基于空間相關(guān)的城市建筑能耗分布量化模型及應用——以倫敦非住宅建筑為例

冷紅，孫禹，田瑋

(1.哈爾濱工業(yè)大學建筑學院，哈爾濱150090;2.天津科技大學機械學院，天津300222)

0 引言

能源問題已經(jīng)日益成為全球關(guān)注的焦點，而建筑能耗在社會總體能源消耗中占有重要比例，是決定國家和地區(qū)能源前景的關(guān)鍵。近年來中國進入了城鎮(zhèn)化的高速發(fā)展時期，使得城市節(jié)能任務更加艱巨。多項研究指出僅僅強調(diào)對單體建筑技術(shù)改造的傳統(tǒng)節(jié)能方式和措施難以完成高強度的減排目標［1－4］。這也促使當前節(jié)能技術(shù)的研究由單體建筑尺度向區(qū)域?qū)用娴某鞘谐叨确较虬l(fā)展，從而使研究能夠?qū)崿F(xiàn)對城市空間和鄰里域中多種影響因素共同作用下的建筑能耗規(guī)律進行深入分析［5－10］。但是，城市建筑能耗的研究與單體建筑相比更加困難，城市建筑能耗不是城市內(nèi)單體建筑能耗的簡單相加，需要考慮城市建筑之間的相互作用，或者城市環(huán)境對建筑的用能習慣和最終的能耗產(chǎn)生的影響。如何采用科學的統(tǒng)計分析方法量化這種影響已經(jīng)成為一個迫切需要解決的問題。

相關(guān)研究表明區(qū)域的微氣候條件、建筑功能、內(nèi)部負荷和鄰里用能習慣都對連續(xù)空間內(nèi)的建筑能耗有很大影響［11－13］。通常微氣候因素和空間單元的建筑特征、人口密度以及設(shè)備使用性能和活動造成的能耗空間差異可以在建筑能耗模型中進行參數(shù)化計算。例如能耗模型可以根據(jù)建筑周圍的微氣候環(huán)境量化適應該環(huán)境的能耗需求;同樣，建筑的物理特征也可以通過相應的參數(shù)進行量化。一些復雜的能耗影響因素如區(qū)域的社會條件、噪聲水平、空氣污染和周圍活動等因素很難有效地通過模型參數(shù)計算，需要進行進一步的統(tǒng)計模型分析［14－16］。特別是包含此類因素的城市尺度模型研究沒有形成很完善的機制，探討顯得相對不足和匱乏。

城市中建筑的實測能耗分為兩部分:其一由每種建筑類型物理特性主導的內(nèi)在基礎(chǔ)能耗組成，該部分能耗不受建筑所處空間環(huán)境影響，更接近于能耗軟件模擬值［17－18］;其二，每個區(qū)域還存在建筑能耗外部影響值，可以通過空間環(huán)境語義參數(shù)量化來實現(xiàn)建筑的物理和空間能耗的拆分計算。研究采用自下而上的方法，將實測的建筑能耗拆分為物理和空間因素的形式，對影響能耗的區(qū)域空間因素進行明確的建模，實現(xiàn)對區(qū)域建筑用能中空間因素疊加影響的量化解釋。研究的重要價值在于:首先，考慮空間影響后計算得到的區(qū)域建筑能耗并不是把各單體建筑的負荷簡單疊加，所以對建筑能耗和能效等級的評價更加準確更具參考價值［5，10］。分開考慮建筑的內(nèi)在能耗和環(huán)境影響能耗可以從城市層面探討建筑在城市各空間單元中能效發(fā)展的差異和規(guī)律，有利于建立更加公正的能耗獎懲措施和碳稅。其次，目前關(guān)于能效的區(qū)域特征和空間相互影響的研究多數(shù)集中在省際、國家以及更大尺度的宏觀分析上，對城市尺度以空間單元為研究對象的高分辨率的空間分析模型研究則相對匱乏，而對于更精細尺度上的空間因素和影響關(guān)系量化則更少涉及，難以從微觀角度解釋建筑能耗在城市層面上空間分布特征的成因。第三，傳統(tǒng)的建筑能耗分析鮮有考慮建筑用能的區(qū)域同質(zhì)性和依賴性，通過對相鄰區(qū)域建筑用能增長的空間相關(guān)性進行量化，能夠進一步分析建筑用能的共同行為和鄰里行為影響產(chǎn)生的城市局部區(qū)域環(huán)境能耗。

本研究依據(jù)英國倫敦地區(qū)953個中型單元MLSOA(Middle Super Output Area)數(shù)據(jù)①英國政府劃分倫敦地區(qū)為4個不同的空間尺度，能源和氣候變化部根據(jù)相應尺度提供不同空間分辨率的數(shù)據(jù)，包括小型地區(qū)單元LLSOA(Lower Super Output Area);中型地區(qū)單元MLSOA(Middle Super Output Area);區(qū)政府(Local Authority);整個城市(London)。由于數(shù)據(jù)限制，僅選取MLSOA中型地區(qū)單元中的數(shù)據(jù)。，提取地區(qū)單元中非住宅建筑的特征數(shù)據(jù)、能耗統(tǒng)計數(shù)據(jù)、能耗基準數(shù)據(jù)(display energy certificate)、地理信息數(shù)據(jù)等建立城市尺度建筑能耗分布的空間分析模型。同時，在空間模型中引入貝葉斯(Bayesian)分析方法，充分利用現(xiàn)有的建筑能耗知識信息，縮小建筑單體和局部研究中計算的不準確性;拆分非住宅建筑實測能耗中的建筑內(nèi)部物理耗能和外部空間環(huán)境耗能，為城市建筑能耗分布的空間特征分析提供更精準的計算方法。

1 模型方法

利用ArcGIS軟件獲取建筑分類和各類建筑面積，通過基本模型計算每個建筑類型的能耗密度，采用統(tǒng)計學方法以概率分布形式表達結(jié)果。以上計算方法用來表征建筑的個體特性對能耗的影響，計算結(jié)果獨立于空間影響;另一部分是由空間環(huán)境因素影響的外在能耗值，這一部分應按照每一個空間單元(區(qū))進行量化。借助GIS平臺將建筑的物理和能耗信息與空間位置信息整合在一個數(shù)據(jù)框架內(nèi)，劃分城市為多個空間作用域，根據(jù)空間域的年能耗數(shù)據(jù)，采用地理學的空間分析理論和空間自回歸方法量化區(qū)域空間特征量。使用GeoBUGS軟件計算并生成相鄰區(qū)域的空間鄰接矩陣后結(jié)合地理加權(quán)回歸方法量化連續(xù)空間關(guān)系中產(chǎn)生的用能相關(guān)性。同時，考慮到空間數(shù)據(jù)是對真實世界的近似和概括，數(shù)據(jù)不可避免地存在一定的不確定性［19］。建立貝葉斯空間模型，依據(jù)先驗知識對數(shù)據(jù)誤差的分布做出假設(shè)，然后進行計算機模擬實驗，將實際建筑能耗數(shù)據(jù)與實驗結(jié)果對比，得到與實際最相近的能耗空間分布模型。模型的輸入與輸出結(jié)構(gòu)流程見圖1。

圖1 模型輸入與輸出結(jié)構(gòu)圖Fig.1 Input and output structures of the Bayesian GWR spatial analysis model

1.1 基本模型

對于建筑用能水平的測度，多數(shù)研究采用建筑能耗密度EUI(energy use intensity)的計算方法［6，20－21］。能耗密度是指建筑單位面積年消耗的能源量，通常用單位kWh·m－2·a－1來表示。即能耗密度(Ik)=建筑年能源消費量(Ek)/建筑面積(Pk)。在理想情況下，實測的區(qū)域中總體能耗可以表示為區(qū)域中各類型建筑能耗之和［5］:

式中:Ek是區(qū)域k的單位面積能耗值(kWh·m－2·a－1);Ij是所有區(qū)域中第j種建筑類型的理想能耗密度EUI(kWh·m－2·a－1);Pk，j是區(qū)域k第j種建筑類型的建筑面積占總體建筑面積的比例;N是所有建筑類型的數(shù)量。

建筑能耗密度Ik不基于單體建筑物理特征計算，而假定相同區(qū)域內(nèi)的相同類型建筑具有相似的活動規(guī)律，所有單位面積的能耗水平相近［5］。但即使同種類型建筑，由于建筑年代、子功能和內(nèi)部設(shè)備的不同也會導致能耗密度的差異，所以EUI計算結(jié)果難免會在小范圍內(nèi)隨機偏離建筑的真實能耗。因為此類隨機性的存在，理想模型并不能完全反映實際的能耗情況，所以，不同類型建筑的能耗密度采用概率分布的形式來表達更為恰當，計算公式為:

式中:Gk是真實觀測能耗;D是所有的觀測點的數(shù)量;σ2是分布的方差，代表測量過程中的誤差，這些誤差可能是由記錄等原因?qū)е碌南到y(tǒng)性的或隨機性的。

1.2 空間模型

1.2.1 空間環(huán)境語義參數(shù)量化。①區(qū)域空間特征影響量化。城市建筑用能的空間相關(guān)性是指在建筑群的空間存在和人為活動影響下建筑的用能習慣和能效在其分布地區(qū)的相關(guān)反映。很多學者在研究中表明建筑在城市中所處的空間位置和相鄰空間建筑的用能習慣將影響建筑的冷、熱負荷水平，這也表明建筑用能表現(xiàn)在空間上具有規(guī)律性和特征性［10，22］。針對每個區(qū)域存在建筑能耗空間特征值，可以通過空間環(huán)境語義參數(shù)量化。本研究利用空間自回歸的方法，將空間影響加入到建筑能耗密度的計算中。采用空間特征量b(k)用于表征不同區(qū)域的能耗空間特征性:

式中:α為常數(shù)項，但由于空間分布性截距α在不同區(qū)域不同，因此，假設(shè)其滿足一個平穩(wěn)的均勻分布;b(k)作為區(qū)域空間特征，具有空間自回歸特點，因此，在模型中將其表示為如下分布:

式中:nk表示區(qū)域k空間相鄰影響區(qū)域的數(shù)量，當然每個區(qū)域的相鄰數(shù)量可能不同;τ表示對分布的精度，并在模型中將其表示為如下分布:

式中:ψ為方差參數(shù)，服從均勻分布uniform(0，100)［23］。

②連續(xù)空間相關(guān)性影響量化。空間數(shù)據(jù)和空間現(xiàn)象并非獨立地存在，相鄰空間單元中存在普遍的關(guān)聯(lián)性?？臻g數(shù)據(jù)具有復雜的空間分布特征，其主要體現(xiàn)在能耗密度分布的空間依賴性上，即周圍環(huán)境對連續(xù)空間內(nèi)的建筑能耗有很大影響，使得測量統(tǒng)計中的能耗空間數(shù)據(jù)不能直接用于常規(guī)的統(tǒng)計分析［19，24］。所以，在每個區(qū)域存在的建筑能耗外部影響值計算中，除了加入?yún)^(qū)域特征參數(shù)外還利用地理加權(quán)回歸方法(GWR)計算城市連續(xù)空間單元中產(chǎn)生的用能相關(guān)性?？臻g數(shù)據(jù)回歸模型可以分為靜態(tài)和非靜態(tài)。根據(jù)空間第一定律，地理事物或?qū)傩栽诳臻g分布上互為相關(guān)，且屬性各截距的空間為非均勻性或非靜態(tài)性［25］。如果采用靜態(tài)的回歸方法建立基于空間數(shù)據(jù)的貝葉斯分析模型，從而得出區(qū)域殘差的空間分布。這樣的殘差分布缺乏對不同區(qū)域差異的考慮，并不能給出具體建筑類型的能耗密度的空間差異性。GWR正是一種非靜態(tài)的模型，其假設(shè)每個空間數(shù)據(jù)點對于每類建筑都具備不同的能耗密度，這也是最符合真實情況的。

1.2.2 結(jié)合貝葉斯方法的建筑能耗空間模型。由于GWR的計算同樣具有普通線性回歸的缺點:首先，數(shù)據(jù)計算結(jié)果有時出現(xiàn)異常值;另外，其采用的加權(quán)線性回歸并沒有考慮數(shù)據(jù)的獲取和測量中的不確定度，進而影響計算精確度。以上缺點使得GWR雖然得到廣泛重視，但限制了實際研究中的應用［19］。本研究結(jié)合貝葉斯方法進行概率分布的計算，縮小數(shù)據(jù)本身和局部尺度研究中計算的不準確性。

假設(shè)區(qū)域k的單位面積的年能耗(kWh·m－2·a－1)滿足如下公式:

式中:Ik，j是區(qū)域k第j種建筑類型的天然氣消耗密度(kWh·m－2·a－1);Pk，j是區(qū)域k第j種建筑類型的建筑面積比例;N是建筑類型的數(shù)量。

區(qū)域能耗的真實觀測值與模擬結(jié)果Ek之間滿足式(2)的正態(tài)分布。模型中假設(shè)模型的精度(方差σ2的倒數(shù))服從Gamma分布。采用Gamma分布表示方差精度，Gamma分布具備足夠的靈活性。其均值可以表示為x/y，采用x=2y=10作為方差的先驗分布。

建筑能耗密度的先驗分布采用不同區(qū)域中相同類型建筑服從相同的先驗分布，即Beta(α，β)分布。不同的建筑類型具有不同的先驗分布參數(shù)以充分利用現(xiàn)有的建筑能耗知識信息體現(xiàn)各建筑自身特點，達到更準確的計算水平。例如Ik，j為區(qū)域k中第j種類型建筑的能耗密度，可以表達為該種建筑類型(第j種)在所有區(qū)域的最高能耗密度Ijmax和最低能耗密度Ijmin的Beta分布。

需要說明的是經(jīng)貝葉斯方法分析后，不同區(qū)域中相同的建筑類型則具備不同的能耗密度分布如下:

式中:Ik，j為區(qū)域k中第j種類型建筑的能耗密度;是區(qū)域k中第j種類型建筑的最低能耗密度是區(qū)域k中第j種類型建筑的最高能耗密度;αkj和βkj為區(qū)域k中對應第j種類型建筑Beta分布的2個參數(shù)。區(qū)域k的建筑能耗密度的后驗分布P(Ik，Ak，τ)表達為:

式中:Ik表示區(qū)域k中所有建筑類型的能耗密度的集合;Ak表示區(qū)域k中所有類型建筑的面積的集合，τ=σ－2。假定區(qū)域k中所有建筑類型的能耗分布相互獨立，則P(Ik)=ΠP(Ik，j)。能耗密度貝葉斯模型最終表示為:

2 研究應用

2.1 研究區(qū)域概況

倫敦是全球能耗統(tǒng)計及研究工作發(fā)展比較完善的城市之一，其政府和多家商業(yè)公司每年統(tǒng)計并發(fā)布能耗及建筑相關(guān)的數(shù)據(jù)。英國政府具有一個專門負責能耗相關(guān)工作的能源與氣候變化部(Department of Energy and Climate Change，DECC)［26］。該部每年發(fā)布全國相關(guān)能耗數(shù)據(jù)，衡量節(jié)能減排的效果，協(xié)助制定節(jié)能減排政策，以及供英國各個大學及研究機構(gòu)使用。同時英國國家統(tǒng)計辦公室(Office of National Statistics)將倫敦地區(qū)劃分為4個不同的空間尺度①Super Output Areas(SOA)是英格蘭和威爾士地區(qū)為進行數(shù)據(jù)統(tǒng)計工作而記性的區(qū)域劃分。一個MLSOA(Middle Layer Super Output Areas)按照人口數(shù)量定義:具體包含最少5 000人(對應2 000戶居民)，最多包含15 000人(對應6 000戶居民)。SOA區(qū)域按照層次化定義，每個MLSOA由多個LLSOA(Lower Layer Super Output Areas)組成。倫敦地區(qū)共有983個MLSOA，4 765個LLSOA;同時MLSOA又組成為33個LA(Local Authorities)。具體請參見http://www.ons.gov.uk/中關(guān)于SOA的詳細定義。，同時，這些不同尺度的區(qū)域劃分具備較為完善的GIS數(shù)據(jù)。DECC按照不同空間尺度統(tǒng)計能耗數(shù)據(jù)，這樣能耗統(tǒng)計結(jié)果也可以較為容易地依靠區(qū)域的GIS空間信息匹配。

鑒于我國當前的能耗統(tǒng)計工作尚處于起步階段，許多建筑能耗缺乏相應的統(tǒng)計結(jié)果。同時部分能耗雖具備統(tǒng)計結(jié)果，但不具備GIS信息。因此，依托倫敦地區(qū)的非住宅建筑能耗數(shù)據(jù)進行分析。

2.2 研究數(shù)據(jù)獲取

2.2.1 能耗數(shù)據(jù)。能耗數(shù)據(jù)取自于英國DECC每年發(fā)布的統(tǒng)計結(jié)果。在DECC的數(shù)據(jù)中，雖然電的消耗和燃氣的消耗分開提供，但所提供的電力數(shù)據(jù)中由于商業(yè)敏感性并沒有包含以半小時為間隔的數(shù)據(jù)(half-hourly metered consumers)，所以其提供的電力數(shù)據(jù)只是實際消耗的一小部分。因此，選擇燃氣能耗進行分析;鑒于DECC提供的LLSOA數(shù)據(jù)為實驗性數(shù)據(jù)，為保證數(shù)據(jù)的可靠性及數(shù)據(jù)的分辨率，選擇更加精細的MLSOA尺度進行分析。本研究采用較新發(fā)布的燃氣數(shù)據(jù)見圖2。

圖2 倫敦非住宅建筑燃氣能耗分布Fig.2 Percentage share of non-domestic energy consumption per local authority of London

2.2.2 地理信息數(shù)據(jù)。根據(jù)英國城市規(guī)劃中建筑和城市用地的分類，將非住宅建筑分為10種主要類型:社區(qū)建筑、醫(yī)院建筑、賓館建筑、工業(yè)建筑、制造建筑、辦公建筑、零售店建筑、學校建筑、大學建筑、倉庫建筑。其中每種建筑類型的建筑面積由UK Map數(shù)據(jù)庫獲取。UK Map具備多種尺度分辨率的3D地圖數(shù)據(jù)，同時包含了建筑的高度數(shù)據(jù)、位置數(shù)據(jù)等，為研究提供了建筑面積、空間位置等信息［27］。本研究采用英國國家發(fā)布的建筑分類方法;同時將占有比例較小的與體育相關(guān)的建筑去除，同時將所有社區(qū)類建筑歸為一類。其中社區(qū)建筑分類中均包含了許多的子類，比如社區(qū)建筑包含圖書館、教堂建筑。而辦公建筑也包含了公用和私有辦公建筑等。在UK Map中獲取的結(jié)果表明，社區(qū)建筑、零售建筑、學校建筑這3種建筑在非住宅建筑中占主要部分，醫(yī)院、工業(yè)和賓館建筑則未占到總面積比例的10%。

2.3 建筑能耗與地理數(shù)據(jù)處理

2.3.1 建筑能耗密度的先驗分布數(shù)據(jù)。利用如下資源獲取建筑能耗密度的先驗分布:①英國可再生能源中心為所有英國的公共建筑發(fā)布的Display Energy Certificate(DEC)數(shù)據(jù)庫。此數(shù)據(jù)庫包含40 000個公共建筑的建筑能耗密度，建筑面積、建筑用途以及建筑郵編，其中3 220棟建筑是倫敦地區(qū)的。DEC的數(shù)據(jù)為獲取公共建筑先驗分布提供了幫助，但其不包含私有建筑的數(shù)據(jù)。②對于私有建筑，本研究通過英國社區(qū)與本地管理部發(fā)布的Energy Performance Certificate(EPC)獲取。EPC數(shù)據(jù)包含了倫敦地區(qū)所有大于50 m2的非住宅建筑能耗數(shù)據(jù)，因此覆蓋了私有建筑。為了更加準確和全面地利用數(shù)據(jù)，以發(fā)布數(shù)據(jù)的10%和90%的分位點數(shù)據(jù)作為先驗分布的下限能耗密度和上限能耗密度的分布區(qū)間。結(jié)果表現(xiàn)為:含有更多子類的建筑類型表現(xiàn)出較大的EUI分布差異。例如，醫(yī)院建筑、社區(qū)建筑分布在150～200 kWh·m－2·a－1之間，而賓館建筑、辦公建筑的能耗密度先驗分布在50～500 kWh·m－2·a－1之間。

確定建筑能耗密度先驗分布的上下限之后，進一步確定先驗分布曲線。采用統(tǒng)一的beta分布，除分布曲線的上下限外，所有的建筑類型的先驗分布參數(shù)設(shè)置相同，即先驗β分布的參數(shù)α和參數(shù)β相同。

2.3.2 GIS空間數(shù)據(jù)處理與空間關(guān)系確定。在進行基于貝葉斯分析的區(qū)域回歸模型計算時，模型的輸入數(shù)據(jù)除包含建筑能耗數(shù)據(jù)、建筑面積數(shù)據(jù)外，還需要確定每個MLSOA區(qū)域的N個鄰域。其中N取決于模型設(shè)定的范圍。鄰域的查找方法采用物理距離作為判斷尺度，通過計算任意2個MLSOA區(qū)域中心點之間的距離，為每個MLSOA區(qū)域?qū)ふ襈個與本區(qū)域中心最近的區(qū)域。如圖3所示，圖中黑色MLSOA代表目標區(qū)域，底層淺灰色MLSOA代表目標MLSOA的鄰域。上層深灰色的圓是以目標MLSOA的中心為圓心，并覆蓋鄰域中心點的最小圓;其半徑即為目標MLSOA鄰域半徑。本研究通過倫敦地區(qū)MLSOA的GIS數(shù)據(jù)通過GeoBUGS計算各區(qū)域中心距離，進而為每個區(qū)域?qū)ふ襈個鄰域并準備相應的能耗和面積數(shù)據(jù)。

圖3 倫敦地區(qū)MLSOA區(qū)域鄰域查找方法Fig.3 Parameters of prior distributions of energy use intensity per building type

2.4 結(jié)果分析

基于貝葉斯分析的區(qū)域空間模型采用WinBUGS軟件運算。模型運行了20 000次，其中“burn-in period”為500次［28］，得出倫敦10類不同功能的非住宅建筑能耗密度在城市中級空間單元的分布結(jié)果。選取占主要比例的社區(qū)建筑、賓館建筑為例描述模型計算結(jié)果并分析建筑用能分布特征，然后對區(qū)域貝葉斯空間模型的計算結(jié)果與空間自回歸模型、基本模型進行誤差對比分析。

2.4.1 城市空間單元的建筑能耗空間分布特征。①建筑能耗的使用分布呈現(xiàn)明顯的空間極化特征。通過對10種建筑類型的密度分布結(jié)果對比可以看出，不同類型建筑呈現(xiàn)出多種空間分布特征，其中有一些空間形態(tài)存在明顯兩極化的趨勢。圖4展示了社區(qū)建筑和賓館建筑的后驗分布的均值在被測953個MLSOA中的分布情況。社區(qū)建筑的建筑能耗密度在倫敦地區(qū)分布差異較大，變化在409.3～168.2 kWh·m－2·a－1之間。其中高能耗社區(qū)建筑明顯有集中趨勢，但并未形成組團分布格局，而是在近市中心位置形成集中高能耗區(qū)域。與倫敦地區(qū)公共建筑的總體燃氣能耗(圖2)相比，Lambeth，Southwark，Wandsworth和Merton 4個區(qū)域中的高能耗社區(qū)建筑在MLSOA占有的比例最大。如圖4a所示社區(qū)建筑能耗密度空間分布呈現(xiàn)出明顯的組團集中化形態(tài)，并且與其他類型建筑的多中心空間形態(tài)存在明顯區(qū)別。相比于高能耗的集中形態(tài)，周圍低于密度中值的社區(qū)建筑分布形式分散，無明顯空間集中特征，這也說明在社區(qū)建筑中高能耗建筑對周圍建筑能耗特征的影響更加顯著。在中小學建筑中呈現(xiàn)多處高能耗密度建筑的聚集，特別是在城市邊緣區(qū)建筑的高能耗特征明顯，在中心城區(qū)外圍和邊緣的局部地區(qū)形成極核。另外，辦公和零售建筑的用能分布在倫敦MLSOA中呈現(xiàn)出明顯的區(qū)位特性，形成兩處極核分布在城市中心和西側(cè)的相近位置，并且有相似的向北側(cè)擴展的趨勢;說明辦公和零售建筑的能耗特征受到區(qū)位環(huán)境的影響比較明顯而且相似(圖5)。②區(qū)位條件和活動環(huán)境是導致同類型建筑能耗表現(xiàn)出空間分異的主要因素。Bexley，Havering和Sutton 3個區(qū)域中低能耗密度的社區(qū)建筑在MLSOA占有的比例最大。社區(qū)建筑分類包含了圖書館、教堂等，這些建筑能耗密度與建筑接待的人數(shù)有關(guān)。另外，能耗密度高的區(qū)域中，地處市區(qū)中央的區(qū)域由于人口密度較大，從而導致社區(qū)建筑的能耗密度相比其他區(qū)域高出許多。在區(qū)位條件上，這幾個空間位置經(jīng)濟條件優(yōu)越，具有完善的服務系統(tǒng)和較高的生活水平，也是能源使用比例較高并且容易在周圍空間擴散的主要原因。不同區(qū)位條件中的地價是影響建筑用能密度分布空間差異的主要因素。在城市中心區(qū)，由于區(qū)位地價高，人口密度大，對活動環(huán)境中的基礎(chǔ)設(shè)施和生活條件要求高，能源消費密度大且消費聚集點比較集中，表明活動環(huán)境對不同類型建筑能耗的影響差異。通過對不同類型建筑的

橫向?qū)Ρ纫舶l(fā)現(xiàn)辦公建筑和零售建筑的用能強度分布有明顯的相關(guān)性，并與區(qū)位和活動環(huán)境的敏感度更高，反映了各類型建筑的用能發(fā)展特點。除了由于區(qū)位條件和活動環(huán)境影響下出現(xiàn)的高密度用能極核，對于其他空間位置出現(xiàn)的零星高能耗建筑分布則需要調(diào)查該空間區(qū)域的建筑運行和管理方面的問題。有必要從政府層面對該地區(qū)的建筑用能情況進行監(jiān)管，促進運營管理單位采取節(jié)能措施，合理用能(圖5)。③重要地標節(jié)點和大型綠地對周邊區(qū)域的建筑能耗表現(xiàn)影響較大。如圖4b所示賓館建筑能耗密度空間分布相比社區(qū)建筑的“多極化”，賓館建筑則呈現(xiàn)出單極特點。Hammersmith and Fulham中的MLSOA區(qū)域的賓館建筑能耗密度明顯高于倫敦的其他區(qū)域。Hammersmith and Fulham及其附近的行政空間單元(Local Authority)為倫敦地區(qū)幾個著名旅游景點的聚集區(qū)，包括白金漢宮、海德公園等。同時該區(qū)域的行政空間單元緊鄰核心區(qū)域倫敦城(City of London)和牛津街等著名商業(yè)街，因此是許多旅游人員最為理想的留宿地點。這樣的情景造成了此處區(qū)域的賓館建筑的能耗密度明顯高于其他區(qū)域。倫敦地區(qū)其他建筑類型能耗密度分布見圖5。

圖4 倫敦社區(qū)建筑和賓館建筑單位面積能耗的后驗分布Fig.4 Posterior distributions of calculated area weighted mean EUI of community building and hotel building in London

圖5 其他6種主要的非住宅建筑單位面積能耗在倫敦MLSOA的后驗分布Fig.5 Posterior distributions of calculated area weighted EUIs of other six building types in MLSOA of London

2.4.2 3種空間回歸模型的準確度比較。采用區(qū)域貝葉斯空間模型(OLS Bayesian)、基本EUI模型和傳統(tǒng)空間自回歸模型(local random effect)對倫敦的953個MLSOA區(qū)域進行能耗計算，比較3種方法所計算結(jié)果與真實能耗之間的誤差。所得誤差的統(tǒng)計結(jié)果與分布情況如表1所示。采用統(tǒng)計方法分別對誤差和誤差的絕對值進行均值、中值和分布均方差計算。統(tǒng)計結(jié)果顯示基于貝葉斯空間模型(GWR Bayesian)的誤差和誤差的絕對值均具有最小的均值和中值，同時具有相對較小的標準差。統(tǒng)計結(jié)果表明基于區(qū)域回歸模型的方法不僅在各個MLSOA區(qū)域具有更加準確的能耗計算能力，而且采用基于貝葉斯空間模型的方法的能耗誤差更加貼近于零值附近(其中雖然負向誤差的最大值較大，但其僅出現(xiàn)在一個區(qū)域)，因而比另外2個模型更貼近真實能耗，可用于建筑能耗節(jié)能措施的進一步優(yōu)化分析。

表1 3種能耗模型計算誤差統(tǒng)計比較結(jié)果Tab.1 Comparison of error statistics from Bayesian GWR model with other two models

3 結(jié)論

1)研究表明EUI的計算方法基于合理假定，即相同區(qū)域內(nèi)同類型建筑具有相似活動規(guī)律，因而單位面積的能耗相近。這種根據(jù)建筑的使用而不是建筑物理特征的計算方法在非住宅建筑的能耗分析中非常有效，因為其能耗主要分配于其服務相關(guān)的活動。同時，在表述EUI時由單一能耗密度概念發(fā)展為概率密度的表達形式，為建筑的能耗密度提供了理想的表達形式。

2)在建筑能耗空間分析中使用傳統(tǒng)的空間回歸的計算會存在以下問題:一是數(shù)據(jù)計算結(jié)果有時出現(xiàn)異常值;二是其采用的加權(quán)線性回歸并沒有考慮數(shù)據(jù)的獲取和測量中不確定度，進而影響計算精確度。研究中采用空間模型建立在經(jīng)典的概率統(tǒng)計理論基礎(chǔ)上以概率統(tǒng)計值來度量空間數(shù)據(jù)中的不確定性，表明可提高使用數(shù)據(jù)的可靠程度。

3)模型通過地理加權(quán)回歸與貝葉斯分析方法有機結(jié)合，量化了在城市空間中同一建筑類型的能耗分布。充分利用現(xiàn)有的建筑能耗知識改進了地理回歸方法的精度，所得的能耗密度更加接近實際測量結(jié)果，同時擴展了地理加權(quán)回歸方法應用范圍。

4)城市中建筑能耗因經(jīng)濟特征、人口特征及建筑物理特征等因素使得空間上分布特征明顯。因此，建筑能耗空間分布建模的準確性對于能耗模型構(gòu)建和節(jié)能政策研究具有重要意義。本研究主要是對倫敦地區(qū)的能耗數(shù)據(jù)進行分析和方法驗證，主要是由于我國城市建筑能耗統(tǒng)計和相應的地理信息系統(tǒng)的發(fā)展還不完善。所使用的能耗數(shù)據(jù)和提出的研究方法，對我國城市建筑能耗研究工作也具有指導意義。

［1］清華大學建筑節(jié)能研究中心.中國建筑節(jié)能年度發(fā)展研究報告:2013［M］.北京:中國建筑工業(yè)出版社，2013.

［2］江億.我國建筑節(jié)能戰(zhàn)略研究［J］.中國工程科學，2011(6):30－38.

［3］龍惟定，范蕊，梁浩，等.城市節(jié)能的關(guān)鍵性能指標［J］.暖通空調(diào)，2012(12):1－9.

［4］張聲遠，楊秀，江億.我國建筑能源消耗現(xiàn)狀及其比較［J］.中國能源，2008，30(7):37－42.

［5］Choudhary R.Energy Analysis of the Non-domestic Building Stock of Greater London［J］.Building＆Environment，2011，51(7):243－254.

［6］Kavgic M，Mavrogianni A，Mumovic D，et al.A Review of Bottom-up Building Stock Models for Energy Consumption in the Residential Sector［J］.Building＆Environment，2010，45(7):1683－1697.

［7］Shimoda Y Y Y.District-scale Simulation for Multi-purpose Evaluation of Urban Energy Systems［J］.Journal of Building Performance Simulation，2010，3(4):289－305.

［8］Tian W，Choudhary R.A Probabilistic Energy Model for Non-domestic Building Sectors Applied to Analysis of School Buildings in Greater London［J］.Energy＆Build-ings，2012，54(6):1－11.

［9］付林，鄭忠海，江億，等.基于動態(tài)和空間分布的城市能源規(guī)劃方法［J］.城市發(fā)展研究，2008(1):146－149.

［10］Cheng V，Steemers K.Modelling Domestic Energy Consumption at District Scale:A Tool to Support National and Local Energy Policies［J］.Environmental Modelling＆Software，2011，26(10):1186－1198.

［11］Swan L G，Ugursal V I.Modeling of End-use Energy Consumption in the Residential Sector:A Review of Modeling Techniques［J］.Renewable＆Sustainable Energy Reviews，2009，13(8):1819－1835.

［12］Firth S K，Lomas K J，Wright A J.Targeting Household Energy-efficiency Measures Using Sensitivity Aanalysis［J］.Building Research＆Information，2010，38(1):25－41.

［13］蒲清平.城市居住建筑能耗影響因素與預測模型構(gòu)建研究［D］.重慶:重慶大學，2012.

［14］田云，李波，張俊飚.武漢市碳排放的測算及影響因素分解研究［J］.地域研究與開發(fā)，2011，30(5):88－92.

［15］Tian W，Wilde P D.Uncertainty and Sensitivity Analysis of Building Performance Using Probabilistic Climate Projections:A UK Case Study［J］.Automation in Construction，2011，20(8):1096－1109.

［16］Rysanek A M，Choudhary R.Optimum Building Energy Retrofits under Technical and Economic Uncertainty［J］.Energy＆Buildings，2013，57(2):324－337.

［17］潘毅群，吳剛，Volker H.建筑全能耗分析軟件Energy Plus及其應用［J］.暖通空調(diào)，2004(9):2－7.

［18］Klein S A.TRNSYS 17:A Transient System Simulation Program［M］.Madison:University of Wisconsin Press，2010.

［19］柏延臣，馮學智.空間數(shù)據(jù)分析與空間模型［J］.地理研究，1999，2(2):185－190.

［20］Adrian L，Bill B.Assessing Building Performance in Use 4:The Probe Occupant Surveys and Their Implications［J］.Building Research＆Information，2010，29(2):129－143.

［21］Booth A T，Choudhary R，Spiegelhalter D J.Handling Uncertainty in Housing Stock Models［J］.Building＆Environment，2012，48(2):35－47.

［22］Tian W.A Review of Sensitivity Analysis Methods in Building Energy Analysis［J］.Renewable＆Sustainable Energy Reviews，2013，20(4):411－419.

［23］Gelman A.Prior Distributions for Variance Parameters in Hierarchical Models［J］.Bayesian Analysis，2006，1(3):515－533.

［24］麻清源，馬金輝，張超，等.基于交通網(wǎng)絡(luò)空間權(quán)重的區(qū)域經(jīng)濟空間相關(guān)分析——以甘肅省為例［J］.地域研究與開發(fā)，2007，26(5):42－47.

［25］Tobler W.On the First Law of Geography:A Reply［J］.Annals of the Association of American Geographers，2004，94(2):304－310.

［26］Mary G.Annual Report on Fuel Poverty Statistics［R］.London:Department of Energy and Climate Change，2014:25－39.

［27］The GeoInformation Group.UKMAP［R］.London:The GeoInformation Group Ltd，2011:66－85.

［28］Spiegelhalter D J，Thomas A，Best N G，et al.WinBUGS Version 1.4.1 User Manual［M］.Cambridge:MRC Biostatistics Unit，2003.