[论文分享]An integrated framework for assessing solar photovoltaic potential of building surfaces at city scale using parametric simulation and optimized machine learning models
📃 基本信息
[论文标题] 《利用参数化模拟和优化机器学习模型评估城市尺度建筑表面太阳能光伏潜力的集成框架》
[期刊信息] Sustainable Cities and Society (2025) | 作者: Fuming Lei, Zengfeng Yan, Pingan Ni, Yingjun Yue, Shanshan Yao, Jingpeng Fu, Liuhui Meng, Guojin Qin
📌 一句话概括
该研究提出了一种利用参数化模拟和优化机器学习模型，评估和优化城市尺度建筑表面太阳能光伏潜力的集成框架。
📚 深度总结
本研究旨在解决现有城市尺度建筑表面太阳能光伏潜力评估中存在的模型粗糙、预测精度低和评估不完整等问题。研究背景强调了建筑一体化光伏（BIPV）在城市可持续发展中的重要性，并指出当前城市级光伏利用研究的局限性，特别是在精细化评估和优化方面的不足。
研究方法方面，论文构建了一个包含四个主要步骤的集成框架：
- 建模：利用Rhino+Grasshopper进行参数化建模，从公开城市数据库获取的3D建筑信息中提取屋顶几何边界，并生成高精度的光伏板模型。通过K-Means聚类算法将城市建筑群划分为更小的簇。
- 模拟：使用Ladybug Tools (LBT)的Perez天空模型计算每个子区域建筑簇的太阳辐射潜力，并选择典型建筑簇进行详细模拟。运用拉丁超立方采样(LHS)生成500种不同的光伏板设计参数，计算这些参数配置下光伏板的评估指标。
- 预测与优化：构建人工神经网络（ANN）预测模型，以光伏板的5个设计参数（间距、宽度、朝向、高度、高程角）为输入，4个评估指标（物理潜力、地理潜力、技术潜力、经济潜力）为输出。模型采用NSGA-II遗传算法优化超参数，形成高精度的NSGA-II-ANN预测模型。随后，再次使用NSGA-II进行多目标优化，生成帕累托前沿。
- 决策与评估：通过Topsis多准则决策方法，结合熵权法、等权法和主观加权法分析帕累托前沿，确定不同运行条件下的最佳光伏板设计参数和优化策略。最后，使用LBT进行参数化模拟，计算城市太阳能光伏潜力，并结合西安市的电力需求进行多维度评估。
关键发现与结论包括：
- 西安市建筑表面太阳能光伏潜力巨大，屋顶遮阳率普遍低于15%，平均太阳辐射强度达到1020.42 kWh/m²。
- 所构建的NSGA-II-ANN预测模型具有高精度，R²值均大于0.960，MSE值小于0.04，损耗曲线表现出清晰的收敛特性。
- 优化后，西安市屋顶光伏系统最大太阳辐射潜力可达59.398 TWh，其中夏季为25.534 TWh，冬季为14.055 TWh。
- 西安市建筑表面最大光伏发电量介于18.27 TWh至22.84 TWh之间，这能够满足全市年电力需求的46.88%，或居民用电量的175.99%。
实际应用价值在于，该研究提出了一种更具实用性的城市尺度太阳能光伏潜力评估框架，为城市光伏利用提供了规划建议和数据支持，有助于缓解城市能源危机，促进可持续发展。通过精细化建模和机器学习优化，能够识别出不同季节和建筑立面的光伏利用潜力，指导城市光伏系统的布局。虽然该框架在预测精度和评估全面性上有所提升，但目前建筑一体化光伏系统的评估标准仍不统一。未来的研究需要进一步开发更具体的评估指标，整合标准化安装流程，并深入探索建筑光伏系统的利用潜力。
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: 参数化建模、K-Means聚类、拉丁超立方采样、LBT太阳辐射模拟、NSGA-II-ANN预测模型、多目标优化、Topsis决策分析
- 适用范围: 城市尺度建筑表面的太阳能光伏潜力评估，以西安为例
- 使用工具: Rhino-Grasshopper, Ladybug Tools (LBT), OpenFOAM (通过Butterfly插件), Python (机器学习模型)
- 数据来源: 公共城市数据库(GIS数据), CSWD气象数据库, 西安统计年鉴
- 参考标准: GB/T 51368-2019 《建筑光伏系统应用技术标准》