基于机器学习与多目标优化的居民用电需求与光伏发电协调策略：以拉萨为例

《Buildings》：A Coordinated Strategy for Residential Energy Consumption and Photovoltaic Generation Based on Machine Learning and Multi-Objective Optimization: A Case Study of Lhasa

　　

摘要

拉萨地区太阳能资源丰富，采暖需求高，且冬季太阳高度角低，使得居住形态既影响运营能耗，又影响屋顶与立面的光伏（PV）发电量。本研究基于涵盖80余个居住小区和15个典型板楼小区的居住区域普查，建立了受本地约束的参数化原型，并生成了2186个有效的基于物理模型的样本。经筛选保留13个形态预测变量用于代理建模，随后在容积率（FAR）分别为1.5、1.8和2.2的条件下进行受日照约束的双目标优化。在独立测试集上，所选能耗与光伏代理模型的R²值分别达到0.999和0.989。在FAR为1.5和1.8的帕累托前沿中，存在接近零的年度净能耗解，而在FAR为2.2时，最小净能耗缺口仍达0.682×10⁶ kWh。低能耗解通常偏好较低的场地覆盖率、连续的板楼形态以及更大的平均建筑高度；高发电量解则偏好较大的建筑基底面积、较低的建筑高度以及可控的阴影效果。随着容积率的增加，立面光伏的贡献逐渐增大，但不足以抵消屋顶光伏供给的下降和总能耗需求的上升。以能耗平衡为导向的解通常将建筑朝向集中在5–15°范围内，建筑进深集中在14.0–15.5 m范围内，密度和高度则需要在不同容积率情景下进行协同调整。本研究结果为拉萨板楼型住宅开发的早期形态筛选与规划管控提供了可解释的依据。