巴斯克大学 EHU 的研究团队正探索如何在区域或社区尺度上实现年净能耗接近零。借助机器学习技术，Milagros Álvarez 博士在估算能源需求以及评估降低社区热能消耗的改造方案方面，显著提升了精度。

城市建筑约占全球总能耗的 30%。在欧盟，超过 64% 的能源消耗与供暖相关。然而，欧盟委员会指出，约 75% 的欧洲建筑在能源效率方面表现不佳。因此，将“近零能耗建筑”的理念从单体建筑扩展到整个街区或社区，已成为推动改造进程、减少温室气体排放并提升整体能源效率的重要趋势。

在这一背景下，研究员 Milagros Álvarez-Sanz 提出了一个用于城市尺度建筑供暖需求绘制的新模型。她表示：“我们提出的是一种简化模型，可用于初步估算供暖需求（精细到单栋建筑），并对多种可实施的改造策略进行对比，以评估其降低供暖需求的潜力。”

Álvarez 博士强调，在可持续发展和全球能源危机的压力下，“提升建筑能源效率至关重要，而在社区层面实现这一目标，是当前城市面临的紧迫任务之一”。

本项研究由 EHU 的 ENEDI 团队完成，该团队长期专注于建筑节能与能源效率研究。研究员 Jon Terés-Zubiaga 补充指出：“要制定市政层面的能源策略，首先需要快速而准确地掌握建筑的能源需求状况。当前，越来越多的研究和能源转型政策正从单栋建筑分析转向社区尺度研究，因为这种视角更有利于系统性地减少排放。”他本人也参与了多个关于城市和省级能源脆弱性与能源规划的项目。

此次开发的工具具有快速、准确且易于上手的特点，面向能源规划、建筑设计和城市管理等领域的专业人士，帮助他们在面对复杂挑战时对不同方案进行量化评估。相关成果已发表在期刊《Energy Conversion and Management: X》上。

研究团队介绍，该模型在分析社区现状后，可以从能源和经济两个维度，评估不同技术路径对部分建筑或整个社区的影响，例如被动式节能改造、通过安装太阳能板调整能源供应系统，或更换锅炉等措施。

机器学习与开放数据的结合

ENEDI 团队利用机器学习方法，为建筑或区域构建“能源质量”指标体系。“模型可以根据建筑特征确定基准温度，并将其转化为能源性能指标；这一参数可以通过公开可获得的变量或数据来推导。”

Álvarez 和 Terés 特别强调开放数据集的重要性。这类数据在城市能源研究和规划中的应用日益增多，“它们为分析建筑和社区提供了关键信息，获取门槛低，无需进行复杂的数据采集，就能为模型提供可靠输入”。

该研究的一项核心贡献，是证明在不依赖复杂仿真计算的前提下，简化模型也能在大尺度上给出足够精确的供暖需求估算。

Álvarez 表示，通过引入机器学习技术，“我们提高了能源需求估算的精度，并能够更高效地评估社区层面的能源改造策略。即便在缺乏详细建筑数据的情况下，该模型也能为能源改造提供有依据且可扩展的决策支持。”此外，由于模型结构相对简化，这一工具还可以作为模块嵌入更大尺度的综合模型中，用于城市层面的能源评估。

为展示模型的实际应用价值，团队在毕尔巴鄂的 Otxarkoaga 和 Txurdinaga 两个社区开展了区域尺度研究。他们评估了多种能源改造策略，并从能源和经济指标两方面进行对比分析，从而优先锁定能源效率最低的建筑，作为重点干预对象。

研究人员同时指出，目前提出的模型主要针对南欧气候条件进行构建和验证。“下一步的目标，是通过扩展评估场景和气候范围，提升模型在不同地区的通用性和适用性。”