一种计算高效且具有空间可迁移性的城市尺度立面太阳辐射预测模型
《BUILDING AND ENVIRONMENT》:A Computationally Efficient and Spatially Transferable Model for Urban-Scale Facade Solar Irradiation Prediction
【字体:
大
中
小
】
时间:2026年07月22日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
摘要:随着建筑集成光伏技术的重要性日益提升,对城市尺度上的太阳辐射潜力进行评估对于可再生能源规划而言至关重要。然而,在高楼林立、人口密集的城市中,光线相互作用十分复杂,传统的遮荫模拟方法需要大量的计算时间。而那些利用区域特征的统计和机器学习方法则缺乏空间迁移性。因此,本研究开发了
摘要:随着建筑集成光伏技术的重要性日益提升,对城市尺度上的太阳辐射潜力进行评估对于可再生能源规划而言至关重要。然而,在高楼林立、人口密集的城市中,光线相互作用十分复杂,传统的遮荫模拟方法需要大量的计算时间。而那些利用区域特征的统计和机器学习方法则缺乏空间迁移性。因此,本研究开发了一种基于GIS的立面太阳辐射预测模型,该模型在提高计算效率的同时也具备一定的空间迁移性。该模型的构建分为四个步骤:首先,确定以天空开放度为特征的参数作为描述城市太阳辐射条件的可迁移指标;其次,处理GIS数据以减少计算时间;第三,建立立面太阳辐射预测模型;最后,选取不同位置和规模的案例区域来验证模型的性能。实验结果表明,与现有的“Radiance”模拟方法相比,该模型将立面太阳辐射预测的计算时间降低了约95%。此外,基于单一区域数据训练的预测模型在对外部其他区域进行验证时,其误差控制在10%的CVRMSE范围内,显示出在相似区域条件下的空间迁移性。研究还在三种气候情景下进行了对纬度敏感度的验证,以探讨在不同纬度条件下滑块特征集的适用性。预计该模型能够有效用于决策初期,因为它可以快速估算城市尺度上建筑立面的太阳辐射情况。
引言:2020年,全球约有55%的人口居住在城市地区,这一比例预计到2050年将上升至68%[1]。在这样的背景下,城市化进程推动了能源需求的增长,城市消耗的能源占全球总量的三分之二以上。随着人口的增长,城市能源需求预计还将进一步增加[2]。因此,人们更加重视在城市层面制定能源供应策略[3,4]。不过,在现代城市中,用于传统能源生产设施的空间十分有限[5,6]。
近年来,建筑集成光伏技术作为一种替代能源供应方式,因能利用高密度城市中高层建筑的大面积立面作为发电表面而备受关注[7,8]。研究表明,太阳能足以满足城市每年30%以上的电力需求[9]。然而,由于周围建筑的遮荫作用,不同立面所接收的太阳辐射量存在显著差异[10,11]。在高度密集的城市环境中,遮荫因素的复杂性不断增加,其影响范围从几米级的街区尺度扩展到数百米级的城市尺度。因此,为了准确分析遮荫效应并制定城市尺度的能源规划,有必要在全市范围内进行太阳辐射评估[12,13]。
虽然使用日射强度计进行现场测量被认为是获取太阳辐射数据的一种高精度方法,但由于在城市范围内需要安装大量日射强度计,这在时间和资源上都存在很大挑战[14,15]。因此,需要一种高效的方法来评估城市尺度上的立面太阳辐射潜力。针对城市尺度上替代现场测量的研究可分为三类:第一类是运用地理信息系统预测城市尺度太阳辐射的研究;第二类是旨在通过利用基于GIS的城市和形态特征训练的模型来减少现有太阳辐射分析方法计算时间的研究;第三类则是尝试运用“天空开放度”概念来分析太阳辐射的研究。
此前的一些研究已将日光模拟工具与GIS相结合,用于分析建筑立面的太阳辐射情况[[16], [17], [18], [19], [20]]。这些太阳辐射模拟方法能够达到与现场测量相当的高精度水平[21]。有研究利用日内瓦的GIS数据,通过统计分析屋顶辐射与城市形态指标之间的关系,并借助基于Solar Cadaster的辐射数据以及40个GIS形态特征,证实了城市形态与辐射量之间存在关联[22]。还有研究开发了一种方法,将纽约市的建筑物转化为图形表示形式,再利用机器学习技术来预测立面太阳辐射。然而,在针对高楼林立、人口密集城市的模拟方法中,随着建筑物数量的增加,遮荫模式会变得更加复杂[23,24],这也导致了模拟计算负荷的增加[25,26]。与此同时,关于计算时间与城市复杂程度之间的关系也有大量研究[27],而太阳辐射模拟的计算时间至少与建筑物数量的平方成正比[[28], [29], [30]]。有研究提出了一种针对高密度城市环境的新颖遮荫计算方法,与EnergyPlus相比,该方法能降低计算时间。
除了改进模拟流程本身之外,还有研究采用基于统计和机器学习的预测方法,通过利用基于GIS获取的城市和形态特征训练的模型来替代重复的模拟过程,从而减轻计算负担。作为更广泛的方法论背景,有研究综述了用于日光设计和建筑集成光伏应用的各类工具和方法,指出在为密集城市环境和垂直立面选择合适的太阳辐射分析工具时,计算速度、模型复杂度、精确度以及在这些环境中的适用性都是关键因素[33]。还有研究开发了一种基于机器学习的框架,利用城市形态指标来预测大规模建筑立面的太阳辐射、遮荫影响以及能量产出,使得预测过程从原本需要超过八小时的模拟时间缩短至15秒[35]。另有研究使用20个基于GIS的参数来预测太阳辐射,这将使用Ladybug模拟时的计算时间从三天多缩短到了六秒。总体而言,这些研究表明,数据驱动的预测方法能够大幅降低计算时间;不过,它们的性能很大程度上取决于特定区域的特征集、数据的可用性以及特征提取方法[36,37]。
在相关的日光预测研究中,有研究以建筑开口部件作为输入变量来预测室内照度,从而提高了计算效率[29,30,36,37]。不过,统计和机器学习方法在应对特征条件变化或特征收集过程中的差异时存在困难[[40], [41], [42]]。有研究在中国郑州开展建筑立面太阳辐射预测工作,发现利用GIS聚类方法可显著缩短计算时间,但当目标区域发生变化时就需要重新应用这些方法[43]。在另外一些研究中,有研究利用人工神经网络,结合形态特征(如坐标、方位角和平均高度)以及与天气相关的特征来预测年度太阳辐射量,不过也需要根据区域变化对特征进行更新。
与依赖多种区域特定输入特征的GIS和机器学习方法不同,基于天空开放度的方法则提供基于几何形状的描述指标,这类指标较少受区域特定的GIS属性影响,能够在不同的城市环境中进行一致性的计算。天空开放度指的是天空被周围建筑物遮挡的程度,因此它主要与散射辐射以及立面处的太阳辐射条件相关[31]。有研究提出了一种简化的基于天际线的方法,利用天空视因子和太阳覆盖因子直接估算城市环境中的年度太阳辐射量及光伏发电量[46]。还有研究分析了10个形态指标与屋顶和立面太阳辐射量之间的关系,发现天空视因子与屋顶和立面?太阳辐射潜力之间存在很强的相关性[47]。另有研究利用人工神经网络以及受建筑物遮挡的垂直天空分量来预测日射强度模拟结果,这一方法能够反映现实城市环境中被建筑物遮挡的天际线形态[48,49]。还有研究分析了伦敦24种不同城市形态下建筑形态指标、天空视因子与太阳辐射量之间的相关性[50]。此外,还有研究提取了天际线轮廓,并提出了基于MATLAB的太阳辐射计算方法。不过,基于天空开放度的方法也存在一定的局限性。单一的天空开放度指标可能无法充分体现城市环境复杂的三维特性,因为立面处的太阳辐射还会受到周围建筑物高度、遮挡几何形状、建筑物朝向、太阳运行路径以及局部空间布局等因素的影响[51]。尤其是,由于天空开放度指标描述的是可见天空的总量,而非其与太阳运行路径的对齐情况,因此它们更多地与散射辐射相关,而非决定立面光伏/建筑集成光伏性能的直射辐射。为了更好地捕捉这些复杂的城市环境条件,往往需要额外的指标或更详细的基于天际线的计算方法。例如,方向性或基于太阳运行路径加权的视因子能够更直观地描述直射太阳辐射的情况。不过,当用它们来预测年度累计太阳辐射量时,还需要根据年度太阳运行路径、太阳高度角分布以及受气候影响的直射/散射辐射条件进行额外的加权处理。这增加了特征生成的复杂性,尤其是在需要对大范围城市区域内的多个立面测量点进行分析时。此外,引入此类额外的几何指标也会增加太阳辐射分析的步骤复杂性[[52], [53], [54]]。而且,在多个立面测量点计算天空开放度相关指标也可能耗费大量时间,尤其是在对大规模城市区域进行分析时[55]。因此,尽管基于天空开放度的指标能够提供有关太阳辐射可获取性的有用几何信息,但其实际应用仍面临着表达精度与计算效率之间的权衡问题。这就意味着需要一种更为全面且计算效率更高的方法,能够在不单纯依赖单一几何可见性指标的情况下,呈现复杂的立面太阳辐射条件。同时,那些能够更直接反映直射太阳辐射成分的指标,比如方向性或基于太阳运行路径加权的视因子,依然是解决这一精度与效率平衡问题的重要方向。
综上所述,以往针对城市尺度建筑立面太阳辐射分析的研究存在以下局限性:首先,虽然像Radiance和EnergyPlus这样的现有模拟工具在太阳辐射分析方面具有较高的精度,但在用于城市尺度分析时,其计算时间会增加,而且还可能出现运行中断的问题。其次,基于统计和机器学习方法的太阳辐射分析严重依赖于特定区域的特征,因此当目标区域或数据条件发生变化时,这些方法的通用性就受到了限制。第三,采用基于天空开放度指标作为特征的方法会增加太阳辐射分析的步骤复杂性,同时也难以充分体现城市环境的复杂性。
因此,本研究旨在开发一种在具有相似太阳几何条件和气候条件的城市尺度上,既具备计算效率又具有空间迁移性的立面太阳辐射预测模型。本研究共分为四个步骤进行(见图1):第一步,选取七个与天空开放度相关的特征,以实现空间迁移性;第二步,处理GIS数据以提高计算效率;第三步,建立立面太阳辐射预测模型;第四步,选取案例区域来验证预测模型的性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号