严寒地区办公建筑天然采光参数化模拟研究

韩昀松，王 钊，董 琪

(哈尔滨工业大学建筑学院，黑龙江省寒地建筑科学重点实验室，黑龙江 哈尔滨 150001)

严寒地区办公建筑天然采光参数化模拟研究

韩昀松，王 钊，董 琪

(哈尔滨工业大学建筑学院，黑龙江省寒地建筑科学重点实验室，黑龙江 哈尔滨 150001)

本文旨在提出严寒地区办公建筑天然采光参数化模拟流程，研发天然采光参数化模拟模型，从而提高严寒地区办公建筑天然采光模拟精度与效率。以严寒地区某办公建筑为例展开天然采光参数化模拟与实测，通过模拟值与实测值回归拟合与误差分析，验证提出的天然采光参数化模拟流程与模型应用效果。结果表明，天然采光参数化模拟实现了几何信息和材料信息的自适应关联，以及建模工具与模拟工具的数据交互，提高了天然采光模拟建模效率；CIE全阴天条件下，修正Perez天空模型的模拟值与实测值相关系数为97.4%，决定系数为94.9%，均方根误差为119.8；CIE全晴天条件下，修正Perez天空模型的模拟值与实测值相关系数为95.9%，决定系数为91.9%，均方根误差为110.9，说明天然采光参数化模拟流程和模型能够准确模拟严寒地区办公建筑天然采光性能。

天然采光；参数化模拟；办公建筑；严寒地区

引言

良好的天然采光设计不仅有效降低照明能耗，还能显著提高办公空间光环境品质。天然采光性能模拟是建筑天然采光设计决策制定的重要依据。天然采光性能模拟计算量大，需依托数字技术，应用天然采光模拟软件来计算室内天然采光性能[1-4]。然而，既有建筑天然采光性能模拟过程不仅建模复杂，且模拟模型中各项参数无法自适应协同。若建筑设计方案修改则需重复建模，大幅降低了建筑天然采光性能模拟效率，制约了天然采光模拟技术对建筑天然采光设计决策过程的支持作用。

针对上述问题，国内外学者立足数字技术展开了天然采光参数化模拟研究。2013年，石邢基于 Rhinoceros 和 Grasshopper 平台，通过编写数据交互程序实现了建筑几何模型和Ecotect模拟工具的数据交互[5]。2016年A. Lee结合埃及光气候特征，针对热带居住建筑天然采光性能要求，建构了基于Honeybee的天然采光参数化模拟模型，但研究未对模型计算精度进行实测验证[6]。2016年，Kim结合新加坡地区光气候特征，基于Grasshopper平台建构了高层建筑天然采光性能参数化模拟模型，但案例模型过于理想化，且未提出系统化的参数化模拟流程[7]。2016年，边宇结合广州光气候条件，针对某单元式办公空间天然采光设计问题，基于DIVA探索了天然采光性能参数化模拟策略[8]。上述研究表明：基于参数化模拟平台研发的天然采光性能模拟工具能够大幅简化建模过程，提高天然采光性能模拟效率；同时，不同纬度地区的天空云量等气候条件不同，且不同建筑类型天然采光性能需求也存在差异，故需因地制宜，结合不同建筑类型特征展开天然采光参数化模拟研究；而且，提出的天然采光模拟模型应结合实测数据进行模拟精度验证。

严寒地区气候严酷，冬季日照时长短，良好的天然采光设计对办公建筑意义重大，亟待结合严寒地区光气候特征展开天然采光参数化模拟研究。本文旨在基于严寒地区光气候实测数据，综合参数化编程和建筑信息建模技术，提出适于严寒地区办公建筑天然采光设计问题的天然采光参数化模拟流程和模型，并通过实测与模拟实验数据对比，验证其模拟精度，提高严寒地区办公建筑天然采光模拟效率。

1 研究方法

本文首先提出建筑天然采光参数化模拟流程，进而以严寒地区典型城市哈尔滨某办公空间为例，建立基于Grasshopper参数化编程平台，以Radiance和Daysim为计算引擎，整合DIVA插件模块的建筑天然采光参数化模拟模型。

1.1 提出天然采光参数化模拟流程

天然采光模拟旨在为设计者制定建筑形态、空间设计决策提供天然采光性能数据参考，模拟输入参数包括建筑形态、空间设计参数，建筑室内材料光学属性参数和建筑局地天空亮度参数，输出参数为建筑天然采光性能数据。因此，研究提出的天然采光参数化模拟流程包括建筑形态空间参数建模、建筑材料光学属性输入、局地天空亮度参数集成和天然采光模拟数据交互四项内容，其工作流程如图1所示。

图1 天然采光参数化模拟流程Fig.1 The workflow of parametric daylighting simulation

设计者首先展开建筑形态空间参数建模，并建立建筑形态空间参数间的关联关系，从而使形态空间参数在关联参量调整时自适应地更新自身参数。例如，设计者调整建筑窗墙比参数和开间进深参数时，建筑外窗尺寸会根据窗墙比参数和开间进深参数的调整，自适应地更新窗宽和窗高，从而大幅提高建筑天然采光模拟建模实验效率。

随后，设计者基于对室内建筑材料反射率、透射率等光学属性参数的实测，建立严寒地区办公建筑室内常用材料光学属性数据组，设计者可根据需求调用不同材料的光学属性数据，并将其与建筑形态空间参数建立自适应关联，从而避免方案调整导致的重复建模，减少模拟实验耗时。

同时，基于建筑所处局地环境气象站实测数据和Perez天空模型参数需求，输入实测日照直射辐射值和散射辐射值计算天空晴朗指数和天空明亮指数，输入日期时间及地理位置得到太阳天顶角，从而综合计算天空亮度分布。以基于实测数据计算得出的天空亮度分布替换IWEC数据库中的直射和散射辐射值，从而对参数化模拟过程采用的Perez天空进行校正，得到基于局地光气候特征的Perez天空模型，即修正Perez天空模型。

研究将根据天然采光性能模拟所需的建筑形态空间、室内材料光学属性和天空数据类型要求，将严寒地区办公建筑和光气候环境信息传输至Radiance等模拟工具中，并启动模拟工具计算天然采光性能指标；结合天然采光设计决策制定需求，研究将应用参数化模拟模型将Radiance、Daysim等模拟工具计算得出的天然采光性能数据反馈至参数化建模平台，并以分析图形式反馈给设计者，实现参数化建模工具和天然采光仿真模拟工具的数据交互，为建筑天然采光设计提供决策支持。

1.2 研发天然采光参数化模拟模型

建筑天然采光参数化模拟流程需要技术模型支持，研究将基于Grasshopper参数化建模平台，应用参数化编程技术整合Rhinoceros建筑信息建模工具、DIVA插件程序和Radiance、Daysim建筑性能模拟工具，研发严寒地区办公建筑天然采光参数化模拟模型。

天然采光参数化模拟模型以Rhinoceros为建筑信息建模工具，其具备标准形态与非标准形态空间建模能力，可有效提高模型应用范围。研究应用建筑信息建模技术在Grasshopper平台中建立建筑形态空间参数模块，且实现各建筑形态空间信息自适应关联。研发的天然采光参数化模拟模型以Radiance和Daysim为天然采光计算引擎。既有研究结合不同光气候环境验证了Radiance和Daysim的模拟计算精度[9-11]，说明其能在多种天空条件下准确预测建筑天然采光性能。Daysim虽为动态采光模拟软件，但其不具备建模能力，更无法实现天然采光模拟模型各层级信息的参数化关联，在模拟实验过程中易因交互误差影响模拟结果且模拟效率较低，更重要的是Daysim模拟结果只能以网页形式展现，无法生成可视化图像且无法将采光计算结果自动反馈至参数化模型，对设计决策支持力度不足。因此，研究基于Python编程语言，结合DIVA插件程序[12]，在Grasshopper平台中编写性能模拟工具与建筑建模工具之间的数据交互模块，实现天然采光模拟工具与参数化建模工具之间的自动数据交互。同时，研究基于建筑形态空间参数模块，结合对建筑材料反射率等光学属性参数的实测，应用参数化编程技术在Grasshopper平台中建立建筑材料光学属性模块。

建筑天然采光模拟多选用CIE标准天空模型和Perez天空模型。克里斯托弗·瑞恩哈特(C. Reinhart)基于实验分析指出基于Perez天空模型的天然采光计算精度优于CIE标准天空模型下的天然采光计算精度，由于CIE天空模型对于局地光气候环境的还原真实度不足[14]，而Perez天空模型能综合计算全阴天、晴天等天空条件下的直射光、漫射光对室内天然采光性能的影响[15]，通过各时间点的直射和散射值计算天空亮度分布。严寒地区过渡季节天气多变，其局地光气候具有鲜明地域性，若采用CIE标准天空模型其天然采光性能模拟误差较高。因此，天然采光参数化模拟模型建构了天空亮度参数模块来集成局地天空实测室外散射辐射和直射辐射数据，并基于实测数据修正Perez天空模型，进一步提高模型对局地光气候环境的反映精度。

严寒地区办公建筑天然采光参数化模拟模型(如图2所示)实现了参数化建模和天然采光性能模拟一体化，提高了建筑天然采光性能模拟过程自动化水平，降低了人机交互数据传输误差风险，可显著提高严寒地区办公建筑天然采光性能模拟效率。

2 天然采光实测与模拟实验

为验证严寒地区办公建筑天然采光参数化模拟流程和模型的应用效果，研究选取严寒地区典型城市哈尔滨某办公空间展开天然采光实测与模拟实验，计算办公空间实测照度值与参数化模拟照度值的拟合度和相对误差。

2.1 天然采光实测

研究将实测办公建筑室内照度、局地光气候数据和室内材料光学属性参数。实测空间采光窗口朝向东北向，单侧采光，进深11.5 m，开间6.05 m，局部开间3.6 m，空间净高3.3 m，局部净高4.2 m，室内布置一张木桌和文件柜，桌长3 m，宽1.8 m，高0.8 m(如图3所示)。

图3 实测办公空间Fig.3 Field measurement office space

研究沿外窗底边中点法线，由近窗处到远窗处布置1至9号实测点。测点1距外墙内侧1 m，各测点间距1 m，测试点距地面高度为0.8 m，其布置如图4和图5所示。照度测量工具为Testo-480 照度计(如图6所示)，实验选择过渡季节，测试时间为2016年4月3日至4月16日，周期6天，各测点的照度测量时间为7点至17点，每15分钟采集一轮数据[10]，且每次测试时，各测点分别测量三次，取平均值作为实测照度值。实测过程中室内人工照明装置均处于关闭状态仅天然采光，办公空间不受其他光源干扰。

图4 实测办公空间剖面图Fig.4 Measured office space section

图5 实测办公空间平面图Fig.5 Measured office space plan

图6 Testo-480 照度计Fig.6 Testo-480 luminometer

研究在实测期间同时测量室外天空辐射值以及室内材料光学特性。实测室外天空辐射值的观测地点位于北纬45°45′，东经126°39′的某多层建筑屋顶，测量仪器为PC-4自动气象站(如图7所示)。测试点周边无植被及高大建筑物遮挡，测量满足《采光测量方法》(GB/T 5699—2008)的相关要求。测试时间点为7点至17点，以每小时内所有实测数值的算术平均值为逐时散射辐射和直射辐射数据(如图8所示)。实测期间天空状况包括阴天、晴天和多云多种天气状况。

图7 PC-4自动气象站Fig.7 pc-4 automatic weather station

图8 室外直射和散射辐射实测数据Fig.8 The measured outdoor direct and diffuse radiation data

建筑室内材料光学属性主要包括墙地面、天花板和家具的反射率以及玻璃的透射率。测量方法依据《采光测量方法》(GB/T 5699—2008)，实测建筑墙面与天花板材料相同，研究将分别对各类材料进行三次实测，以三次实测数据的平均值为反射率和透射率数值(如表1所示)。

表1 实测办公空间主要材料参数

2.2 天然采光参数化模拟

研究应用天然采光参数化模拟模型的建筑形态空间参数模块，在Grasshopper平台中建立实验建筑形态空间模型；应用建筑材料光学属性模块输入实测得出的办公空间墙地面、天花板及家具反射率、透射率等光学属性参数，基于实测参数设定模拟模型中的材料光学属性参数(如表2所示)；应用天空亮度参数模块集成由室外气象站实测获得的哈尔滨地区天空光环境分布数据；应用基于DIVA插件程序的模拟数据交互模块，输入建筑天然采光性能模拟计算参数，具体参数设置如表3所示[10]，展开天然采光参数化模拟，并将模拟结果反馈Grasshopper平台进行三维图形分析。

表2 材料参数设置

表3 模拟参数设置

对于实测与模拟数据，研究应用相关系数(r)、决定系数(R2)、相对误差值(Relative Error，RE)、平均误差(Mean Error, ME)和均方根误差值(Root Mean Square Error, rmse)分析模拟值与实测值之间的相关性关系。

3 结果分析与讨论

研究分别基于CIE标准天空模型和修正Perez天空模型，通过模拟和实测值相拟合的实验方法，验证天然采光参数化模拟模型的计算精度。

实测期间天空状况经历晴天、多云及阴天天气，以阴天为主且云量较多；但因实测时期哈尔滨尚属供暖期，空气质量较差，多云天气常伴随轻度污染情况；因此将CIE标准天空模型分为全晴天和全阴天两种情况考虑。

1)全阴天天空条件。对测试数据进行筛选，选择符合CIE全阴天条件的典型数据324组，应用天然采光参数化模拟模型计算各测点的水平照度值，研究将同时刻同测点室内实测照度值与模拟值进行回归拟合(如图9和图10所示)。

图9 CIE全阴天模拟值和实测值拟合图Fig.9 Fitting graph of CIE overcast sky simulated and measured data

图10 修正Perez天空模拟值和实测值散点分布图Fig.10 Fitting graph of Corrected Perez sky simulated and measured data

拟合结果表明CIE全阴天条件下，室内水平照度模拟值和实测值拟合度较高，其相关系数r为86.6%，决定系数R2为75.1%，且在0.01水平显著。模拟值与实测值的平均误差为19.3%，均方误差根为236.8，其相对误差数值波动如图11所示，说明多数测试时间内CIE天空下的天然采光性能模拟值略高于实测值。图中4月16日的模拟值与实测值相对误差明显大于其他实测日期，其原因为4月16日为多云天气，当日实际天空亮度与CIE全阴天模型天空亮度相差更大，导致模拟结果与实测数据相对误差高。

图11 CIE全阴天实测与模拟照度值相对误差图Fig.11 Relative Error graph of CIE overcast sky simulated and measured illuminance

修正Perez天空模型下，室内水平照度模拟值和实测值的回归拟合如图10所示，表明修正Perez天空下照度模拟值和实测值的拟合度较CIE全阴天下的拟合度更高，其Pearson相关系数r为97.4%，决定系数为94.9%，且在0.01水平显著；模拟值与实测值平均误差为0.8%，均方误差根为119.8，其相对误差数值波动如图12所示。由图可知，在修正Perez天空模型下，天然采光性能模拟值与实测值的相对误差明显低于CIE天空模型下的相对误差，说明随着天空模型对于实际天空亮度水平还原真实度的提升，天然采光参数化模拟模型对于严寒地区办公建筑天然采光性能的预测精度也随之提高。

图12 修正Perez天空实测与模拟照度值相对误差图Fig.12 Relative Error graphp of Corrected Perez sky simulated and measured illuminance

2)CIE全晴天条件。对测试数据进行筛选，选择符合CIE全晴天条件的典型数据180组，应用天然采光参数化模拟模型计算各测点的水平照度值，研究将同时刻同测点室内实测照度值与模拟值进行回归拟合(如图13和图14所示)。

图13 CIE全晴天天模拟值和实测值拟合图Fig.13 Fitting graph of CIE clear sky simulated and measured data

图14 修正Perez天空模拟值和实测值散点分布图Fig.14 Fitting graph of Corrected Perez sky simulated and measured data

拟合结果表明CIE全晴天条件下，室内水平照度模拟值和实测值拟合度一般，其相关系数r为77.5%，决定系数R2为59.8%，且在0.01水平显著。模拟值与实测值的平均误差为8.6%，均方误差根为357.6，其相对误差数值波动如图15所示，说明CIE全晴天天空条件下的天然采光性能模拟值与实测值相对误差较大，且多数情况下模拟值略小于实测值。

修正Perez天空模型下，室内水平照度模拟值和实测值的回归拟合如图14所示，表明修正Perez天空下照度模拟值和实测值的拟合度较CIE全晴天下的拟合度更高，其Pearson相关系数r为95.9%，决定系数为91.9%，且在0.01水平显著；模拟值与实测值平均误差为-36.9%，均方误差根为110.9，其相对误差数值波动如图16所示。可知，在修正Perez天空模型下，天然采光性能模拟值低于实测值，且相对误差明显低于CIE全晴天天空模型下的相对误差，说明修正的Perez天空模型较CIE标准天空更接近于实际天空亮度水平，应用修正的Perez天空模型对预测严寒地区办公建筑天然采光性能精度更高。

图15 CIE全晴天实测与模拟照度值相对误差图Fig.15 Relative Error graph of CIE cleart sky simulated and measured illuminance

图16 修正Perez天空实测与模拟值相对误差图Fig.16 Relative Error graphp of Corrected Perez sky simulated and measured illuminance

实验结果与结合寒冷地区光气候数据展开的Radiance模拟精度既有研究结果一致[16]，说明修正Perez天空模型对于严寒地区办公建筑天然采光性能模拟精度影响显著，也验证了研究提出的天然采光参数化模拟流程和模型能够准确分析建筑天然采光性能。

4 结论

研究针对既有天然采光性能模拟建模工序复杂、模拟效率低的局限，提出天然采光参数化模拟流程，基于Grasshopper研发天然采光参数化模拟模型，进而以哈尔滨某办公建筑为例，实测验证了所提出参数化模拟流程和模型的应用效果，结合实验数据得出以下结论：

1)应用严寒地区办公建筑天然采光参数化模拟流程和模型计算得出的模拟值和实测值呈现较高拟合度和较小的误差，说明提出的天然采光参数化模拟流程和模型能够准确模拟严寒地区办公建筑天然采光性能；

2)提出的参数化模拟流程和模型实现了天然采光模拟过程中形态空间信息、材料光学属性信息的自适应关联，避免了重复建模；基于DIVA插件，实现了采光模拟信息向Radiance计算工具的自动输入，降低了人工输入错误风险，并实现了采光模拟结果的自动反馈，增强了天然采光模拟对采光设计决策制定过程的支持力度；

3)相比采用CIE标准模型展开模拟，采用修正Perez天空模型的建筑天然采光参数化模拟值与实测值拟合度更高，而误差更小，说明应用修正Perez天空模型能够提高严寒地区办公建筑天然采光参数化模拟精度。

限于研究周期、实验场地条件以及实验所需的设备，本文仅在过渡季展开了东北向采光工况下的天然采光参数化模拟流程与模型实测验证，对Perez天空模型的太阳辐射值进行了实测修正，后续工作将进一步展开不同建筑朝向和季节下的办公建筑自然采光参数化模拟扩展研究，结合严寒地区不同地区温度、湿度和气压实测数据深入修正Perez天空模型。

[1] REINHART C, FITZ A. Findings from a survey on the current use of daylight simulations in building design[J]. Energy and Buildings, 2006, 38(7): 824-835.

[2] 陆明, 杜江涛. 寒地城市住区天然光获得量数值分析:静态模型[J]. 照明工程学报, 2016，27(6):48-52.

[3] 易斌, 袁韬, 杨静,等. 基于Relux的自然采光与照明节能仿真[J]. 照明工程学报, 2016，27(6): 21-27.

[4] MANGKUTO R A, ROHMAH M, ASRI A D. Design optimisation for window size, orientation, and wall reflectance with regard to various daylight metrics and lighting energy demand: A case study of buildings in the tropics[J]. Applied Energy, 2016, 164: 211-219.

[5] SHI X, YANG W. Performance-driven architectural design and optimization technique from a perspective of architects[J]. Automation in Construction, 2013, 32(4):125-135.

[6] LEE A, ALHADIDI S, HAEUSLER M H. Developing a Workflow For Daylight Simulation Daylight requirements simulation in early design stages to address the Green Star ratings within local regulations[C]// The Association for Computer-Aided Architectural Design Research in Asia. 2016: 363-372.

[7] KIM, HYEONGILL. Study on Integrated Workflow for Designing Sustainable Tall Building-With Parametric method using Rhino Grasshopper and DIVA for Daylight Optimization[J]. Korea Institute of Ecological Architecture and Environment, 2016, 16(5): 21-28.

[8] 边宇, 马源, 方小山. 基于参数化模型的建筑采光设计方法[J]. 照明工程学报, 2016, 27(1): 56-59.

[9] MARDALJEVIC J. Validation of a lighting simulation program under real sky conditions[J]. Lighting research and Technology, 1995, 27(4): 181-188.

[10] MARDALJEVIC J. Simulation of annual daylighting profiles for internal illuminance[J]. Lighting Research and Technology, 2000, 32(3): 111-118.

[11] 刘昆明. 全年动态模拟软件 DAYSIM 在天然采光设计中的适用性研究[D]. 南京:南京大学, 2011.

[12] REINHART C, LAGIOS K., NIEMASZ J. 2011. DIVA for Rhino Version 2.0. http://www.diva-for-rhino.com/.

[13] REINHART C, HERKEL S, The simulation of annual daylight illuminance distributions—A state of the art comparison of six RADIANCE-based methods, Energy & Buildings, 2000, 32 (2): 167-187.

[14] LI D, LAU C, LAM J C. Predicting daylight illuminance by computer simulation techniques[J]. Lighting Research & Technology, 2004, 36(2): 113-129.

[15] 王洪珍. 基于地域性光气候的建筑采光模拟研究[D]. 天津:天津大学, 2012.

Study on Parametric Daylighting Simulation Method for Office Building in Severe Cold Region

HAN Yunsong, WANG Zhao, DONG Qi

(SchoolofArchitecture,HarbinInstituteofTechnology，HeilongjiangColdRegionArchitecturalScienceKeyLaboratory，Harbin150001,China)

TThe aim of this paper is to propose a parametric daylighting simulation workflow and model to improve the accuracy and efficiency of daylighting simulation for office building in severe cold region, which were applied to simulate daylighting performance for an office building. The regression fitting and error analysis over the simulated and measured values were used to validate the application effects of this simulation workflow and model. The results showed that the parametric daylighting simulation method realized the adaptive connection between geometry and material information, and data interaction between modeling tools and simulation tools, which improved the modeling efficiency of daylighting simulation. Besides, under the CIE overcast sky, the correlation coefficient between simulated and measured data is 97.4%, the determination coefficient is 94.9%, and the root mean square error is 119.8 with the corrected Perez sky.Under the CIE clear sky, the correlation coefficient between simulated and measured data is 95.9%, the determination coefficient is 91.9%, and the root mean square error is 110.9 with the corrected Perez sky which demonstrates that the parametric simulation workflow and model can be used to simulate daylighting performance accurately.

daylighting; parametric simulation; office building; severe cold region

国家自然科学基金面上项目(51578172)资助。

TM923

A

10.3969/j.issn.1004-440X.2017.04.008