哈尔滨城市街区形态影响建筑能耗的尺度识别和机制探析*

陈 曦 冷 红 马彦红

(1.大连理工大学建筑与艺术学院, 大连 116024; 2.哈尔滨工业大学建筑学院, 哈尔滨 150001; 3.寒地城乡人居环境科学与技术工业和信息化部重点实验室, 哈尔滨 150001)

“2030碳中和与2060碳达峰”的国家重大战略目标,已将我国的低碳事业推向了新高度。从地理空间来看,城市作为人类生产与生活的重要空间载体,其碳排放量占我国总排放量的70%以上,[1]是实现我国节能减排的关键地理单元。从用能部门来看,2019年中国建筑运行用能已占全社会总能源消费比重的23%,[2]且这一数字对处于快速经济发展和城镇化时期的我国来说将持续上涨,建筑碳排上行的压力不断加大。因此,无论当下还是未来,城市范畴下的建筑节能和低碳发展都将是我国实现“双碳目标”的主要阵地。

中国严寒地区面积广阔,约占国土面积的1/3。为克服冬季寒冷、冰雪和冷风的侵袭,严寒地区城市每年需经历长达半年的采暖期,需要为采暖消费大量的能源,相应的建筑能耗总量也更高。根据清华大学建筑节能研究中心的研究数据:在北方采暖城镇中,内蒙古、黑龙江、吉林3个严寒地区省份的城镇建筑采暖能耗强度是河南、山东的近2倍,其城镇民用建筑综合能耗强度也为全国最高。[3]因此,如何克服严寒气候挑战、实现城市建筑能耗的高效利用已迫在眉睫,对促进我国建筑节能事业发展亦意义重大。

城市建筑能耗问题可在街区形态建设中探寻解决方案。诸多研究已经证明,通过调节城市形态,尤其是街区尺度下的城市形态,可降低高达10%～30%的建筑能耗。[4-5]不同的建筑密度、道路高宽比、绿地率等街区形态因素可对建筑能耗产生不同影响。[6-8]例如,一项在温带海洋性气候城市哥本哈根的研究发现,建筑密度可通过影响建筑的自然采光和被动式太阳能增益,而进一步影响建筑的照明、制冷和采暖用能;[4]以希腊城市塞萨洛尼基(地中海气候)为背景的一项研究证明,建筑总能耗与街区建筑密度和容积率呈显著负相关;[9]新加坡(热带雨林气候)的相关研究表明,建筑密度、建筑高度和绿化率的调节可以导致0.9～1.2 ℃的气温变化,从而减少5%～10%的建筑制冷能耗;[10]在我国上海夏热冬冷气候条件下的一项研究亦揭示了街区建筑密度和容积率等形态要素对建筑能耗具有显著影响。[11]

然而,现有街区形态对建筑能耗影响的研究多以炎热气候[12]或温和气候[13-14]为背景,对严寒气候的关注有限;且不同气候条件下,街区形态对建筑能耗的影响不同;[15]所以其研究结论也无法适用于严寒地区。如何立足严寒气候背景,探寻城市街区形态和建筑能耗的量化关系,并提出建筑节能的规划对策,已成为我国严寒地区节能城市建设需要迫切解决的问题。

哈尔滨市位于我国严寒地区的B区,冬季长达5个月,供暖期长达180天,是严寒地区最具代表性的城市之一。研究以哈尔滨为例,选取187栋居住建筑为研究样本,采用建筑能耗模拟与统计分析相结合的方法,识别了严寒地区城市街区形态影响建筑能耗的尺度范围,剖析了城市街区形态对建筑能耗的影响机制,并据此探讨了研究结论在建筑节能导向的街区形态规划中的应用,旨在为严寒地区节能城市建设提供理论依据。

1 相关概念与数据处理

1.1 相关概念及范畴界定

1.1.1城市街区形态

城市形态[16]是由城市建筑及其围合而成的开放空间共同构成的物质空间形态,能够对建筑能耗产生直接影响。以此概念为依据,定义城市街区形态为由建筑、街道、开放空间、植物等基本空间元素组成的街区尺度的物质空间形态。

城市街区形态主要通过建筑群体形态、街道形态及绿化形态对建筑能耗产生影响,[9-10]因此基于这3类要素,开展严寒地区街区形态对建筑能耗的影响研究。进一步基于相关研究[17-19],以规划实践中的可应用性为原则,明确了表征上述3类要素的具体形态指标及其计算式(表1)。

表1 城市街区形态指标的定义和计算式Table 1 Definitions and calculation formula for indexes of urban block morphology

1.1.2建筑能耗

建筑能耗[20]是指建筑使用过程中由外部输入的能源,包括维持建筑环境的用能和各类建筑内活动的用能。其中,建筑内的活动用能(家电和生活热水等)是满足日常生活所必需的能耗,受街区形态影响较小;而维持建筑内部环境的用能(采暖、制冷等),受到建筑形体及外部微气候的影响,与街区形态紧密相关。同时,由于哈尔滨冬季严寒、夏季凉爽,其采暖度日数高达5 032 ℃·d,而制冷度日数仅为14 ℃·d,[21]因而建筑采暖用能远大于制冷用能,是维持建筑内部环境用能的最主要构成,也是街区形态最主要影响的能耗类型。综上,将采暖能耗作为建筑能耗的研究范畴,并选取城市建筑中占比最高且易于获取能耗数据的居住建筑为研究的建筑类型。

1.2 数据来源

街区形态数据方面,建筑群体形态和街道形态的基础数据获取自2017年的哈尔滨市高德地图,通过将高德地图中的建筑底层轮廓、道路轮廓和建筑层数等矢量图形信息导入ArcGIS10.0软件,并进行图形修正,建立起哈尔滨市的数字高程模型(DEM)。绿化形态数据来源于2017年7月7日成像的Landsat 8卫星影像,并经由ArcGIS中的非监督分类对卫星地图中的绿地进行了识别。

建筑能耗数据获取自哈尔滨市政府部门及供热公司,为2017年10月20日—2018年4月20日的整个供暖季的230余栋居住建筑采暖能耗统计数据。为科学对比不同规模建筑的用能效果,使用建筑能耗密度(单位建筑面积的年能耗量,单位为kW·h/(m2·a))对采集到的各栋建筑能耗值进行统一计量。

1.3 研究样本选取

研究依据街区形态的多样性和建筑物理特征相近性原则对研究样本进行选取。首先,基于哈尔滨市数字高程模型(DEM),根据表1中的街区形态指标的计算公式,使用ArcGIS软件的计算几何等工具,计算得到研究区域内各街区的形态指标空间分布情况(图1),并据此,从初始数据库中筛选具有不同街区形态的建筑样本。其次,考虑到建筑形体和外围护结构等特征差异会降低后续分析结果的准确性,研究所选择的建筑样本均为板式建筑;同时,以国家不同阶段民用建筑节能标准[21-23]的施行时间作为分类标准,对建筑样本进行分类,以保证各时间段内建筑样本具有相近的围护结构热工性能。最终,在剔除能耗值异常样本的基础上,分别筛选出1986—1995年、1996—2007年以及2008年至今3个阶段的建筑样本116栋、58栋和13栋。建筑样本的分布如图2所示。

a—建筑密度;b—容积率;c—建筑高度;d—道路高宽比;e—道路密度;f—绿地率。图1 研究区域内街区形态指标的空间分布Fig.1 Spatial distribution for indexes of block morphology

图2 哈尔滨市数字高程模型及建筑样本分布Fig.2 DEM and building sample distribution of Harbin

1.4 建筑能耗数据处理

根据统计分析要求,在进行建筑能耗与街区形态的回归关系分析时,如果将建筑的实测能耗(MEC)作为因变量,则自变量应尽可能包含影响建筑实测能耗的所有因素(体形系数、窗墙比和外维护结构传热系数等建筑物理因素,以及建筑密度、容积率、绿地率等周围环境因素),因而这种情况对研究所需的样本数量要求较高。但研究所获取的建筑能耗数据量有限,不足以支撑以实测能耗作为因变量的统计分析。基于此,研究根据前人理论[24],将建筑的实测能耗拆分为理论能耗(TEC)和外部影响能耗(EIEC)两部分——前者受建筑的物理特性主导,更接近能耗软件模拟值;后者受周围空间环境的影响。在此基础上,通过模拟得到各样本建筑的理论能耗值,并经由式(1)计算得到各样本建筑的外部影响能耗值:

EEIEC=EM-ETEC

(1)

式中:EEIEC为建筑的外部影响能耗密度;EM为建筑的实测能耗密度;ETEC为建筑的理论能耗密度。

进而,将EEIEC作为因变量,将街区形态指标作为自变量,展开统计分析,以在有限的样本量条件下提高分析结果的准确性和合理性。

综上,EEIEC的计算过程如图3所示。其中,各建筑的理论能耗采用建筑能耗模拟软件EnergyPlus的可视化用户界面OpenStudio(2.5.0版本)[25]进行模拟。各建筑样本的3D模型采用SketchUp软件进行构建;维护结构参数根据其相应建设年代的建筑节能标准[21-23]进行设置(表2);采暖期的室外气象参数为2017年10月20日—2018年4月20日的哈尔滨市逐时历史天气数据,获取自环境云网站[26];室内环境控制参数和设备使用情况分别根据国家标准[27-28]中的主要设计参数要求进行设定(表3)。此外,为验证建筑能耗模拟结果的准确性,分别选取位于城市周边的受空间环境影响较小的各年代建筑两栋,比较其能耗实测值与模拟值,发现两者间的差异均低于10%,表明模拟结果具有可靠性。[29]最终,计算所得各样本建筑的外部能耗数值分布情况如图4所示。

图3 建筑外部影响能耗计算流程Fig.3 Calculation processes of EEIEC

图4 建筑外部影响能耗计算结果分布Fig.4 Numerical distribution of EEIEC

表2 不同年代建筑的3D建筑模型及其维护结构参数设置Table 2 3D models of buildings in different ages and settings for their construction parameters

表3 OpenStudio中的室内环境控制参数和设备使用情况设置Table 3 Settings for indoor environmental control parameters and usage of facilities in OpenStudio

2 影响建筑能耗的街区形态尺度识别

不同空间尺度的街区形态对建筑能耗的影响程度不同;不同气候和城市形态条件下,影响建筑能耗的街区形态尺度亦存在一定差异,且目前未曾有严寒气候下的相关研究可提供借鉴。因此,有必要针对我国严寒地区的气候和街区形态特征,分析何种尺度的街区形态对建筑能耗影响最为强烈,以作为后续研究中街区形态指标的计算尺度。同时,这也有益于在更为合理的尺度上提出有效的以建筑节能为导向的街区形态设计策略。

2.1 街区形态的计算尺度划分

合理划分街区形态的计算尺度是识别影响建筑能耗的街区形态尺度的基础。首先,为保证各样本建筑所对应街区形态的可比性,街区形态指标以样本建筑平面几何中心为圆心的圆形区域进行计算。在此基础上,依据其他气候区域研究中常用的街区形态尺度(50～200 m)[12,18,30],研究将圆形区域的半径划分为200,150,100,50 m 4个尺度(图5),并对各尺度下的建筑密度、容积率、建筑高度、周边建筑外墙总表面积、道路网密度、道路高宽比和绿地率7个街区形态指标进行计算。

a—样本建筑周边建筑布局;b—样本建筑周边绿地布局。图5 样本建筑周边街区形态的计算尺度 mFig.5 Calculation scales of block morphology around sample buildings

2.2 影响建筑能耗的街区形态尺度分析

选用基于全部进入法的多元线性回归方法分析不同尺度下的街区形态与建筑能耗的相关性强度,并据此判断对建筑能耗影响最为强烈的街区形态尺度。全部进入法的多元线性回归分析是最常见的回归方法,通过忽略因变量之间的共线性、将因变量全部强制进入回归结果,来反映全部自变量对因变量的影响,其回归结果中的决定系数R2值可反映自变量整体对因变量的影响程度。通过SPSS Statistics 22.0(简称SPSS)软件分别对200,150,100,50 m半径尺度下的街区形态指标和建筑外部影响能耗(EEIEC)进行多元线性回归分析,结果如表4所示。

表4 不同尺度街区形态指标与建筑能耗的进入法回归结果Table 4 Enter regression results of block morphology indexes and building energy consumption in different scales

R2值越大,表示该尺度下街区形态指标(自变量)对建筑能耗(因变量)的解释度越强,对建筑能耗的影响也越大。由表4可知各街区形态尺度下回归模型R2值由大到小依次为:0.522(r=100 m)、0.492(r=150 m)、0.449(r=50 m)、0.448(r=200 m)。这表明:在严寒地区,以样本建筑平面的几何中心为圆心、100 m长为半径的街区范围对建筑能耗影响最大。在该尺度下得到的街区形态与建筑能耗间的量化关系亦更为准确,因而研究采用该街区形态计算尺度展开后续影响机制分析。此外,以100 m为半径的圆形区域研究尺度恰与哈尔滨市的常见街区尺度(街区规模为15 000～60 000 m2、街区长度为80～300 m)相契合,可将其作为指导建筑节能导向街区形态规划的有效尺度。

3 街区形态对建筑能耗的影响机制探析

3.1 影响建筑能耗的街区形态指标判别

首先,绘制样本建筑周边100 m半径圆形区域内的街区形态指标数值分布直方图(图6)。可知:7项街区形态指标均符合正态分布特征,能够保证后续建筑能耗与街区形态相关性分析具有统计学意义;同时,各项街区形态指标具有较广泛的数值分布范围,表明样本建筑所在街区形态多样,可保障研究结果具有较强的普适性。

a—建筑密度; b—容积率; c—建筑高度; d—周边建筑外墙总表面积; e—道路高宽比; f—道路密度; g—绿地率。图6 样本建筑周边街区形态指标分布直方Fig.6 Histograms for distribution of morphological indexes of urban blocks around sample buildings

在此基础上,利用数据分析软件SPSS中的Pearson相关分析,对样本建筑的外部影响能耗值(EEIEC)及其周边的街区形态指标进行相关性分析(表5),以衡量各街区形态指标与EEIEC之间以及各街区形态指标之间的相关性强度,进而识别出对建筑能耗影响显著的街区形态指标。

表5 街区形态指标和建筑能耗间的相关性分析结果Table 5 Correlation analysis results between morphological indexes of urban blocks and building energy consumption

结果表明:βFAR、γBH、ξRHR和λWSA与EEIEC显著负相关,表明这4项街区形态指标的升高均能够降低建筑能耗;αBSC和δGSR与EEIEC呈显著正相关,表明两者的增加能够导致建筑能耗增加;而ζRND与EEIEC不相关。具体而言,ξRHR与EEIEC的相关性系数绝对值|R|为0.728,大于0.7,表明两者关系非常紧密;δGSR、αBSC、λWSA、βFAR与EEIEC的|R|在0.4～0.7之间,说明这4项指标与EEIEC关系紧密;而γBH同EEIEC的|R|值为0.388,介于0.2～0.4。表明两者间的关系一般紧密。综上,研究识别αBSC、κFAR、γBH、ξRHR、δGSR、λWSA为影响建筑能耗的街区形态指标。

此外,部分街区形态指标间亦具有一定相关性——αBSC与κFAR、λWSA、ξRHR,κFAR与γBH、λWSA、ξRHR,λWSA与γBH、ξRHR显著正相关,δGSR与αBSC、κFAR、ξRHR显著负相关。其中,κFAR与γBH的相关性系数大于0.7,表明两者间具有共线性,在回归分析中须删除其中一项变量。

3.2 街区形态对建筑能耗的影响程度解析

3.2.1街区形态与建筑能耗的回归关系分析

研究通过多元线性回归分析对各街区形态指标的建筑能耗影响程度进行量化。根据相关性分析结果,在剔除与建筑外部影响能耗(EEIEC)不显著相关的变量道路密度指标ζRND后,将其余街区形态指标保留为自变量,EEIEC作为因变量进行多元线性回归分析。由于各街区形态要素的量级差异较大,若直接代入回归分析,所得回归式中的各指标前系数量级会存在较大差异,不利于分析比较,因而研究将部分指标的单位进行了量级处理,其中建筑密度指标αBSC和绿地率指标δGSR的单位为%,建筑外墙总表面积指标λWSA的单位为103m2。为了消除共线性变量的影响,在SPSS软件中选择向后回归作为回归方法,最终得到回归方程如式(2):

EEIEC=0.30αBSC-20.63κFAR+0.68δGSR-

16.75ξRHR-0.98λWSA+69.57

(2)

方程相关参数结果如表6所示。其中,多重相关系数R的值为0.818,R2为0.669,表明该方程拟合度较好,建筑外部影响能耗(EEIEC)与街区形态变量呈较好的线性相关关系;显著性值(S)为0.000,说明所建立的模型具有较高的统计学意义和可靠性。

表6 街区形态指标与建筑能耗的向后回归结果Table 6 Backward regression results of block morphology indexes and building energy consumption

3.2.2街区形态与建筑能耗的回归结果分析

总体而言,回归方程的R2值为0.669,表明建筑外部影响能耗值EEIEC的66.9%可由回归方程解释,因而严寒地区建筑周边街区形态对建筑能耗有较为显著的影响。此外,比较回归式中出现的5个街区形态指标对应的标准化系数绝对值(|β|)可知,各指标对严寒地区建筑能耗的影响程度大小依次为“|βWSA|=0.558>|β′FAR|=0.529>|βRHR|=0.135>|βGSR|=0.120>|βBSC|=0.057。

进一步根据回归方程系数,从建筑群体形态、街道形态和绿化形态3方面对回归结果进行解析,可知:

1)建筑群体形态。

建筑密度指标αBSC相对于EEIEC的系数为0.30,表明αBSC每增加1%,EEIEC将增加0.3 kW·h/(m2·a),即相应的建筑实际能耗将增加0.3 kW·h/(m2·a),为建筑样本平均实测能耗值Ea(168.8 kW·h/(m2·a))的0.18%。这主要是由于αBSC越高,建筑间的间距越近,对日照的遮挡作用越强,不利于建筑获取太阳辐射热,从而增加了建筑的采暖能耗。但其系数绝对值较小,因而对建筑能耗的影响程度亦相对较低。

建筑平均高度(γBH)由于与其他变量具有共线性,没有出现在方程中,无法获得其与建筑能耗的定量关系。但根据相关性分析结果,γBH增加会使建筑能耗降低的影响关系依然是肯定的。

容积率指标κFAR前的系数为-20.63,表明κFAR每增加1,EEIEC将减少20.63 kW·h/(m2·a),即相应的建筑实际能耗将降低20.63 kW·h/(m2·a),高达Ea(168.8 kW·h/ (m2·a))的12.22%。从能量流动和微气候视角对该影响机制进行解析,可知高容积率街区(通常位于城市中心区域)与低容积率街区(通常位于城市周边区域)相比,不利于热散失,其冬季的空气温度更高、风速更低,使得建筑向环境中散热更少,建筑采暖能耗更低。

周边建筑外墙总表面积指标(λWSA)每增加1 000 m2,EEIEC将减少0.98 kW·h/(m2·a),为Ea的0.58%。λWSA越高,意味着周边建筑与空气接触面积越大、向环境中散热越多,室外温度越高,因此建筑所需采暖能耗更少。

2)街道形态。

道路高宽比指标(ξRHR)前的系数为负值,表明ξRHR增加可降低建筑能耗。ξRHR增加1,则EEIEC将减少16.75 kW·h/(m2·a),相应的建筑实际能耗将降低16.75 kW·h/(m2·a),为Ea的9.92%。该影响规律可归因于ξRHR对街区温度和风速的影响:一方面,ξRHR的升高可以增加建筑间辐射热的反射次数,利于街区热量的留存,减缓了建筑的热损失;另一方面,ξRHR的增加适当降低了廊道风速,有利于降低建筑与室外空气的对流热交换速率,从而促进了建筑采暖节能。

3)绿化形态。

绿地率指标(δGSR)与建筑能耗呈正相关,但因其方程中的系数绝对值较小,对建筑能耗的影响亦相对较小:δGSR提高1%,EEIEC将增加0.68 kW·h/(m2·a),仅为Ea的0.40%。δGSR对建筑能耗的影响体现在两个方面:一是就室外风环境而言,哈尔滨市的景观树种以落叶乔、灌木为主,冬季树叶凋零,绿化对建筑的防风作用被大大减弱;二是就室外温度而言,土壤与硬质地面相比对太阳辐射的反射率更低,表面温度也更低,因而在对流换热与辐射等共同作用下,绿地率越高的街区,空气温度也越低,从而导致了更高的建筑能耗。

4 规划应用

上述研究结果证实了严寒地区街区形态与建筑能耗之间存在密切关系,表明街区形态规划能够作为严寒地区建筑节能减排的有效途径。

4.1 建筑节能导向的街区形态设计

根据街区形态对建筑能耗影响的研究结果,可面向具体的街区形态要素,以建筑节能为导向,提出严寒地区街区形态的设计策略。

1)街区整体形态层面。由于各指标对严寒地区建筑能耗影响程度由大至小依次为λWSA>κFAR>ξRHR>δGSR”,考虑到周边建筑外墙总表面积并非规划设计中的常用控制指标,因而建筑节能的街区形态设计应以“容积率为主、道路高宽比和绿地率为辅、兼顾建筑密度”为原则对相关指标进行整体调控。

2)街区形态要素层面。a.建筑群体形态设计方面,由于建筑能耗与建筑密度正相关、与容积率和建筑平均高度负相关,所以应在保证街区建筑密度满足建筑日照要求的前提下,适当增加城市街区的容积率和建筑平均高度,以提高街区温度、降低风速,从而降低建筑能耗。b.街道形态设计方面,道路密度对严寒地区建筑能耗的影响较小,不是调节建筑能耗的有效指标,但适当增加道路高宽比可有效降低建筑热损失,促进建筑节能。c.绿化形态方面,绿地率,尤其是落叶乔、灌木的增加不利于建筑节能,应通过调节常绿植物和落叶植物的种植比例、引导不同类型植物的种植位置,有目的地控制街区中的微气候环境,从而在一定程度上降低建筑能耗。

4.2 街区形态的建筑节能适宜性评估

研究所得街区形态指标与建筑能耗的回归关系模型可应用于“严寒地区街区形态的建筑节能适宜性评估”。由于街区形态要素之间互相关联,且不同街区形态要素对建筑能耗的影响规律不同,因而在调节一种形态要素向建筑节能更优的情况转变时,可能会引起另一种要素向不利于建筑节能的情况改变。因此,有必要对街区形态的建筑节能适宜性进行评估,以分析各形态要素整合后对建筑节能产生的综合效果。

街区形态的建筑节能适宜性评估工作程序如图7所示。在明确街区建筑节能目标的基础上,使用本研究所得回归关系模型,在规划各阶段对街区形态现状和不同设计方案下的建筑能耗进行测算,评估其达成建筑节能目标的能力,以辅助规划方案的设计和优化调整。

图7 街区形态的建筑节能适宜性评估工作程序Fig.7 Procedures for eveluating building energy-saving suitability of block morphology

1)在规划前期的现状分析工作中,测算现状街区的建筑节能适宜性程度及其空间分布,分析低建筑节能适宜性街区的现状问题,进而在规划方案编制过程中提出针对性的改进策略。

2)在规划方案的编制过程中,通过预测不同街区规划方案的建筑能耗情况,评估其建筑节能适宜性,以判断方案对规划目标的达成情况,并从中筛选最优方案。

3)在规划方案的定稿过程中,遵循“评估—方案调整—再评估—最终方案”的程序,优化调整最优方案中的街区形态要素,进一步提高方案的建筑节能效益,最终得到建筑节能效果最佳的街区形态方案。

5 结束语

面向我国城乡建设领域碳达峰需求,以严寒地区建筑能耗为研究对象,从城市规划的学科视角出发,证实严寒地区街区形态与建筑能耗间的因果关联,并据此从街区形态设计及其建筑节能适宜性评估两方面提出建筑节能的解决方案,能够为严寒地区建筑节能导向的城市规划提供一定的理论依据和方法指引。此外,受建筑能耗统计数据来源及工作量限制,仅针对严寒地区代表性城市哈尔滨进行了实证研究。由于严寒地区不同城市的气候与建成环境或多或少存在一定差异,研究结论直接套用于严寒地区其他城市定然会存在准确性的偏差,未来有待基于不同严寒地区城市街区形态及建筑能耗数据对上述结果进行修正。