基于实测气密性的住宅建筑能耗与舒适性能多目标优化：一种数据驱动的混合人工智能方法

《Buildings》：A Data-Driven Multi-Objective Optimization Approach for Improving Energy and Comfort Performance in Residential Buildings

　　

专业术语翻译（摘要部分） 考察住宅建筑中的能源相关问题与舒适条件对于实现可持续发展至关重要。据此，本研究旨在优化建筑围护结构设计参数——包括源自实测的空气密性数值——以在能耗、热舒适和视觉舒适之间取得平衡。研究提出了一种多阶段、系统性的方法体系，其核心是一个基于建筑性能仿真的混合人工智能预测与优化框架。研究人员对研究对象住宅进行了风机门测试（BlowerDoor Test，BDT），并将测试结果集成至建筑性能模型之中。通过仿真生成的数据，研究人员比较了多种机器学习元模型（meta-model）的性能，包括人工神经网络（Artificial Neural Network，ANN）、支持向量回归（Support Vector Regression，SVR）和极限梯度提升（XGBoost）。其中，SVR模型在大多数目标上展现出最低的误差率和最高的可靠性，因此被选作优化阶段的元模型。该模型作为目标函数，应用于基于非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm II，NSGA-II）的多目标优化过程。基于该代理模型（surrogate model）的优化结果表明，与基准状态相比，能耗降低了21.69%，视觉舒适度提升了17.2%，热舒适度提升了20%。此外，分析揭示，空气密性通过与其他参数（如窗墙比（Window-to-Wall Ratio，WWR）和建筑朝向）的交互作用，影响采光性能。最后，研究人员采用沙普利加性解释（SHapley Additive exPlanations，SHAP）方法，确定多目标优化后各设计参数的相对重要性。分析结果表明，各参数的影响排序因具体目标的不同而有所差异。窗墙比和朝向是提升视觉舒适的首要因素，而朝向、渗透率（infiltration）及建筑构件的传热系数（thermal transmittance）则是提升能效和热舒适最为关键的要素。因此，将基于代理模型的数据驱动方法集成至建筑性能评估之中，可显著促进住宅建筑的可持续性，并为未来研究提供新的研究框架。

论文解读

一、研究背景与问题提出

建筑部门在全球能源消费中占据显著份额。欧盟旨在2050年实现气候中和，而能源生产和使用占欧盟温室气体排放的75%以上。欧洲建筑能效指令（EPBD）指出，约50%的终端能源消耗用于供暖和制冷。在此背景下，高能效建筑强调良好保温的围护结构、最小化的热桥和优化的施工质量，其中高气密性被视为高性能建筑最关键的物理特性之一。然而，建筑若气密性不足，空气渗透将导致供暖和制冷能耗显著增加。以往研究多聚焦于标准布局建筑（如住宅、办公和教室）的空气泄漏问题，且已有研究表明，在寒冷气候区气密性对能耗影响最为显著，温带气候区渗漏对供暖需求的能耗影响介于2至20 kWh/(m2·yr)之间。此外，围护结构气密性还直接影响室内空气质量（IAQ）、污染物渗入（如PM2.5）、CO?积聚以及无足够机械通风空间中的热不适问题，进而关系到 occupants 的健康与舒适。

近年来，多目标优化方法在评估建筑围护结构设计决策对能耗、热舒适和视觉舒适的综合影响方面日益重要。机器学习代理模型与仿真工具及优化算法的结合，能够以较低计算成本生成大量设计方案。已有研究虽已展示数据驱动优化方法在建筑性能问题中的应用，但现有研究主要聚焦于窗户几何、立面遮阳构件或围护结构热工性能等设计变量，将现场实测的气密性数据与其他围护结构参数集成于统一优化框架，并分析其对能耗、热舒适和视觉舒适的综合影响，仍属研究空白。因此，本研究旨在开发一种数据驱动的多目标优化框架，将现场实测气密性数据与其他围护结构设计参数集成，以平衡能耗、热舒适和视觉舒适性能。

二、研究内容与主要结论

本研究以土耳其巴勒克埃西尔（Bal?kesir）一栋四层住宅楼中朝北的单户公寓（使用面积40 m2）为研究对象。研究人员首先确定了该住宅的几何和结构特征，随后进行了风机门测试（BDT）以评估其现有气密性，并将结果集成至参数化能耗模型。基于BDT，气密性以50 Pa压差下的换气次数（ACH50，单位h?1）量化。参数化建模采用Rhino/Grasshopper完成，并集成至Python环境，基于实测气密性开展建筑性能仿真。为降低优化计算成本，研究构建了基于支持向量机（SVM）的代理模型，并执行多目标优化（MOO）过程。此外，利用特征选择算法SHAP评估并比较了各参数对能耗、热舒适和视觉舒适目标的相对影响。

研究选取的性能指标包括：供暖和制冷能耗用于评估能源性能；Fanger提出的预测平均投票（PMV）和预测不满意百分比（PPD）用于评估热舒适；空间日光自主性（sDA）和日光眩光概率（DGP）用于评估视觉舒适。设计变量涵盖建筑朝向、窗墙比（WWR）、墙体传热系数、窗户传热系数、建筑气密性（n??）等参数。研究通过参数化模型进行了2000次涵盖能耗、热舒适和采光的独立仿真，生成训练和测试数据集。采用三种机器学习算法——支持向量机（SVM/SVR）、人工神经网络（ANN）和XGBoost——构建代理模型，并通过性能指标、交叉验证、稳健性测试和独立测试数据集进行比较。最终，SVR模型因在多数目标上误差最低、可靠性最高而被选为NSGA-II多目标优化算法的目标函数。

优化结果表明，与基准状态相比，能耗降低21.69%，视觉舒适度提升17.2%，热舒适度提升20%。SHAP分析揭示，不同设计参数对不同性能指标的影响排序存在显著差异：窗墙比和朝向是提升视觉舒适的首要因素，而朝向、渗透率和建筑构件传热系数是提升能效和热舒适最为关键的要素。该研究证实，将基于代理模型的数据驱动方法集成至建筑性能评估中，可显著促进住宅建筑的可持续性，并为未来研究提供新的框架。

三、主要关键技术方法

研究人员采用的主要技术方法包括：（1）风机门测试（BDT），依据ASTM E779标准，在50 Pa压差下测量住宅的换气次数n??，并将实测值集成至能耗模型中以校准仿真；（2）参数化建模与建筑性能仿真，利用Rhino/Grasshopper进行参数化建模，通过Python接口调用EnergyPlus（版本26.2.0）引擎进行能耗仿真，调用DAYSIM（版本3.1）进行年度采光仿真；（3）机器学习代理模型，采用支持向量回归（SVR）、人工神经网络（ANN）和XGBoost三种算法，基于2000次仿真数据训练预测模型，通过Optuna进行超参数优化、5折交叉验证和5次重复5折交叉验证进行稳健性分析；（4）多目标优化，以SVR代理模型作为目标函数，采用非支配排序遗传算法II（NSGA-II）求解帕累托前沿（Pareto-front）；（5）SHAP（SHapley Additive exPlanations）敏感性分析方法，基于博弈论解释各设计参数对各个性能目标的相对贡献。模型验证方面，研究人员使用HOBO数据记录器在4月21日至5月5日及12月两个15天周期内采集室内温度和相对湿度实测数据，与仿真结果对比，依据ASHRAE Guideline 14标准计算R2、平均偏差误差（MBE）和均方根误差（RMSE）进行验证。

四、研究结果

风机门测试结果： 研究人员于2026年3月20日在四个不同时间点（09:00、12:00、15:00和18:00）进行了风机门测试，以考虑全天风速和气温波动。测试获得的n??值在不同时段保持一致性，平均值为1.6225 h?1。该住宅满足TS 825、保加利亚被动房、奥地利被动房和捷克TNI 730330标准的气密性限值要求，且测试过程中低标准差增强了分析的可靠性。

仿真结果： 能耗仿真显示，供暖需求在1月达到峰值（820.4 kWh），制冷需求在7月达到峰值（450.2 kWh）。全年总供暖能耗为3850.2 kWh，总制冷能耗为1572.6 kWh，供暖能耗约占全年总能耗的71%，表明该朝北住宅的供暖负荷占主导地位。热舒适方面，PMV值在12个月间介于?0.85至+0.65之间，PPD值介于5.1%至20.4%之间。冬季月份（12月、1月、2月）PMV值约在?0.72至?0.85之间，超出ASHRAE 55标准±0.5舒适范围；夏季月份（6月、7月、8月）PMV值约在+0.48至+0.65之间，7月和8月结果超出舒适范围。视觉舒适方面，sDA值介于36.5%至59.0%之间，DGP值介于0.21至0.34之间。冬季sDA值相对较低，表明自然采光不足，同期DGP值较低；夏季情况相反。该朝北住宅单元的sDA值为55.5%，满足BREEAM标准55%的阈值要求。模型验证方面，4月至5月期间R2为98.40%，MBE为0.87%，CV(RMSE)为2.72%；12月期间R2为99.25%，MBE为0.63%，CV(RMSE)为1.63%，均符合ASHRAE Guideline 14的可靠性要求。

基于AI的优化结果： 三种机器学习算法在各项目标上均获得较高的R2值（0.96–0.99），其中sDA目标的预测难度最大。SVR在供暖负荷和PPD上误差最低，ANN在制冷负荷、DGP和PMV上表现最佳，XGBoost在sDA上误差最低。通过交叉验证和稳健性分析，SVR在制冷负荷、供暖负荷、PMV和PPD四个目标上表现最佳，XGBoost在DGP和sDA上表现最佳，ANN未在任何目标上排名第一。因此，SVR被选为最终代理模型。多目标优化产生的六维帕累托前沿中，最佳方案为：年供暖能耗2760.82 kWh，制冷能耗1389.33 kWh，PMV为0.431，PPD为8.88%，sDA为65%，DGP为0.335。研究提出的10个设计方案表明，较低的墙体和窗户传热系数可降低总能耗；WWR范围从0.3至0.8不等；n??值范围在0.60–5.00 h?1之间；朝南或西南朝向的方案效果最佳。不同方案在能耗、热舒适和视觉舒适方面表现出显著差异，例如方案1具有80%的高窗墙比和2.385 W/m2K的玻璃传热系数，sDA值达65%有利于采光，但总能耗4246.29 kWh在能源性能方面表现不佳；方案6在能耗方面最优，方案2能耗最高，两者相差约12.44%；方案7热舒适最佳，方案3最差。这些发现表明，低能耗并不必然保证最佳热舒适条件，独立评估不同目标并非恰当方法。

敏感性分析结果： SHAP分析显示，参数X5（建筑朝向）是影响供暖负荷的最显著因素且呈负相关，其次为X4（与供暖负荷正相关），建筑围护结构气密性是影响室内供暖负荷的最重要参数之一。对于制冷负荷，X5仍是最具影响力的参数且呈负相关，其次为X2和X3（均与制冷负荷负相关）。对于PMV，X5是最具影响力的参数且呈负相关，建筑围护结构气密性值为第二重要参数，其值增加会对PMV产生负面影响。对于PPD，X5是最有效的参数且呈正比关系，气密性值为第二重要参数。对于sDA，朝向是影响室内采光的最重要参数，其次为WWR，气密性对室内采光性能影响甚微。对于DGP，朝向是影响室内眩光概率的最重要参数，其次为WWR。

五、讨论与结论

研究讨论指出，在建筑中存在能耗性能与采光性能之间的权衡关系，因此采用基于帕累托前沿的多目标优化方法，在最小化建筑能耗的同时最大化室内采光和热性能。不同设计方案在能耗、热舒适和视觉舒适方面的表现存在显著差异，某些方案在能耗方面具有优势，而另一些方案通过不同参数组合在热舒适或视觉舒适方面表现更佳。这表明，在建筑设计过程中独立评估不同目标并非恰当方法，一个目标表现良好的设计方案可能在其他目标上产生不理想的结果，这凸显了多目标优化的必要性。

研究结论指出，本研究提出了一种将实际住宅中的气密性测量与建筑性能仿真、机器学习和多目标优化技术相集成的方法体系。采用NSGA-II进行的多目标优化实现了能耗降低21.69%、视觉舒适度提升17.2%和热舒适度提升20%的改善效果。SHAP分析揭示，不同设计参数对不同性能指标的影响排序存在差异：窗墙比和朝向对视觉舒适至关重要，而渗透率和建筑构件传热系数等变量是提升能效和热舒适的关键。这表明相同的设计参数对不同性能目标并不产生同等影响。研究同时指出其局限性：研究仅聚焦于单一住宅建筑，限制了发现对其他建筑类型的普适性；机器学习模型使用EnergyPlus仿真引擎生成的输出数据进行训练和测试，其高预测精度反映的是与仿真输出的一致性而非真实建筑性能，因此优化所实现的性能改善应被视为基于仿真建模的估计值。未来研究可扩展至多栋建筑的考察，并可通过利用基于物联网的传感器收集室内压力、温度和眩光实时数据，构建空间的“数字孪生”模型，以产生更接近实际的结果。