基于能效证书与概率机器学习的瑞士住宅窗户存量表征及改造潜力评估

《Journal of Industrial Ecology》：Characterising the Swiss window stock and retrofit potential using machine-learning

　　

窗户显著影响建筑部门的运行能耗和隐含排放，但在国家建筑材料存量模型中仍表征不足。准确表征窗户材料、能源性能和翻新状态，对于评估运行与隐含气候影响以及为未来翻新和再利用策略提供信息至关重要。本研究将能效证书（Energy Performance Certificates, EPCs）中的详细信息与机器学习（machine learning）分类相结合。研究人员从40,000余栋建筑的能效证书数据中提取窗框材料、玻璃类型、翻新状态和窗墙比（window-to-wall ratio, WWR）。结果表明，自1990年代以来塑料窗框占比上升，窗墙比至2010年持续增加。随后，研究人员在这40,000余栋建筑上训练监督式机器学习分类器，基于建筑年代、规模和位置预测全部151万栋瑞士住宅建筑的玻璃类型和窗框材料。双层玻璃可以0.8的精确率（precision）识别，三层玻璃的F1分数（F1-score）为0.67；窗框材料预测表现较低，原因是材料类别之间特征重叠。研究人员采用概率分类（probabilistic classification）和蒙特卡洛（Monte Carlo）分析，在应用训练分类器时保留随机不确定性。所得估计在聚合概率层面描述窗户存量。研究人员利用该存量估计评估瑞士窗户存量的改造潜力，以展示该框架的应用。双层玻璃在所有州的住宅建筑存量中占主导（56.2%–67.7%）。相比之下，双层改三层玻璃改造的每平方米（m²）窗户面积潜在年净CO₂减排量在各州之间相差三倍。

窗户是住宅建筑中最常更换的构件之一，服务寿命约25–50年，其当前技术特征更多反映翻新历史而非原始建造时期。窗户通过传热损失影响运行排放，窗框材料又贡献隐含排放，因此频繁更换为建筑存量脱碳提供了机会。然而，国家建筑材料存量模型通常以原型假设或聚合建筑组的概率分布表征窗户，掩盖组内异质性，且不能显式刻画翻新驱动的技术转变；构件级或单体建筑研究虽较详细，但难以提供跨区域、建造队列和翻新历史的存量层面证据；街景影像、遥感和计算机视觉可提供可扩展的几何与视觉信息，但通常缺乏玻璃配置、热性能或翻新时间等技术历史属性。能效证书（Energy Performance Certificates, EPCs）可补充技术和历史构件信息，但窗户翻新信息常不完整。基于此，研究人员从瑞士GEAK/CECB/CECE能效证书中提取窗户玻璃类型、窗框材料、窗墙比（window-to-wall ratio, WWR）和可得翻新年份，依据有记录翻新年份建筑的U值（热透射率）分布推导性能期阈值，训练机器学习模型预测全国住宅窗户属性，并以概率分类和蒙特卡洛（Monte Carlo）分析保留随机不确定性，最后评估瑞士窗户存量改造潜力。该研究提高了窗户在建筑材料存量模型中的表征精度，可为区域改造筛选、运行节能与隐含排放权衡及脱碳政策提供支持。

关键技术方法概括（不超过250字）：研究结合瑞士GEAK/CECB/CECE能效证书与瑞士联邦统计局（BFS）2023年住宅建筑存量统计，后者覆盖约151万栋住宅。GEAK数据包含105,354份证书，其中40,000余栋可提取窗户信息，7,771栋有明确窗户翻新年份。研究人员采用多语言自由文本字典和正则模式提取窗框材料与玻璃类型；利用已知翻新建筑的U值分布和高斯核密度估计（kernel density estimation, KDE）确定性能期分类阈值；以极端梯度提升树（XGBoost）训练分类器，输入建造期、推断性能期、面积、住宅规模、建筑类别、语言区、山地指标和城乡分类等；采用五折交叉验证、85%/15%训练测试划分和训练集随机欠采样；保留类别概率向量并以10,000次蒙特卡洛模拟升尺度；改造影响按ISO 52016-1稳态月度能量平衡和SIA 2028气候数据计算双层改三层玻璃的供暖需求与净CO₂节省。

研究结果如下。3.1.1 GEAK dataset characteristics and representativeness（GEAK数据集特征与代表性）：基于105,354栋获证建筑、1,080,669个窗户构件的分析表明，GEAK覆盖存在时空异质性，1980年前建筑中度过代表，1991–2010队列尤其2001–2010不足达50%；文本提取验证显示窗框材料宏平均精确率0.99、召回率1.00，玻璃类别精确率和召回率均为0.97，结论是该数据集为瑞士住宅存量中最大的建筑级构件分辨窗户信息源。3.1.2 Descriptive results: evolution of window materials and glazing types（描述性结果：窗户材料与玻璃类型演变）：按建造期统计显示，单层玻璃限于最老队列，双层玻璃在1919–2010建筑中多超过60%，2010年后三层玻璃快速增加，2015年后超过80%；木框在约1990年前占优，此后塑料（PVC）和木–金属复合系统重要性上升，纯金属框较少；这些趋势与RENH 1992/1993、MuKEn 2008和MuKEn 2014等热工要求收紧相对应。3.1.3 Window performance period inference and application to the Swiss building stock（窗户性能期推断及瑞士建筑存量应用）：对7,771栋有明确翻新年份建筑的分析发现，窗户U值分布随性能期系统下移，但相邻分布大量重叠，故将性能期作为具有重叠类分布的潜变量进行概率分配；将阈值应用于无翻新记录建筑，按建造期形成性能期概率，用于全国升尺度。3.1.4 Window geometry and orientation patterns（窗户几何与朝向模式）：分析窗墙比和框因子发现，窗墙比随建造期系统增加至2010年，南向立面在各建造期均最高，西、东、北向依次降低；框因子从1919年前的0.73升至最近队列的0.77，且与玻璃类型无显著相关；从隐含排放看，框比双层玻璃更排放密集，但低于三层玻璃。3.2.1 Model selection and classification performance for materials and glazing（材料与玻璃模型选择及分类性能）：比较后XGBoost在预测性能、类别不平衡稳健性和可解释性之间最平衡；窗框分类在不平衡测试集上准确率0.47、宏平均F1分数0.40，67.4%样本最大预测概率不超过0.5，误分类主要发生在木、塑、木–金属等相似类别；玻璃分类准确率0.60、宏平均F1分数0.50，双层玻璃精确率0.80，三层玻璃F1分数0.67，置信度较高；结论是建筑级预测有限，但概率向量适合存量聚合。3.2.2 Model interpretation and feature relevance（模型解释与特征相关性）：SHAP（SHapley Additive exPlanations）分析表明，窗户性能期、语言区和建造期是两类分类最重要的预测变量，几何属性重要性中等，城乡和山地变量较低；玻璃类型由性能期主导，窗框材料特征贡献更分散，概率聚合比argmax分类更能降低聚合偏差。3.3 National window stock estimates（全国窗户存量估计）：将建筑级概率预测聚合后，双层玻璃占60.7%、三层玻璃36.8%、单层玻璃约2.5%；各州双层玻璃占比56.2%–67.7%；窗框以木框44.4%和塑料框31.3%为主；蒙特卡洛10–90%区间宽度低于0.1个百分点，而确定性argmax分类与概率聚合在窗框材料上偏差最高达13个百分点。3.4 Retrofit potential of the Swiss window stock（瑞士窗户存量改造潜力）：基于存量估计评估非三层玻璃比例、双层改三层供暖节能和净CO₂节省；双层玻璃平均U值约2.1 W m^?2 K^?1，现代三层玻璃约1.0 W m^?2 K^?1；双层改三层年供暖节能为40.2–85.7 kWh m^?2 a^?1，北向窗户平均比南向多节省28.7 kWh m^?2 a^?1；木框双层改三层净CO₂节省为3.5–12.1 kg CO₂ m^?2 a^?1，Jura最高；单层改三层净节省约高4.5–5倍；木框平均净节省8.7 kg CO₂ m^?2 a^?1，铝框降至5.5，原因是铝框隐含排放约132 kg CO₂ m^?2而木框约36.2 kg CO₂ m^?2。3.5 Uncertainty, sensitivity, and limitations（不确定性、敏感性与局限）：蒙特卡洛传播的随机分配不确定性在国家尺度可忽略；系统性不确定性主要来自GEAK非随机覆盖、窗户性能期由U值概率推断的误差、GEAK采集工具默认值导致的木/塑与木–金属/塑–金属偏差、国家尺度预测变量与窗框材料关联较弱，以及改造计算采用州级平均排放因子、系统效率和30年寿命等假设；因此结果应解释为概率性存量层面表征，而非建筑级清单。

讨论部分表明，该框架的主要价值在于以EPC经验数据刻画窗户这一翻新敏感构件，并以概率聚合减少硬分类造成的偏差；但覆盖偏差和性能期推断仍是主要限制，改造评估仅用于展示存量模型应用，未纳入成本、技术可行性、遗产约束、 occupant行为或过热风险，也未评估窗户再利用等循环经济措施。研究结论翻译如下：本研究以两种相互关联的方式推进建筑材料存量建模。第一，研究人员开发了基于EPC的框架，将窗户作为翻新敏感构件进行表征，通过提取技术和材料属性，并根据记录的翻新年份和U值分布重建窗户性能期，形成包含40,000余栋建筑、涵盖玻璃类型、窗框材料、窗户面积和窗户性能期的数据集，远超官方建筑统计可获取的信息；与基于原型的存量模型不同，该建筑级方法捕捉原型内异质性和翻新驱动的技术转型，并补充了通常缺乏翻新时间和热性能记录的图像方法。未来工作可利用EPC衍生信息作为街景影像计算机视觉的训练数据，以改进窗户面积估计并支持翻新状态推断。第二，研究人员未将预测简化为确定性类别，而是在聚合中保留完整类别概率向量，并用蒙特卡洛分析将随机不确定性传播至存量估计，从而减少硬类别分配的失真，概率聚合与确定性分类偏差最高达13个百分点；尽管建筑级分类性能有限，概率升尺度在蒙特卡洛运行中产生稳定的国家聚合结果。模型可解释性分析识别窗户性能期、位置和建造期为玻璃与窗框材料最具预测性的特征。国家估计的应用价值通过区域化玻璃改造潜力评估展示：研究人员识别出双层玻璃占比较高且更换为三层玻璃时供暖需求节省较高的区域，并与更换价值较低区域对比，说明空间分辨存量估计可支持区域筛选及运行节能与隐含排放权衡评估。未来工作可将该数据与动态存量模型耦合，研究再利用或回收等措施；预测模型还可识别三层玻璃占比较高且即将拆除的建筑群，支持再利用材料搜寻。EPC在欧盟范围内的可得性和持续协调有望促进该方法在其他国家应用，并在更大空间尺度生成详细建筑存量数据，支持环境评估和有针对性脱碳措施。