住宅区建筑能耗、光伏发电潜力与室外热舒适度的平衡：基于可解释机器学习的多目标优化

《Building and Environment》：Balancing Building Energy Consumption, Photovoltaic Generation Potential, and Outdoor Thermal Comfort in Residential Blocks: Multi-Objective Optimization with Interpretable Machine Learning

　　

• 约束框架将形态、模拟、预测和优化相互关联。• 能耗强度降低与光伏收益产生协同效应，但与舒适度存在权衡。• 容积率驱动能耗和光伏功率；天空可视域因子决定舒适度。• 帕累托聚类显示：多层建筑带来舒适，高层实现节能，平衡型形态兼具两者。• 最优街区具有高天空可视域、密度0.16–0.26以及长宽比2.0–3.5。

**引言**

根据联合国经济和社会事务部的最新统计数据，2025年全球有45%的人口居住在城市中，这一比例是1950年的两倍多[1]。城市的快速扩张增加了能源供需压力[2]。在城市能源系统中，建筑及其运行是城市能源消耗和碳排放的重要来源，约占全球终端能源消耗的30%[3]。面对碳排放对全球构成的威胁以及不断加剧的资源与环境挑战[4]，中国政府已明确提出2030年前实现碳达峰、2060年前实现碳中和的战略目标，这对低碳城市发展提出了更高要求[5]。

居住街区是城市空间结构的基本组成部分。由于土地资源稀缺和人口持续聚集，对城市居住空间的需求不断增加[6]。这些空间变化使得居住需求与节能和低碳发展目标之间的平衡日益困难。此外，这些变化还可能削弱太阳能获取并扰乱局部微气候条件，对公众健康、户外活动和居民出行体验产生潜在影响[7]。在此背景下，优化居住街区的户外舒适度已成为促进城市可持续发展的重要途径。

城市形态对能效和热环境有显著影响[8]。已有研究表明，容积率、建筑密度、建筑朝向和建筑高度等形态参数显著影响温度、湿度和太阳辐射，进而影响建筑能耗表现和可再生能源利用[9]。因此，在初步设计阶段对居住形态进行科学全面的规划，对于改善环境质量和推进节能与碳中和目标至关重要。

现有的城市能源与微气候建模研究大多采用自下而上的方法[10]。研究策略主要可分为两类。第一类是基于卫星影像和建筑数据集构建的现有城市街区特定案例模型[11,12]。此类模型已被广泛用于模拟城市微气候[13]、太阳辐射[14]、建筑能耗[15]和碳排放[16]。然而，这些研究通常受限于数据可获得性以及形态变量的可控性不足，这限制了其在大规模参数化分析和多目标优化中的适用性。第二类涉及开发原型化城市形态[[17], [18], [19]]。此类研究通常利用参数化设计平台生成大量形态样本[20]。该方法具有较高的灵活性和计算效率，能够系统性地研究形态变量与性能目标之间的关系。然而，现有的原型研究往往依赖于高度简化的形态假设，未能充分纳入实际规划约束条件，这在一定程度上削弱了研究结论的普适性。

形态特征，包括街区形态、建筑形式和表面特性，显著影响环境质量[21]。具体而言，街区形态通过调节太阳辐射、地表热储存与释放、遮阴和气流来重塑局部热环境[22]，从而影响局部热岛强度和行人热舒适[23]。已有研究确定了街道峡谷宽高比[24]、天空可视域因子[25]、建筑朝向[26]和建筑间距[27]为关键因素。由于城市气候系统的复杂性，这些因素的影响并非简单的线性关系。在湿热地区，较高的宽高比和与主导风向一致的布局通常有助于降低生理热舒适指数（UTCI）。相比之下，一项针对严寒地区的研究发现，低至中等的宽高比可以增加户外太阳照射并改善户外热舒适[28]。这些对比发现表明，适当的街区形态在很大程度上取决于当地气候背景。相应地，街区尺度的微气候反映了太阳照射、遮阴和气流的综合效应。优化户外条件需要气候响应的形态规划。

街区形态也被广泛认为是影响建筑能耗表现和可再生能源潜力的关键空间因素。伊斯坦布尔的一项研究证实，不同形态方案之间的总能耗差异可达58.14%[17]。Liu等人基于夏热冬冷地区的研究发现，容积率、建筑密度、建筑高度和开敞空间率显著影响建筑能耗，高容积率高开敞空间率的街区形态更有助于节能[29]。然而，Zhu等人在中国广州亚热带地区的研究发现，建筑密度总体上与能耗呈负相关[30]。这些发现揭示了同一形态指标在不同气候背景下效应的异质性[31]。此外，建筑尺度的形态进一步改变了能耗表现。建筑长度、宽度和高度[32]以及建筑类型[33]都影响得热、通风和遮阴，从而通过改变热环境和供暖或制冷负荷来影响建筑能耗。这些发现表明，街区形态的能耗效应不能由单一指标解释，而多个指标的相对贡献和相互作用仍有待澄清。

与此同时，随着可再生能源技术的进步，太阳能越来越多地融入绿色建筑和低碳城市设计，使光伏建筑一体化系统成为重要的研究焦点。已有研究探讨了光伏遮阳一体化幕墙[34]、光伏材料和组件技术[35,36]以及光伏安装配置的优化[37,38]。然而，设计初期阶段的形态决策仍然至关重要。建筑形式和布局通过改变可用安装面积、太阳照射和遮阴来显著影响光伏发电潜力[39]。形态因子的差异可能导致光伏发电潜力变化高达200%[40]。Ajorloo等人报告称，建筑密度、建筑高度和宽高比共同影响屋面和立面光伏性能，密集的高层街区由于遮阴会降低光伏产出[41]。相反，Liu等人基于中国南京的研究发现，较高的建筑密度和较低的建筑高度可以增强光伏发电潜力[42]。这些对比发现表明，街区形态对光伏发电潜力的影响仍存在争议，尚无法在不同城市背景下进行泛化。需要进一步研究以明确街区形态对遮阴和光伏安装面积的影响，以及光伏收益、建筑能耗和户外舒适度之间的相互作用，特别是在沿海寒冷气候地区。这些关系应纳入设计初期的空间布局优化中。

人工智能正日益融入科学发现，以增强和加速研究[43]。机器学习在预测建成环境和城市空间性能方面展现了巨大潜力。其应用涵盖建筑性能，如能耗[44,45]、采光[46]、室内舒适度[47]，以及城市评估指标，如碳排放潜力[48]、户外热舒适[49,50]和风环境[51]。机器学习模型可以捕捉复杂城市形态与环境性能之间的非线性关系，并进一步阐明各变量的相对重要性[52]。

模型选择对预测精度至关重要。Yuan等人系统评估了包括XGBoost和随机森林在内的五种主流算法，使用校园宿舍的形态数据。结果证实了XGBoost在预测室内外热舒适方面的高精度和稳定性[53]。同样，Song等人使用深度神经网络预测中国西北干旱地区农村住宅的性能，R2超过0.99[54]。此外，人工神经网络[55]、LightGBM[56]和Extra Trees[57]等模型也被广泛应用于性能预测。

多目标优化在冲突目标之间识别帕累托最优解，广泛应用于城市设计和建筑性能优化。然而，传统的多目标优化计算成本高昂，迭代不足可能导致无法收敛并降低解的精度。最近的研究将机器学习与多目标优化相结合。例如，Ying等人将遗传算法与卷积神经网络结合，优化风响应的高密度住宅形态[58]；Li等人提出了一种在设计初期阶段整合机器学习算法的多目标优化框架，以协同提升办公街区的光伏发电潜力、环境性能和经济效益[59]。这些研究表明，机器学习与多目标优化的整合可以减少传统基于模拟的优化的计算负担，为可持续城市建设提供有效的技术路径。

先前的研究已证明，参数化建模、代理模型辅助的多目标优化以及可解释机器学习已被越来越多地应用于建筑性能分析和城市设计。然而，当这些方法应用于早期居住规划时，仍有若干问题有待进一步探索（表S1）。首先，现有研究中的优化空间往往基于理想化的几何假设来定义，而实际规划约束的系统性整合，如日照要求、防火间距和建筑高度规定等，仍然相对有限。因此，优化方案可能并不总是完全符合实际规划可行性。其次，尽管先前的研究探讨了建筑能耗、太阳能利用和户外热条件之间的权衡，但在青岛等寒冷沿海城市的特定气候背景下，冬季户外热舒适、能耗表现和光伏潜力之间的协同与冲突关系仍不够清楚。同时，形态参数对不同性能目标的非线性效应、阈值行为和参数间相互作用仍需进一步研究。第三，现有的多目标优化研究大多聚焦于获取帕累托最优解，而对不同解聚类所对应的形态特征的进一步识别以及将其转化为面向规划的设计策略的研究关注相对有限。基于上述研究空白，本研究的主要目标如下：

(1) 建立考虑建筑能耗、光伏发电潜力和冬季户外热舒适的代理模型辅助多目标优化框架。在政策约束和发展规范下，识别三个性能目标之间的权衡关系。进一步采用代表性案例验证机器学习预测模型的可靠性。

(2) 使用可解释机器学习方法识别影响不同性能指标的关键形态驱动力，并量化其非线性响应、阈值效应和参数相互作用。

(3) 将多目标优化与可解释分析相结合，将帕累托解空间和形态-性能关系转化为定量规划指标和设计策略，从而为寒冷沿海地区居住街区的早期规划提供决策支持。

**方法框架**

图1展示了本研究的分析工作流程。该框架通过五个顺序阶段推进：参数化建模、拉丁超立方抽样和性能模拟、机器学习模型训练、多目标优化以及可解释分析。

**步骤1：** 在Grasshopper中建立了约束驱动的参数化建模流程，以生成符合城市规划法规的居住街区，包括居住日照要求和

**机器学习模型预测结果**

使用R2、NRMSE和MAPE将代表性模型的预测性能与Ridge这一传统基线模型进行了对比评估（表5）。在所有评估的模型中，XGBoost在三个目标上的整体表现最佳，测试集R2值分别为0.976、0.970和0.964，同时保持了较低的NRMSE和MAPE值（图6）。鉴于其优越的拟合精度和稳健的泛化性能，XGBoost被选为代理模型。

**机器学习模型在性能预测中的效率和适用性**

性能模拟实验在一台配备Intel Core i7-13700处理器的计算机上进行。使用LHS共生成了1000个模拟样本，相应的模拟过程大约需要116小时以开发代理模型。训练后，代理模型将单个设计案例的评估时间从约7分钟缩短至3秒，实现了约140倍的加速。尽管代理模型辅助框架引入了

**结论**

本研究提出了寒冷沿海地区行列式居住街区的早期设计框架，并探讨了街区形态如何平衡建筑能耗、光伏发电潜力和冬季户外热舒适。

在受约束的设计空间内，识别出了非线性形态-性能关系、阈值效应和参数交互作用，而多目标优化进一步揭示了帕累托最优形态设计。

**资助信息**
本工作得到山东省自然科学基金（ZR2023ME232）的资助。

**CRediT 作者贡献声明**
王紫恒：论文初稿撰写、概念构思、可视化、调查研究、形式分析、数据整理、软件、方法论、验证。
朱怡荣：论文审阅与编辑、监督指导。
王怡飞：资金获取。
许宇航：可视化、调查研究。

**数据可用性**
数据可根据要求提供。

**CRediT 作者贡献声明**
王紫恒：论文初稿撰写、可视化、验证、软件、方法论、调查研究、形式分析、数据整理、概念构思。
朱怡荣：论文审阅与编辑、监督指导。
王怡飞：资金获取。
许宇航：可视化、调查研究。

王紫恒 | 朱怡荣 | 王怡飞 | 许宇航