究针对炎热干旱气候，构建双尺度机器学习框架预测建筑供暖与制冷负荷。通过EnergyPlus模拟生成包含几何参数（ floors, orientation, area, aspect ratio）和封装参数（SHGC, WWR, U-value, albedo, VT）的数据库，对比六种机器学习模型发现梯度提升树（Gradient Boosting）最优，R2达0.9909。SHAP分析表明几何参数中楼层数和朝向影响显著，封装参数中SHGC、WWR和U值主导能源需求。研究证实被动设计策略在降低HVAC依赖度、减少碳排放方面具有核心作用，并建立了可扩展至其他气候的敏感性分析工具。

　　在当前全球气候变化日益严峻的背景下，建筑行业的可持续发展成为了关注的焦点。随着极端天气事件的频发，建筑物的能耗需求，尤其是制冷和供暖负荷，呈现出显著上升的趋势。因此，如何通过优化建筑设计以降低能源消耗，提升建筑的环境适应性，成为了建筑节能研究中的重要课题。本研究聚焦于热干燥气候条件下，通过构建一个可解释的机器学习框架，评估几何变量与建筑围护结构参数对建筑能耗的影响，旨在为早期设计阶段提供科学依据，帮助决策者优化建筑形态和材料选择，从而实现更高的能源效率和更低的环境影响。

建筑的几何形态，如楼层数、朝向、面积和长宽比，与建筑围护结构参数，如太阳能热增益系数（SHGC）、窗墙比（WWR）、传热系数（U值）、表面反射率（Albedo）和可见透射比（VT），均对建筑的能耗表现产生重要影响。特别是在热干燥气候条件下，这些参数对制冷和供暖负荷的调节作用尤为突出。为了深入研究这些因素的影响，研究团队采用EnergyPlus进行模拟，构建了包含几何和围护结构参数的模拟数据集。随后，通过训练和比较六种不同的机器学习模型，包括线性回归、支持向量机（SVM）、K近邻（KNN）、决策树、随机森林和梯度提升（Gradient Boosting），最终发现梯度提升在两个尺度上均表现出最佳的预测精度。这一发现为建筑能耗预测提供了新的思路，也为建筑设计的优化奠定了基础。

在几何变量分析中，梯度提升模型的R2值达到了0.9909，且平均绝对误差（MAE）和均方根误差（RMSE）均较低，分别为0.68和0.90 kWh/m2·年。这一结果表明，梯度提升模型能够准确捕捉建筑几何形态对能耗的影响。进一步的分析显示，楼层数和朝向是影响建筑能耗的关键因素。随着楼层数的增加，建筑的表面积与体积比下降，从而降低了与外界环境的热交换量，有效减少了能耗。而建筑的朝向对能耗的影响也较为显著，北向或接近北向的建筑由于阳光直射较少，能够有效降低制冷需求。相比之下，面积和长宽比的影响相对较小，这可能是因为它们在建筑整体能耗中扮演的是辅助角色，而非决定性因素。

在建筑围护结构参数的分析中，梯度提升模型的R2值为0.8290，虽然低于几何变量的预测精度，但依然表现出较高的准确性。分析显示，SHGC和WWR对建筑能耗的影响最为显著，尤其是在热干燥气候条件下，它们的增加会显著提升制冷负荷。这表明，在建筑设计中，合理控制窗户的热传导特性以及玻璃面积比例，是降低建筑能耗的重要手段。U值的优化同样重要，较低的U值意味着更好的保温隔热性能，从而有效减少建筑的能耗。而反射率（Albedo）和可见透射比（VT）虽然对能耗的影响相对较小，但它们在一定程度上能够调节建筑的热负荷和自然采光，对整体的能源效率具有积极意义。

本研究还通过SHAP（SHapley Additive exPlanations）分析，进一步揭示了各个参数对建筑能耗的具体贡献。SHAP分析不仅能够量化每个参数的全局重要性，还能展示其在不同建筑实例中的局部影响。结果显示，几何变量中楼层数和朝向对能耗的影响最大，而围护结构参数中SHGC、WWR和U值的重要性最为突出。这种分析方法使得研究者能够更清晰地理解各参数之间的相互作用，从而在设计阶段做出更有针对性的决策。

通过比较线性回归和梯度提升模型的结果，研究团队发现线性回归模型在预测建筑能耗时存在一定的局限性。线性回归模型通常只能捕捉简单的线性关系，忽略了变量之间的复杂相互作用，因此在某些情况下会低估某些参数的影响。相比之下，梯度提升模型能够更全面地反映建筑参数对能耗的影响，尤其是在非线性关系和交互效应方面表现更为优异。这一发现强调了在建筑能耗预测中使用可解释机器学习模型的重要性，因为它不仅能够提供高精度的预测结果，还能帮助决策者理解不同参数的作用机制，从而更有效地进行建筑优化。

此外，本研究还强调了被动设计策略在降低建筑能耗中的关键作用。被动设计通过利用自然条件，如太阳辐射、风向和热惯性，来优化建筑的能源使用效率。例如，在热干燥气候条件下，通过合理设计建筑的朝向和楼层数，可以显著减少对主动空调系统的依赖，从而降低建筑的能源消耗和碳排放。同时，研究还指出，尽管某些被动设计策略如绿色屋顶和相变材料可能需要较高的初期投资，但它们在长期运行中能够带来显著的节能效益，有助于实现可持续发展目标。

研究的双重尺度框架不仅适用于建筑层面的能耗分析，还能够为城市规划提供参考。在城市规划层面，几何变量如楼层数、面积、长宽比和朝向对建筑群整体能耗的影响尤为明显。通过分析这些变量的组合，可以为城市设计提供科学依据，优化建筑布局以减少能源消耗。而在建筑层面，围护结构参数如SHGC、WWR、U值等对建筑能耗的影响更为直接，因此在建筑设计中应优先考虑这些参数的优化。

本研究的成果不仅为建筑节能提供了新的方法，也为未来的建筑设计和优化流程提供了实用工具。通过构建一个可解释的机器学习框架，研究团队能够帮助决策者在设计初期明确哪些参数最为关键，从而优先考虑这些变量的优化。此外，该框架还能够作为敏感性分析工具，为不同设计选项提供清晰的比较依据，支持更高效的优化策略。

未来的研究可以进一步拓展这一方法的应用范围，将其应用于不同的气候条件和建筑类型。同时，可以探索将被动设计策略与主动系统相结合，以实现更高的能源效率和更广泛的适用性。此外，随着物联网技术的发展，将实时传感器数据纳入机器学习模型中，可能会进一步提升建筑能耗预测的准确性。然而，本研究主要关注建筑和城市层面的模拟分析，未涉及实时数据的应用，这可能成为未来研究的一个方向。

综上所述，本研究通过构建一个可解释的机器学习框架，揭示了建筑几何和围护结构参数对能耗的影响，为建筑节能提供了新的视角。研究结果强调了被动设计在降低建筑能耗和减少环境影响中的重要作用，同时也指出了不同尺度下参数的重要性差异。通过结合机器学习与建筑模拟，研究团队为建筑设计和优化提供了科学支持，有助于推动可持续建筑的发展。