[论文分享]Assessing urban morphology’s impact on solar potential of high-rise facades in Hong Kong using machine learning: An application for FIPV optimization
📃 基本信息
[论文标题] 《利用机器学习评估香港高层建筑立面太阳能潜力及其对BIPV优化的影响：以香港为例》
[期刊信息] Sustainable Cities and Society (2024) | 作者: Lulu Tao, Mengmeng Wang, Changying Xiang
📌 一句话概括
本研究利用机器学习方法，揭示了香港高密度城市形态对高层建筑立面太阳能潜力的关键影响参数，并基于此优化了立面一体化光伏（FIPV）的设计。
📚 深度总结
本研究旨在明确城市尺度下建筑立面太阳能潜力与城市形态之间的复杂关系，并为立面一体化光伏（FIPV）的设计提供实证依据。论文背景指出，高密度城市如香港，屋顶光伏应用受限，立面光伏具有巨大潜力，但其太阳能潜力受城市形态影响显著。传统城市原型构建方法存在局限性，机器学习（ML）能够提供更深入的数据分析。
在研究方法上，论文首先选取香港高密度商业区作为研究对象，通过GIS工具提取建筑数据，并在Grasshopper和ClimateStudio中构建3D模型进行立面太阳能辐射模拟。随后，利用Python代码计算16项城市形态参数，并将其与模拟的年平均太阳辐照度一起作为数据集。核心方法是采用随机森林（Random Forest）算法，结合SHapley Additive exPlanations（SHAP）方法评估城市形态对立面太阳能辐照度的重要性。模型性能评估采用了R方（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等四项指标，10折交叉验证结果显示，模型预测准确性良好，R²达到0.696。
关键发现与结论包括：地块容积率（PR）、建筑层数（BF）、建筑密度（BD）和周长形状因子（PSF）是影响立面太阳辐照度的四个关键参数，其重要性率和贡献值分别达到43.9%和48.7%。研究进一步通过SHAP依赖图分析了这些参数的非线性影响，例如，当周边建筑高度低于目标建筑时，目标建筑南立面能获得最佳投资回报期（8.44年）和发电量（55961 kWh）。基于这些关键参数，研究构建了四种典型城市原型，并利用非支配排序遗传算法II（NSGA-II）对FIPV在南立面和东立面上的位置、数量和透明度进行了多目标优化，以最小化投资回报期和最大化发电量。优化结果显示，半透明光伏面板主要分布在立面中上部，不透明面板数量通常多于半透明面板。
实际应用价值在于，本研究为城市规划者和建筑师提供了基于证据的FIPV设计策略，有助于在高密度城市环境中优化太阳能利用，减少碳排放，并可应用于早期规划阶段。研究开发的工作流可以作为评估立面太阳能潜力、优化光伏玻璃设计的参考。研究局限性在于数据集数量相对较小，且多目标优化未考虑室内采光、通风和建筑能耗等其他性能指标，也未进行实际测量与模拟结果的对比验证。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 机器学习（随机森林、SHAP）、GIS空间分析、CFD模拟、多目标优化（NSGA-II）
- 适用范围: 香港高密度高层商业区建筑立面
- 使用工具: ArcGIS, Grasshopper, ClimateStudio, Python (Scikit-learn, SHAP)
- 数据来源: 香港地籍数据、TMYx.2004-2018气象数据、模拟数据