1 研究背景和意义
统计数据显示，城市排放的碳氧化物占全球碳氧化物排放量的75%，建筑能耗约占全球能耗的40%，并排放了约1/3 的温室气体[1-2]。同时，世界上超过80%的能源来自化石燃料，能耗的快速增长可能会对能源进口国产生经济冲击，最终增加气候变化给全球社会带来的风险。因此，提高能源利用效率是目前许多国家正在关注的重要课题[3-8]。虽然减少温室气体排放的目标通常设定在国家层面，但必须在城市层面采取相应的政策措施，这主要因为城市能耗信息可以促进相关政策措施的有效选择，以提高能源利用效率，从而减少该城市的温室气体排放量[9]。
从广义上讲，城市能耗是指城市中建筑、交通、工业能耗的总和，目前其60%左右可归为城市建筑能耗[10]。城市建筑能耗是城市中建筑消耗能源的总和，包括暖通空调能耗、照明能耗、插座电器能耗等，可占全社会总能耗（即工业、农业、居民等所有能耗的总和）的30%～40%。本文所述的城市能耗特指城市建筑能耗。
模拟是对真实世界发生的“时间—事件”现象或系统进行的虚拟模仿；模拟和实验是自然科学和工程技术领域的两种基本研究手段[11]。自1960 年代起，单体建筑能耗模拟已发展得颇为成熟。据美国能源部统计资料显示，全世界有400 余种建筑模拟技术工具，典型代表有EnergyPlus、TRANSYS、DeST 等[12-13]。这些技术工具在单体建筑设计、改造，绿色建筑标识上得到了广泛应用。而城市能耗模拟是对城市众多建筑能耗进行模拟，是一新兴方向，具有很大的技术难度，在多个领域引起了高度重视。城市能耗模拟的难点主要体现在三个方面：第一是海量计算，即城市能耗模拟需要应对众多建筑带来的海量数据，单体建筑数量多、类型多、构造多样，这就需要不同的研究方法和技术来应对不同城市的具体情况；第二是基础数据获取困难，数据缺失严重，且数据可靠度需要甄别；第三是技术流程跨平台，难度较大。
探索城市能耗模拟方法，提出适用于城市不同尺度的能耗模拟方法，包括理论模型、模拟流程、计算技术等，可以为绿色、生态、低碳的城市规划设计提供基础性的计算手段，为城市能源政策和能源规划的制定提供科学依据，为“智慧城市”中的能源智慧管理提供关键数据，为“韧性城市”实现能源安全提供分析的保障。同时，城市能耗模拟可以拓展城市大数据的应用，丰富多维度信息的城市能耗大数据库，为城市能源和其他研究提供基础性的底层数据平台。
2 城市能耗模拟方法综述
城市能耗模拟是在城市层面对能耗进行的科学计算和分析，对于研究城市能源的优化、安全、管理具有重要的基础性意义。目前，主要有两类基本模拟方法：自上而下法和自下而上法[2,14]（图1）。
图1 城市能耗模拟方法框架图
2.1 自上而下法
自上而下法是采用宏观统计数据，以行业、行政区划为单元，对城市能耗进行估计，目的是通过现状来预测能源使用情况。该方法的优点是快速、直观，反映行业特点，易与政策结合；缺点是无法与物质空间形态结合，精确度低[2,14]。
2.2 自下而上法
自下而上法是通过统计学模型或物理模型对城市建筑进行能耗模拟的方法：统计学模型是建立回归模型与实测年能耗数据之间联系的一种预测模型[15]；物理模型是运用与单体建筑能耗模拟相同的热传导方式而建立的一种城市建筑动态热模型[14]。自下而上法可以分为黑箱法、灰箱法和白箱法。
黑箱法是基于能耗实测数据，采用统计学回归方法得出的城市能耗的计算模型。该方法基于实测数据，是一种较为准确的预测模型。但受制于实测数据的数量和质量，可拓展性有限，难以同规划设计结合[16]。
灰箱法采用能耗实测数据结合能耗物理模型的方法计算城市能耗，是一种介于黑箱法与白箱法之间的城市建筑能耗模拟方法[17]。
白箱法是运用与单体建筑能耗模拟相同的热传导方式，对城市建筑能耗进行模拟的方法[14]，可以分为简化计算法和动态模拟法。简化计算法是采用简化公式对城市中每栋单体建筑能耗进行计算的方法。其优点是工作量较小，计算速度快；不足之处在于精确性一般，忽略了较多的城市和建筑设计参数[18-20]。动态模拟法是建立城市建筑动态热模型模拟城市建筑能耗的方法，典型的代表方法有原型建筑法和全模型法[14]。在原型建筑法中，单体建筑的能耗计算采用复杂、动态、精细的模型，将海量城市建筑归纳为若干种具有共同能耗规律的建筑原型，从而计算整个城市的建筑能耗。该方法工作量适中，计算速度较快，反映建筑能耗的类型学规律，在大尺度层面的准确性较高；缺点是同一类型下建筑的异质性被忽略，在中小尺度的准确性不足[21]。在全模型法中，单体建筑的能耗计算采用复杂、动态、精细的模型，对研究范围内的所有城市建筑建模，每一栋单体建筑都不相同。该方法优点是准确性高，普适性好，适用于大、中、小尺度的模拟，与规划设计和物质空间形态的结合度高；缺点是工作量大，计算速度慢，对数据要求高[2,22]。
自上而下法和自下而上法是两类基本的城市能耗模拟方法，本文将归纳出城市能耗模拟的一般性流程，并基于该流程重点介绍四种自下而上的方法。
3 城市能耗模拟方法的比较分析
3.1 城市能耗模拟的一般性流程
通过对目前国际上最新的城市能耗模拟方法的分析，我们发现不同的城市能耗模拟方法普遍包含五个基本模块，即获取城市数据、建立城市模型、模拟城市能耗、校验模拟结果、结果可视化。
获取城市数据是进行城市能耗模拟的基础环节。城市尺度的能耗模拟基于城市建筑多维度信息，包括表征形态的三维几何信息，以及对能耗规律具有重要影响的其他非几何信息，如人员流量、围护结构热工物理参数等。建立城市模型是指在获取城市数据的基础上，集中所需的软件，建立城市尺度的2.5 维（2.5D）或3 维（3D）城市信息模型。然后，调用模拟引擎模拟城市能耗，得出城市中每栋建筑相对应的能耗信息。紧接着，将能耗模拟结果与公共事业单位提供的数据进行比对，校验模拟结果。在校验模拟结果的准确性后，将模拟结果可视化。
3.2 黑箱法
本文介绍的黑箱法，又称数组编程法，该方法基于实测数据，是一种较为准确的城市能耗预测模型。丹麦学者在对实测数据进行分析处理的基础上，采用数组编程的方法计算每栋建筑的能耗需求。这种方法可以无损耗地模拟建筑组团的能耗状况，而且每栋建筑的能耗模拟结果可以与现状统计的能耗信息进行对比[16]。
该方法主要分为五个步骤：移除错误数据，按数组结构排列数据，计算能耗需求，对比计算能耗与统计能耗，节能潜力可视化。其优点是可以模拟任何尺度的建筑群，建筑群不需要优化处理后再模拟，比较经济；在单体层面可比较模拟能耗值与现实统计能耗值。此方法存在的不足是需要小规模的统计数据、现状统计数据存在争议、数据必须持续统计以避免信息错误等。对于现今中国的城市能耗模拟而言，黑箱法的局限性在于建筑的实测统计数据不全，甚至部分建筑类型的统计数据缺失。另外，虽然来自公共事业单位的统计数据可以促进模型的校准，但此类数据并未广泛提供给公众。而统计数据的不可获取性，会导致校准模型不可靠。
3.3 原型建筑法
麻省理工学院的莱因哈特（Reinhart）教授团队以波士顿为例，从导入组团模型、生成能量模型、运算能量模型结果、验证模拟结果以及结果可视化五方面介绍了城市建筑能耗模型的模拟过程，其工作流程如图2、图3 所示[15]。
图2 原型建筑法模拟流程图
图3 原型建筑法工作流程
资料来源：作者根据参考文献[15]翻译绘制
该方法的优点是易于操作，由于GIS 工具在城市规划中被广泛应用，因此对于城市规划者来说这是较易于操作和获取数据的一种方法。该方法有利于潜在的可再生能源领域进行节能措施的分析和交流。但这种方法涉及的流程、性质和精确度参数都缺乏普遍规范的要求和指导；而且因为该方法依赖于建筑模拟工具，所以模拟计算过程耗时长。在当今中国，原型建筑法的应用存在三大难点。一是建筑基础数据信息不易获取。建筑基础数据包括建筑形状、围护结构传热系数、窗墙比等。对建筑进行分类研究时，需要有建筑基础数据以便对其进行能耗分析，且建筑基础数据是分类后对结果进行验证的关键。然而，我国尚未有公开、可靠、全面的建筑基础数据信息来源，目前已有的一些途径包括爬取网站和地图数据都不全面且可靠度有待验证。二是分类结果合理性不易证明。建筑分类完成之后，需要验证其合理性。由于目前无法获得建筑的实测数据进行验证，所以用计算机进行能耗模拟是一种可行的方法。但是能耗模拟的参数设置、结果可靠度的数学分析、建筑类别中能耗偏差的确定等，都是需要思考解决的问题。三是参考建筑不易选择。分类完成之后需在每一个建筑类型中选择一个参考建筑，用参考建筑代表某个特定建筑类别的特征。可以选择一个真实的建筑作为参考建筑，也可以创建一个具备该类型最常用建筑特征的虚拟建筑作为参考建筑，然而选择参考建筑的依据以及如何选择参考建筑代表一个特定类型的所有建筑，这也是实际应用中需要考虑的难点之一。
3.4 全模型法一
美国劳伦斯伯克利实验室运用全模型法——城市建筑节能模型（CityBES: City Building Energy Saver）对旧金山进行了城市能耗模拟。CityBES 是一种公共建筑节能（CBES:Commercial Building Energy Saver）计算工具，具有中小型办公和零售私人商业建筑的能源改造分析功能。CityBES 使用标准的国际开放数据——城市地理标记语言（CityGML: City Geography Markup Language）作为数据模式来表示和转换3D城市模型。此外，它还为用户提供了以地理Java 脚本标记（GeoJSON: Geographic Java Script Object Notation）格式上传2D 建筑物底面积的功能，以及每栋建筑物的建筑高度、楼层数量、建筑类型和建筑年份等附加属性。CityBES 允许用户将每个建筑物的改造分析结果导出为CSV 格式的数据以供进一步分析[22]。
图4 显示了建立该数据库的工作流程。目前，在旧金山没有独一无二的针对建筑的识别码，评估员使用压缩包号码作为识别码来存储建筑数据。将这些与压缩包相关数据进行整合后，将该号码与建筑底面积数据关联创建建筑数据库，该数据库涉及各个数据库中的所有领域。接下来，这个建筑数据库被简化和标准化来创建3D 城市模型，包括CityGML、GeoJSON 和文件地理数据库（FileGDB: File Geographic Data Base）格式。GeoJSON 是一种基于JSON 的数据格式，JSON是编译各种地理数据结构的数据。FileGDB 是二进制文件，可以存储、查询、管理空间和非空间的数据，可以在ArcGIS 10 中使用（图5）。在CityBES 的改造分析中，建筑底面积、建造年代、建筑类型、总面积、建筑层数等信息是每栋建筑需提供的必要信息。
图4 全模型法CityBES 的工作流程
资料来源：作者根据参考文献[22]翻译绘制
图5 全模型法CityBES 的数据转换流程
该方法的优点是易于操作，它是一个基于网络平台的节能计算方式，用户可以快速建立和运行城市规模的建筑能源模型，完成城市建筑节能分析；它使用国际标准CityGML代表城市中的三维建筑数据，并使用EnergyPlus 对各种建筑措施进行详细的改造分析；具有改造分析功能的CityBES 最初版本可免费使用。但该方法目前在应用范围方面存在一定的局限性——城市建筑数据集仅包括旧金山私人住宅以及中小型办公室和零售建筑，而不支持其他建筑类型（如大型办公室、酒店、医院）。该实验室正在努力将这些建筑类型添加到CityBES 中。针对城市建筑的改造，该研究面临的最大挑战是以CityGML 格式准备城市建筑数据集和所需的建筑特征信息。若该方法应用于中国，也将面临同样的挑战。
3.5 全模型法二
下面将介绍的全模型法，称为核心模块法（CityGML 3D GIS），是一种基于CityGML 存储数据的、可以对城市综合信息进行模拟的城市能耗模拟方法[23-24]。CityGML 是一种用于表示、存储和共享3D 城市模型数据的XML 格式的建模方法。它提供了管理与其几何、语义和拓扑相关的描述不同3D 对象的标准模式。核心模块法配备了10 个核心主题模块，如建筑、植被、浮雕等（图6）。而且，可以通过应用领域扩展（ADE: Application Domain Extensions）来添加与能量预测有关的其他功能。
图6 核心模块法模型的结构
资料来源：作者根据参考文献[22]翻译绘制
核心模块法主要用于建筑生命周期中的运行阶段[25]。更准确地说，通过诊断其供热需求来找出具有改造潜力的建筑区域。最近它的适用性已经扩展到覆盖建筑区域的可再生能源潜力的识别和评估[26]。另一方面，很少有研究集中于探索CityGML 在协助可再生能源规划方面的潜力。核心模块法常规预测过程如图7 所示[27]。
图7 核心模块法常规预测过程
资料来源：作者根据参考文献[2]翻译绘制
核心模块法的优点是CityGML 能够在几何和语义上对不同层次的细节进行建模和表示，这与其他城市3D 模型形式不同；另外，CityGML 方法在估算供热能源消耗方面已经显示出很大的潜力。该方法的弊端在于它的预测精度对市政当局提供的数据和现场测量获得的数据具有很强的依赖性[25]；而且某一城市或地区的3D CityGML 模型不适用于另一个城市，因为它们的开发主要通过本地指定的非标准数据结构来实现；此外，CityGML LOD3/LOD4 与国际金融公司等其他标准的互操作性仍然较差，需要广泛的后期处理[28]。目前，3D CityGML 模型的潜力尚未完全用于能源预测应用。事实上，除了提供某些地理位置输入之外，它们主要用于可视化。该方法在中国的应用中面临的最大挑战也是以CityGML 格式准备城市建筑数据集和所需的建筑特征信息。
3.6 城市能耗模拟方法的比较分析
本文基于城市能耗模拟方法的一般性流程分析了四种最新的城市能耗模拟方法，不仅从获取城市数据、建立城市模型、模拟城市能耗、校验模拟结果、结果可视化等五个基本模块对四种技术方法进行了剖析，还分析比较了四种方法的优缺点（表1）。
表1 城市能耗模拟方法比较
通过表1 可以看出，四种模拟方法在获取城市数据方面，都需要城市公共事业单位提供的城市建筑能耗数据，后三种方法还需要模拟区域城市建筑的几何信息和非几何信息。在建立城市模型的环节，原型建筑法、全模型法一和全模型法二都需要借助软件将GIS 数据进行再次转换，其中应用到的软件有Rhinoceros、FME 等；而在黑箱法（数组编程法）中，则需要将获得的数据进行重新排列。原型建筑法、全模型法一和全模型法二都是调用EnergyPlus 进行能耗模拟，黑箱法是运用了矢量计算的方法。在校验模拟结果的过程中，后三种方法是通过GIS 平台进行模拟结果与实际数据间的比对，黑箱法是采用统计分析的方法实现的。在结果可视化模块中，虽然四种方法的表现方式不尽相同，但都是把数据转化为相应的表格信息，区别仅仅是数据格式的差异，实质相同。采用一般性的模拟流程对城市能耗模拟方法进行对比分析，可以清晰地看出后三种方法在城市能耗模拟方面有很多共通点，而黑箱法不需要城市建筑的几何信息和非几何信息，具有更强的灵活性。
4 结论
本文针对目前国际上最新的城市能耗模拟方法，总结出城市能耗模拟的一般性流程。该流程分为获取城市数据、建立城市模型、模拟城市能耗、校验模拟结果、结果可视化等五个基本模块。基于该流程，本文对城市能耗模型的四种模拟方法进行了比较分析。
通过对上述四种城市能耗模拟方法的比较分析，可以看出城市能耗模拟的主要研究方法包括：
（1）软件集成。运用必要的计算机技术手段，在GIS 平台上处理城市建筑的大数据，通过合适的第三方程序，如Rhino、Grasshopper 等，实现从GIS 数据到IDF 数据的转换，从而使用EnergyPlus 对城市建筑大数据进行能耗模拟，确保计算的准确性和高效性（图8）；
图8 城市能耗模拟数据转换平台
（2）数据集成。进行城市尺度的能耗模拟需要基于城市建筑多维度信息，包括表征形态的三维几何信息，以及对能耗规律具有重要影响的其他非几何信息，如人员流量、围护结构热工物理参数等。而城市能耗模拟结果将依托GIS 平台整合进入城市建筑大数据库，进一步完善城市大数据库。
鉴于城市能耗模拟对于城市能源管理的重要意义，国内外学者在这一领域已经进行了很多研究。但是，城市能耗模拟以及建模水平仍处于初级阶段，目前主要面临的挑战有三点。其一，城市建筑基础数据获取困难。城市建筑基础数据包括建筑形状、高度、围护结构传热系数、窗墙比等。在建模过程中所需要的围护结构传热系数等非几何信息具有极大的获取难度。同时，实测数据的缺失会影响到模拟结果的校验，进而影响到结果的准确性。其二，目前尚没有一款适用于城市能耗模拟的软件，而软件开发最大的困难是将城市建筑几何信息、非几何信息以及能耗模拟软件进行耦合[29-30]。其三，目前尚没有学者对不同城市能耗模拟方法在不同城市尺度上的模拟速度和准确度进行研究，从而为城市设计师提供有选择性的参考。
对于不同城市能耗模拟尺度，本文总结出的城市能耗模拟的一般性流程具有普遍的适用性，但针对不同的案例需要在不同的模块上进行不同程度的调整，例如建筑体块模型的简化等，以保证模拟的可行性和准确性。
城市能耗模拟方法的研究仍需要继续完善，以期未来可以建立兼具模拟、实测、分析功能的城市能耗大数据平台。城市能耗模拟方法应用于城市规划设计实践中，可以探索空间形态与其他要素及能源利用与消耗的关系；发掘城市物质空间形态对能耗的影响机理，评估能耗与城市空间形态因子间的敏感度；研究单体建筑、建筑群之间的能量互动；提高以低能耗为目标的城市形态优化水平；促进能耗大数据与城市规划设计中其他大数据的协同应用。
注：文中未标明资料来源的图表均为作者绘制。
感谢审稿专家对本文提出的具有建设性的修改意见。
[1] UNEP.Cities and climate change[EB/OL].[2015-05-17].http://www.unep.org/resourceefficiency/Policy/ResourceEfficientCities/FocusAreas/CitiesandClimateChange/tabid/101665/Default.asp.
[2] CHALAL M,BENACHIR M,WHITE M,et al.Energy planning and forecasting approaches for supporting physical improvement strategies in the building sector: a review[J].Renewable and sustainable energy reviews,2016,64: 761-776.
[3] YANG Z,GHAHRAMANI A,BECERIK-GERBER B.Building occupancy diversity and HVAC (heating,ventilation,and air conditioning) system energy efficiency[J].Energy,2016,109: 641-649.
[4] BECKER S,FREW B A,ANDRESEN G B,et al.Renewable build-up pathways for the US: generation costs are not system costs[J].Energy,2015,81: 437-445.
[5] CHOI J-K,MORRISON D,HALLINAN K P,et al.Economic and environmental impacts of community-based residential building energy efficiency investment[J].Energy,2014,78: 877-886.
[6] LACKO R,DROBNI_C B,MORI M,et al.Stand-alone renewable combined heat and power system with hydrogen technologies for household application[J].Energy,2014,77: 164-170.
[7] COMODI G,CIOCCOLANTI L,RENZI M.Modelling the Italian household sector at the municipal scale: micro-CHP,renewables and energy efficiency[J].Energy,2014,68: 92-103.
[8] Broin E Ó,MATA E,GÖRANSSON A,et al.The effect of improved efficiency on energy savings in EU-27 buildings[J].Energy,2013,57: 134-148.
[9] PARSHALL L,GURNEY K,HAMMER S A,et al.Modeling energy consumption and CO2 emissions at the urban scale: methodological challenges and insights from the United States[J].Energy policy,2010.38(9): 4765-82.
[10] AGENCY I E.Cities,Towns and renewable energy: yes in my front yard[J].SourceOCDE Environnement et développement durable,2009(12): 1-194.
[11] 时宁国,解亚萍.基于细胞自动机的城市用地仿真研究[J].系统仿真技术,2010,6(3): 192-201.
[12] 周欣,燕达.建筑能耗模拟软件空调系统模拟对比研究[J].暖通空调,2014,44(4): 113-131.
[13] 周欣,燕达.区域建筑负荷特性及影响因素分析[J].暖通空调,2014,44(增刊1): 264-269.
[14] LI W,ZHOU Y,CETIN K,et al.Modeling urban building energy use: a review of modeling approaches and procedures[J].Energy,2017,141: 2445-2457.
[15] DAVILA C C,REINHART C F,BEMIS J L.Modeling Boston: a workflow for the efficient generation and maintenance of urban building energy models from existing geospatial datasets[J].Energy,2016,117: 237-250.
[16] BRØGGER M,WITTCHEN K B.Flexible building stock modelling with array-programming[C].Proceedings of the 15th IBPSA Conference San Francisco,CA,USA,2017.
[17] FONSECA J A,SCHLUETER A.Integrated model for characterization of spatiotemporal building energy consumption patterns in neighborhoods and city districts[J].Applied energy,2015,142: 247-265.
[18] TONN B,WHITE D.Residential electricity use,wood use,and indoor temperature;an econometric model[J].Energy systems and policy,1988,12(3): 151-166.
[19] RAFFIO G,ISAMBERT O,MERTZ G,et al.Targeting residential energy assistance[C].Proceedings of Energy Sustainability,2007: 489-495.
[20] AIGNER D J,SOROOSHIAN C,KERWIN P.Conditional demand analysis for estimating residential end-use load profiles[J].Energy,1984,5(3): 81-97.
[21] DAVILA C C,REINHART C F.Urban building energy modeling-a review of a nascent field[J].Building and environment,2016(97),196-202.
[22] CHEN Y,HONG T,PIETTE M A.City-scale building retrofit analysis: a case study using CityBES[C].Proceedings of the 15th IBPSA Conference San Francisco,CA,USA,2017: 1084-1091.
[23] KRÜGER A,KOLBE T H.Building analysis for urban energy planning using key indicators on virtual 3D city models-the energy atlas of Berlin[C].Proc ISPRS Congr,2012.
[24] GRÖGER G,PLÜMER L.CityGML interoperable semantic 3D city models[C].ISPRSJ Photogramm Remote Sensing,2012,71: 12-33.
[25] NOUVEL R,ZIRAK M,DASTAGEERI H,et al.Urban energy analysis based on 3D city model for national scale applications[C].Present.IBPSA Germany Conference,vol.8,2014.
[26] SARAN S,WATE P,SRIVASTAV S K,et al.CityGML at semantic level for urban energy conservation strategies[J].AnnGIS,2015,21: 27-41.
[27] ALAM N,COORS V,ZLATANOVA S,et al.Shadow effect on photo-voltaic potentiality analysis using 3D city models[C].International Society for Photogrammetry and Remote Sensing (ISPRS),2012.
[28] ZHU L,MAO H.Building interior model interpolation between IFC and CityGML[J].The open construction building technology journal,2015(9):170-176.
[29] 潘毅群,郁丛,龙惟定,等.区域建筑负荷与能耗预测研究综述[J].暖通空调,2015(3): 33-40.
[30] LI C.GIS for urban energy analysis[J].Comprehensive geographic information systems,2018(2): 187-195.
