面对全球气候变化的挑战, 建设可持续城市和绿色建筑已成为新型城镇化的重要任务。在建筑单体绿色性能分析和节能技术不断发展的今天, 可持续城市和绿色建筑的目标仍然任重而道远。对城镇居住社区建设而言, 绿色性能的问题远不止是将单体建筑的最优化绿色性能简单叠加, 在城市街区尺度下, 住区的用地混合、交通模式、建筑物布局空间形态、能源供应和需求的有效匹配、可再生能源利用、水资源管理等方面, 都还存在着广阔的挖潜空间, 尤其是在建筑群体相互关联的复杂条件下, 寻找一种有效的规划和设计辅助工具迫在眉睫。

现有的建筑绿色性能模拟技术、计算方法等对建筑单体的节能问题较为有效, 而对于扩展到街区尺度下的居住社区全方位的绿色性能体系的分析和模拟, 则往往数据庞大, 运行效率不高, 同时其计算结果的评价难以保证对设计实践的指导作用。近年来已经有学者关注到如何建立一种基于贡献率来评价绿色建筑影响因子权重的计算方法, 即绿色性能多要素协同的元模型。这种元模型的建立, 可以在城镇居住区的设计前期为建筑师提供快速评价方案绿色性能的工具, 对于从设计的源头重视绿色性能并在设计中及时响应有着重要的作用。

绿色建筑是指在建筑的全寿命周期内, 最大限度地节约资源 (节能、节地、节水、节材) 、保护环境和减少污染, 为人们提供健康、适用和高效的使用空间, 与自然和谐共生的建筑^[1]。目前在绿色建筑设计中, 广泛采用各类国家标准和相关设计规范对建筑的绿色性能进行评估和计算, 以达到绿色建筑的相关要求, 或以此为依据来选用相关的绿色技术和绿色材料。

在建筑的绿色性能评价标准方面, 国际上建筑全生命周期绿色性能评价标准体系主要包括:LEED (美国, 1988) 、DGNB (德国, 2007) 、GBTool (加拿大等14国, 常用GBC2000) 、CASBEE (日本, 2001) 和ESGB (中国, 2006) 等^[2]。

在绿色建筑国际评价标准体系中, 以美国绿色建筑委员会 (USGBC) 制定的LEED体系为例, 主要采用六大技术指标 (基于LEED BD+C V4版本) :选址与交通 (16%) 、可持续场地 (11%) 、水资源效率 (11%) 、能源与大气环境 (33%) 、材料及资源 (13%) 、室内环境质量 (16%) 以及加分项 (包含整合过程、创新设计和区域优先) ^[3]。总体上, LEED中对能源与大气、可持续场地选址方面较为重视。关于居住建筑的绿色性能评价, LEED体系下有以独栋别墅为评估主体的LEED-H (住宅评估) 和以住区为评估对象的LEED-ND (社区规划与发展评估) 。LEED-ND突出住区尺度的评估, 减少并弱化建筑技术层面的内容, 其中属于中观尺度的“精明选址与住区连通性”“住区布局与设计”占据主要权重, 而“绿色建筑”部分主要在LEED-NC (新建建筑评估) 中进行评估。但LEED的评价标准以结果为导向, 对实现手段不做要求, 同时各评分项多为“非技术性”层面, 在目前我国尚未建立成熟的住区评估体系情况下难以适用^[4]。

国内绿色建筑认证体系主要以ESGB (中国绿色建筑标识认证体系, 即绿色三星认证) 为主。ESGB由国家住房和城乡建设部所发布, 认证依据《绿色建筑评价标准》 (GB/T 50378-2014) 执行。与LEED不同, ESGB中的指标侧重措施和手段, 通过对过程和措施的详细要求来实现绿色建筑的目标。ESGB采用了七项技术指标对绿色建筑进行考评, 包括节地与室外环境 (15%) 、节能与能源利用 (25%) 、节水与水资源利用 (15%) 、节材与材料资源利用 (15%) 、室内环境质量 (20%) 和运营管理 (10%) , 以及2015年增加的“施工管理”。ESGB对居住建筑设计阶段的考评涉及前五项, 其中“节能与能源利用”和“室内环境质量”两项比重最大, 主要从单栋建筑的围护结构、通风供暖等设备、照明电气设备, 以及室内声、光、热环境和空气质量等层面进行评分, 各项指标以相应评价系数 (如采光系数、窗墙面积比等) 的数值区间评分, 评分方式较为成熟。而“节地与室外环境”主要从人均居住用地指标 (包括人均居住用地面积和人均公共绿地面积) 和地下空间开发利用情况, 室外声、光、热和风环境, 公交、步行和公共设施可达性, 场地绿化利用情况四个层面进行评分, 评分项涵盖范围大, 但总分值偏小, 评价方式比较笼统, 仅对有无相应措施进行评判, 从住区整体绿色性能角度来看还比较粗放, 难以对住区规划设计中如何提高住区整体绿色性能有较好的实际指导价值。

国内居住建筑的绿色设计和节能设计还包括一系列国家标准、行业标准以及地方标准, 对居住建筑的绿色性能提出各项控制性指标要求。新版国家标准《民用建筑能耗标准》 (GB/T 51161-2016) ^[5]中将城镇住宅能耗指标整体参考量定为670kgce/户, 指出每个城市的采暖能耗指标不同, 能耗指标以户为单位进行计量和管理, 分别给出电和燃气的户用量指标, 考虑家庭常住人口的修正等原则, 同时要求新建城镇住宅能耗比2005版同气候区同类建筑能耗的约束值降低不少于30%。行业标准《夏热冬冷地区居住建筑节能设计标准》 (JGJ 134-2010) ^[6]中根据调查计算出全年供暖及空调能耗作为基础住宅能耗值 (平均值为88.3kW·h/m²) , 以上海为例, 居住建筑节能设计标准为65%, 主要通过提高围护结构保温隔热及气密性指标和改善供暖空调 (设备) 系统能效比来实现。此外, 行业标准《民用建筑绿色设计规范》 (JGJ/T 229-2010) ^[7]、上海地方标准《居住建筑节能设计标准》 (DGJ08-205-2015) ^[8]和《住宅建筑绿色设计标准》 (DGJ08-2139-2014) ^[9]等各项地方标准对各区域性指标进一步细化。

国内居住建筑绿色设计和评价标准, 主要以单栋建筑的绿色性能为对象。我国建筑节能的重点在于建筑围护结构的节能、建筑供暖系统的节能、灯具和其他电器效率的提高^[10], 节能措施主要包括调整建筑物的体形系数、窗墙面积比、围护结构的热工性能参数、遮阳系数和气密性等具体指标。总体而言, 绿色建筑及建筑节能标准主要针对建筑单体, 而对于建筑群体在各相关方面的总体绿色性能尚未涉及。

现有的分析要素和分析工具主要集中用于建筑单体的热环境、光环境和风环境。其中, 热环境研究主要为热岛效应、遮阳与环境舒适度、外部界面等性能要素, 热环境模拟以热舒适度PMV-PPD^[11]为基准, 常用DOE、EnergyPlus和DeST等性能模拟软件;建筑风环境研究主要集中在风环境舒适度优化、群体形态的塑形、自然通风的利用与组织、大进深与地下空间的通风组织、高层部分的风环境优化等, 风环境模拟常借助计算流体力学软件Phoenix、自然通风模拟软件Comist等流体力学专业分析软件^{[12,13,14,15]};建筑光环境研究主要包括日照与自遮挡影响、住区外部界面等, 光环境模拟采用Radiance、Ecotect等软件^[16,17]。

还有一些学者从热环境、光环境和风环境三个方面综合分析建筑物绿色性能。王静等^[18]立足于绿色建筑被动设计手法, 关注性能工具与绿色设计相结合的设计思路, 以及相关性能工具所涉及的热环境、光环境、风环境等环境性能, 探讨了这三类环境性能在进行绿色建筑设计时对建筑各个层面的影响, 如立面设计、造型设计、空间组织等, 同时研究了绿色建筑设计性能的工具由手工模拟逐步转为计算机动态模拟的技术势态。

也有一些学者和工程师基于设计实践, 借助建筑信息模型 (Building Information Modeling, 即BIM) 技术, 提出通过统一建模、多维分析, 以缓解现有各专项性能模拟分析工具相对独立、操作复杂的问题^[19,20]。BIM可借助Revit等建模软件整合建筑全信息模型, 通过各个专项建筑能效分析软件进行建筑绿色性能模拟分析和调整^[21]。然而对设计全过程而言, BIM分析流程采用单向分析, 流程复杂, 更适宜设计结果评估, 而难以适用于设计初期复杂多变的情况;同时, BIM中能效分析需通过外接专项分析软件进行逐项模拟和分析, 各项建筑性能要素的筛选大多通过经验值, 缺乏合理的权重差异, 不利于建筑绿色性能要素体系中关键影响要素筛选。

现有的绿色性能分析要素和分析工具通常采用气象数据, 国际上常用的有CSWD、DeST和CTYW等5套典型年气象数据。典型气象年是由12个具有最接近历史平均值统计意义的典型月组成的“假想”气象年, 被分析的气象要素主要有室外温度、露点温度、水平面太阳辐射和风速^[22]。张晴原以上海地区一栋具备全年分项能耗计量的教学楼 (同济大学文远楼) 为对象, 采用动态模拟软件EnergyPlus, 分别代入5套现行的典型年气象数据实施全年建筑动态能耗模拟, 并与该建筑实测结果进行对比分析, 得出CTYW气象数据最接近现实情况的结论^[23]。

已有较多研究显示街区尺度下室外微气候会对建筑能耗产生显著影响。例如城市与周边的乡村地区在气候上就有显著的区别, 其主要原因在于许多城市本身就是热源和污染源, 大气的热结构被城市“热岛效应”所影响^[24]。白天城市区域的建筑、道路和其他构筑物吸收热量, 日落之后它们重新向城市释放热量, 造成了城乡温度的差异。而目前绿色性能模拟分析中采用的来源于郊区气象站或机场监测点的典型气候年气象数据, 无法反映建筑所在地微气候的影响, 亟需要引入街区尺度 (即0.1～1km) 下的城市微气候分析, 进一步研究区域性气候要素对单栋建筑和居住社区整体能耗的影响。杨小山等^[25]总结街区尺度下微气候影响途径主要包括:对建筑外围护结构的传热过程产生影响, 包括对建筑外表面的太阳辐射得热、净长波辐射和对流换热三个方面的影响, 以及通过室内外空气交换对建筑热平衡产生影响, 包括通风和空气渗透两种方式。Michael Bruse^[26]提出街区的空间布局与几何特征、下垫面热物性、绿化以及人类活动等多种因素均对城市微气候有影响, 进而直接或间接地对建筑能耗及室内热环境产生重要影响。

居住建筑绿色性能要素体系 (图1) 涉及的分析要素复杂多样, 且相互影响, 有待系统化梳理。现有的分析要素选择主要集中在建筑物本身, 分析过程多独立展开, 且分析基础通常基于宏观气象数据。从关注住区整体绿色性能的角度来看, 街区尺度下微气候的影响要素及其影响程度还有待深入研究。

目前, 研究和工程实践中建筑能耗模拟工具和街区微气候模拟工具的分析领域和特点各不相同:建筑能耗模拟工具以建筑及其系统的能耗分析为主;而微气候模拟工具则致力于室外微气候的预测, 即主要分析领域为室外空间, 建筑在此类模型中通常被大幅简化。目前还没有能够直接模拟城市微气候对建筑能耗影响的工具。

从20世纪60年代起, 随着计算机技术的发展完善, 能耗动态模拟分析计算方法日趋成熟, 很多国家都根据自己的特点及要求研发了建筑能耗计算程序, 可以很方便地对建筑物进行全年动态模拟。综合国际上各类建筑能耗计算和模拟工具, 我国建筑能耗计算主要使用DOE、EnergyPlus、TRNSYS、PKPM和DeST等模拟软件^[27,28]。

美国能源部开发的DOE是公认的最权威和经典的建筑能耗模拟软件之一, 被很多能耗模拟软件借鉴和引用, 如eQUEST、EnergyPlus、CHEC和PowerDOE等, 却由于采用LSPE顺序结构, 难以完成多要素耦合模拟^[29]。美国威斯康星大学太阳能实验室 (SEL) 开发的TRNSYS与DOE和EnergyPlus的思路完全不同, 采用了模块化的概念, 每个模块代表一个小系统、设备或一个热湿处理过程, 但由于其主要关注于系统、设备和控制方式的优化问题, 而在建筑负荷以及建筑热性能的模拟上偏弱。在我国, 清华大学开发的建筑环境设计模拟分析软件DeST^[30]可用于建筑能耗模拟和环境控制系统的设计校核;中国建筑科学研究院开发的PKPM以国内现行标准规范为评价基础, 用于对建筑设计方案的绿色性能评估。另外, EnergyPlus作为国外绿色性能模拟研究中最常用的软件平台, 具有清晰的计算方法和全数据建筑能耗模拟引擎的优势, 同时EnergyPlus的源代码完全开放, 允许用户通过新建功能块等方式增加和完善模拟分析类型, 也鼓励第三方来开发合理的界面调用EnergyPlus并完成模拟, 可满足多要素性能模拟研究中新要素添加、多软件衔接和成果可视化等需求。

近年来, 关于将建筑能耗模拟工具和街区微气候模拟工具结合引发了广泛讨论。对城市微气候进行预测并定量评价微气候对建筑能耗的影响, 被认为是实现定量预测和评价城市微气候对建筑能耗影响的一种可能途径^[31]。一系列基于微气候分析软件的建筑绿色性能模拟工具被广泛研究, 如ENVI-met (德国美因茨大学, Michael Bruse) 和SOLENE (法国CERMA实验室) 等已能够对建筑室外热环境进行模拟, 从而与能耗模型结合起来分析城市微气候对建筑能耗的影响。

Han S.G.等^[32]将三维微气候软件ENVI-met计算的48h空气温湿度输入气象数据生成工具中插值为整月逐时气象数据, 然后输入到TRNSYS中计算首尔某街区景观改造后空气温湿度的变化对建筑冷负荷的影响。Hsieh C等^[33]将CFD软件中WindPerfect与EnergyPlus进行耦合来研究建筑空调排热引起的气温升高对空调负荷的影响。Bouyer J等^[34]将CFD软件中Fluent与自主开发的SOLENE模型耦合来评价建筑周围微气候对建筑能耗的影响。黄媛^[35]将CFD软件STAR-CD、SOLENE模型、Coupled simulation模型相结合研究了我国夏热冬冷地区街区尺度的空间形态对建筑太阳能效和供暖空调负荷的影响。陈卓伦^[36]将ENVI-met与能耗软件eQUEST相结合研究了住区微气候对空调能耗的影响。Yi C Y等^[37]将ENVI-met的模拟结果作为Design Builder (内核为EnergyPlus) 的气象边界条件来分析微气候对能耗的影响。通过对比研究, 不同于Windperfect和SOLENE等同类型微气候模拟工具, ENVI-met对于便捷的建模方式、精准的微气候环境数据和对绿化等环境因素的模拟具有优势。杨小山^[38]在BCVTB软件环境中建立了耦合模块 (图2) 用以传递ENVI-met模拟的建筑周围微气候作为EnergyPlus的气象边界条件。基于BCVTB等数据交换平台, 通过建立耦合模块以实现ENVI-met模拟结果的提取、处理, 将ENVI-met模拟数据在EnergyPlus中建立可识别的新模块, 用于在EnergyPlus中进行多要素的耦合计算。

建筑能耗模拟工具和街区微气候模拟工具耦合研究的思路, 不仅为直接模拟城市微气候对建筑能耗影响提供了一项实用工具, 也为实现居住建筑在住区整体绿色性能多要素协同模型中的定量研究提供了一种具体可操作的途径。

然而, 传统EnergyPlus建筑能效模拟模型 (Building Performance Simulation Model, 即BPS Model) 多为全数据模型, 数据量巨大, 种类繁多, 需采用遗传算法 (Genetic Algorithms) ^[39,40,41]和模式搜索算法 (PS, the Pattern Search) ^[42,43]等非求导算法 (DF, Derivative-free optimization) 。这类模型往往运算量大, 运算时间较长, 不便于参量调整, 因而多用于深化方案的能效计算, 而不便于方案初期应对快速变化的设计条件进行参量调整和多方案对比。

近年来已经有学者借用计算机领域的元模型概念, 提出建立建筑性能模拟元模型 (Building Performance Simulation Meta-model) 以简化全数据模型^[44]。元模型借助于统计学工具 (具体如Support Vector Machine) ^[45]对全数据模型进行关键要素的对比和筛选, 通过回归分析 (常用的如SVR) 可获得影响能效评估结果的关键因素, 从而得出求导结果为常数的元模型 (表现为函数关系) ^[46]。与全数据模型相比, 元模型具有以下优势 (表1) :首先, 元模型抓住少数重要参量进行能效优化的效果优于全部参量的平均优化效果;其次, 使用元模型进行PMV和能耗分析的结果与全模型分析结果类似;再者, 元模型与全模型的数据对比很难详尽, 但是元模型在快速运算 (全数据模型对计算机要求高, 如模拟一栋两层建筑, 单次运算时间一般为15min, 优化一项性能需要约400～1 000次模拟运算;而模拟同一栋建筑的元模型, 在普通笔记本电脑上的单次运算时间仅为几秒钟) 和多模型对比方面具有巨大优势, 这对于方案设计初期极为重要。元模型多要素兼容的数据兼容性、具有权重差异的简化模型、高效快速的运算过程, 都能适应设计全过程多变的方案调整要求。Bryan Eisenhower等通过研究一栋办公建筑的元模型和全数据模型, 对1 009个效能影响因素进行筛选, 找出20多个关键影响因素和7个最关键影响因素, 从而大大缩短运算时间, 为快速评估设计方案的绿色性能提供了依据^[46]。

元模型的获取流程一般分为六个步骤 (图3) :1) 构建基准建筑模型;2) 选择和确定输入影响因素;3) 基于输入要素构建样本矩阵;4) 运行模拟分析;5) 进行敏感度分析 (SA:Sensitivity Analysis) 、不确定性分析 (UA:Uncertainty Analysis) 和多变量分析 (MA:Multivariate Analysis) ;6) 生成元模型^[47]。其中, 关于输入的影响因素, 元模型和全数据模型均为海量数据, 但元模型更为强调数据的归类, 以便于快速建立后续简化模型。Massimiliano Manfren^[48]将输入因素分为11类, 包括气候条件和区位条件、外表皮状况、人的活动、照明、控制和操作系统、空调系统、发电设备等, 主要分析要素集中在建筑物的能耗相关要素 (尤其是暖通设备因素) 。

许多学者的研究证明元模型优化过程中的敏感度分析 (SA) 、不确定性分析 (UA) 和多要素分析 (MA) 是必不可少的环节^[49,50,51]。敏感度分析可找出海量影响因素中对能效影响最大的一个或数个要素, 不确定性分析能在众多数据中鉴别影响因子的变化如何产生不同的关键要素, SA和UA通过互补的验证流程可较为准确地筛选出关键影响因素, 从而构建多样的对比模型, 以修正元模型。近几年的元模型研究中愈发关注敏感度分析的作用, Tian^[52]对敏感度分析在建筑能效分析中的作用做了系统性的文献综述, 以阐述其关键的影响作用。多要素分析 (常用Gaussian Kernel核密度分析法) ^[53]则通过回归分析快速对比得出最适合当时当地的元模型简化模型 (Meta-model Reduction) 。

元模型概念的提出, 对于居住社区整体绿色性能的评估起到了非常重要的作用, 可以帮助建筑师对居住社区在城市街区尺度下的用地混合、交通模式、建筑物布局空间形态、能源供应和需求的有效匹配、可再生能源利用、水资源管理等诸多方面的复杂要素体系进行有效把控, 有效评判住区整体格局对建设可持续城区的影响, 进而形成住区整体绿色性能协同优化的设计方案。

对城镇居住社区而言, 绿色性能要素体系复杂, 各要素相互影响, 作用不一, 因而建立绿色性能多要素协同的元模型将是十分有效的途径。元模型的建立, 将会通过绿色性能多要素耦合模拟筛选出适应地域特征的关键影响因素, 以此构建居住社区绿色性能多要素协同优化。不仅可以运用于绿色性能快速分析, 大大缩减绿色性能分析的运算时间和使用难度, 并且能够抓住居住社区整体绿色性能的关键所在, 保证计算结果的有效性, 也方便城市设计和建筑设计过程中追溯与计算结果相关的关键要素, 便于及时改善设计的相关绿色性能要素;同时还适用于快速预测规划和建筑设计各阶段方案的能效, 并找出有针对性的修改措施, 为规划师和建筑师进行以绿色性能为导向的建筑设计提供更为高效、易于操作的新方法和新工具。本文通过对绿色建筑研究领域的国内外文献进行研究, 认为这种符合设计思维的绿色性能元模型的概念将可能是后续研究的一大趋势, 以期对推动住区整体绿色性能的城市设计和建筑设计起到一定的启发作用。

图表来源

图1为作者自绘;图2来源于文献[38];图3来源于文献[47];表1根据文献[46]绘制。