《Smart Energy》：An automated hierarchical workflow for static and dynamic district heating simulation with UESgraphs v2.0.0: A case study from a German living lab project
编辑推荐：
自动化工作流能够从原始地理信息系统（Geographic Information System, GIS）数据生成区域供热与供冷（District Heating and Cooling, DHC）的静态与动态仿真模型。自适应算法成功将网络从树状拓扑扩展至多源
自动化工作流能够从原始地理信息系统（Geographic Information System, GIS）数据生成区域供热与供冷（District Heating and Cooling, DHC）的静态与动态仿真模型。自适应算法成功将网络从树状拓扑扩展至多源环状拓扑。动态分析识别出稳态模型所忽略的关键热惯性效应。基准测试显示动态模型的运行时间增加约34倍，且随机存取存储器（Random Access Memory, RAM）需求较高。集成后处理可对海量动态数据进行可视化，以支持空间分析。
研究背景与问题。欧洲供热与供冷（Heating and Cooling, H&C）部门脱碳是气候政策的关键支柱；建筑能效指令（Energy Performance of Buildings Directive, EPBD）推动零排放建筑（Zero-Emission Building, ZEB），区域供热与供冷（DHC）网络现代化支撑100%可再生能源系统。第四代区域供热（4th Generation District Heating, 4GDH）和第五代区域供热与供冷（5th Generation District Heating and Cooling, 5GDHC）具有低供水温度、双向流和分散式热泵等特征，可整合余热与可再生热源，但老旧网络改造与复杂动态系统给城市能源规划带来挑战。现有DHC专用工具如Fluidit Heat或SIR 3S便于静态定容，却缺乏高级热动态与分散控制灵活性；基于方程和面向对象的Modelica及AixLib可表征复杂建筑能源系统与瞬态现象，但编程门槛高。当前工程流程存在“建模鸿沟”：人工建模瓶颈、数据到仿真鸿沟、透明性与可重复性不足、分析与可视化不足。因此研究人员开发UESgraphs v2.0.0，以图结构整合异构城市数据，自动完成数据到模型、拓扑管理、静态与动态多代仿真及后处理可视化。
研究人员开展的工作与意义。研究人员在德国TransUrban.NRW生活实验室项目的Seestadt mg+区域开展方法学演示与代码对代码验证，比较4栋、14栋、43栋三阶段扩建情景。结论：自动化定容可从单源树状网络自适应扩展至三源环状网络；Pandapipes准静态仿真适合早期水力定容与瓶颈识别；Modelica动态模型揭示热惯性与传输延迟，动态温度传播更平缓，最大温降2 K而静态为4 K；动态热损失占比2.1%–3.4%，高于静态1.2%–1.9%；动态峰值泵功率2.8 kW低于静态3.96 kW，但年泵电耗6970 kWh/a高于5745 kWh/a；43栋情景Pandapipes约13 min、Modelica约7.4 h，约34.4倍，初始化RAM达13.0 GB、仿真RAM 2.6 GB，静态约0.45 GB。其意义在于建立透明可重复的开源自动化工具链，支持早期规划快速迭代，并将高成本动态模型用于最终瞬态验证。
关键技术方法（≤250字）。研究人员以UESgraphs v2.0.0的Python图结构框架整合GIS、OpenStreetMap（OSM）、GeoJSON等空间数据，自动吸附建筑多边形、生成节点与边并简化拓扑；注入TEASER生成的热、冷和生活热水（Domestic Hot Water, DHW）时序及管道物性；按ISOPLUS目录自动完成水力定容；将图模型转换为Pandapipes进行全年逐时准静态仿真，并转换为Modelica/AixLib动态系统模型；以mat_handler等模块将结果映射回空间拓扑并计算关键性能指标（Key Performance Indicator, KPI）。案例来源为德国M?nchengladbach的Seestadt mg+区域，属于TransUrban.NRW生活实验室项目。
研究结果按原文小标题概括：4.1 水力定容与网络适应（Hydronic sizing and network adaptation）：自动定容算法自消费节点向供热点聚合质量流量，并按ISOPLUS目录分配公称直径（Nominal Diameter, DN）；4栋为单源树状小管径，14栋仍为树状但放大主管，43栋转为三源环状，主环采用DN100–DN200并兼顾冗余；早期规划需以全建成规模定容以避免瓶颈。4.2 基于Pandapipes的准静态仿真分析（Quasi-static simulation analysis using pandapipes）：全年逐时稳态计算用于快速水力评估与约束校验；在1月16日13:00低负荷工况下展示流量与温度传播，多源环状下部分末端支路因低流量和距离出现较高温降；热损失占需求1.2%–1.9%，验证低温网络效率。约束验证与流速分析（Constraint Validation and Velocity Analysis）：以95百分位流速对照DN与ISOPLUS设计限值，绝大多数低于1.0 m/s及200–300 Pa/m上限，表明水力安全且保守。初步泵能耗估算（Preliminary Pump Energy Estimation）：由质量流量与Δp后处理得峰值泵电功率3.96 kW、年泵电耗5745 kWh，比泵功率约0.69 kWh
el/MWh
th。4.3 动态系统分析（Modelica）（Dynamic system analysis (Modelica)）：相同拓扑转为Modelica/AixLib动态模型，纳入热惯性、地埋热耦合与阀门瞬态。瞬态水力与热行为（Transient Hydraulic and Thermal Behavior）：动态温度传播存在空间滞后，最大温降2 K而静态4 K；远端节点w14_1在低需求时静态瞬时降至地温，动态维持热惯性；压力呈连续瞬态波动。全年误差统计中压力MAE<0.022 bar，温度MAE>12 K，量化静态模型忽略热惯性与传输延迟的局限。流速分析与瓶颈迁移（Velocity Analysis and Shifting Bottlenecks）：动态95百分位流速分布不同，局部短时峰值可能使静态安全管段超过厂家限值。泵功率统计与系统效率（Pump Power Statistics and System Efficiency）：动态峰值泵功率2.8 kW、年泵电耗6970 kWh/a、比泵功率0.83 kWh
el/MWh
th，说明瞬态摩擦与阀调节影响效率。未来能力与计算权衡（Future Capabilities and Computational Trade-offs）：简化子站用于可比基线，框架可扩展高保真AixLib组件。4.4 计算工作量与工作流效率（Computational effort and workflow efficiency）：性能基准（Performance Benchmarking）显示4栋时Modelica更快，43栋时Pandapipes 13 min、Modelica 7.4 h（34.4倍）；内存使用（Memory Usage (RAM)）显示Modelica初始化RAM 13.0 GB、仿真2.6 GB，Pandapipes约0.45 GB，编译是主要硬件瓶颈；建模层级适宜性（Appropriateness of modeling levels）表明静态适合早期定容与压力瓶颈，动态适合瞬态热性能、回水温度退化与高级控制；战略工作流含义（Strategic Workflow Implications）表明应先用Pandapipes快速测试拓扑与定容，再将Modelica用于最终动态评估。
讨论与结论翻译。传统工作流长期受“建模鸿沟”制约；本研究提出并验证UESgraphs v2.0.0全自动图基仿真工作流。以Seestadt mg+为案例，4/14/43栋分阶段分析显示自动定容可从单源树状变为三源环状。Pandapipes准静态分析是早期水力定容和厂家流速限值校验的高效工具；Modelica动态结果揭示地面与流体质量热惯性，动态最大温降2 K小于静态4 K；动态热损失占比2.1%–3.4%高于静态1.2%–1.9%；静态估计峰值泵功率更高（3.96 kW vs 2.8 kW）但低估年泵电耗（5745 kWh/a vs 6970 kWh/a），说明亚小时摩擦与部分负荷阀调节对长期效率重要。计算上43栋Pandapipes约13 min、Modelica约7.4 h，增加34.4倍；Modelica初始化RAM 13.0 GB、运行2.6 GB，静态<0.5 GB。未来将集成AixLib高保真子站、支持5GDHC双向流与分散式产消者、改进需求估计与数据到模型流程，并以实测数据校准，发展数字孪生与实时优化。
