【摘要】
供暖和制冷建筑的能源需求正随全球变暖而变化。基于采暖和制冷度日法的气候驱动能源需求代理，并应用于30个全球气候模型的模拟结果，研究发现，在所有大陆地区，从1950年至1990年期间，由气候驱动的供暖和制冷能源需求趋势较弱，变化不到10%。从1990年至2030年，这一变化趋势增强，变化幅度超过10%。在多模型均值下，制冷需求的上升趋势比供暖需求的下降趋势更为显著。然而，制冷需求的变化在个别模拟中差异很大，在大多数人口密集的中纬度地区，变化范围从几个百分点到数百个百分点不等。本研究展示了由于气候预测的不确定性而导致未来能源需求量化面临的挑战。
【研究背景】
在全球变暖背景下，大多数地区的供暖需求预计会减少，而建筑的制冷需求则会增加。提前预测这些变化可以帮助社区调整建筑和能源系统以适应未来气候。建筑的供暖和制冷能源需求由气候因素、社会经济因素以及技术因素共同驱动。除了这些因素的长期趋势外，气候变异还引起了短期的能源需求和相关的二氧化碳排放变化。在影响能源需求的气候变量中，环境温度尤为重要。日最低和最高温度可以很好地预测能源需求，特别是在干燥地区昼夜温差较大而潮湿地区较小。根据温度变化，人类的热舒适需求和社会经济、技术因素共同影响日常能源需求，这种需求在日均温度约16°C时达到最低水平（对欧洲35个国家而言）。因此，可以将温度趋势与能源需求变化的影响进行综合分析。
“度日数”（Degree-days）是估算建筑供暖和制冷能源需求的传统方法，通过计算每天的平均温度是否低于（供暖度日）或高于（制冷度日）特定基准温度，从而评估人类的热不适感和相应的能源需求。使用气候模型模拟的温度数据，美国和欧洲的研究已对21世纪供暖和制冷需求的变化进行了估算。同时，已有大量文献探讨了气候变化对未来能源需求的影响，以及对社会在能源系统容量、法规、缓解和适应方面的意义。尽管这些研究考虑了社会经济和技术的复杂性，但对气候因素的处理相对简化，例如通常只使用多模型平均气候预测或单一温室气体排放情景。气候预测间的温度变化差异大，因而需要对气候相关的不确定性进行量化，以改进对未来能源需求的估算。
本研究集中分析气候驱动的供暖和制冷能源需求的代理变量，使用度日数计算能源需求，并结合了30个CMIP5气候模型的模拟结果及两种未来温室气体浓度路径。结果表明，制冷需求增加的趋势比供暖需求减少的趋势更明显，但在制冷需求增长最快的地区，模型间预测的趋势差异较大，导致这些地区未来能源需求的估算充满不确定性。
【研究方法】
1、气候驱动的建筑供暖和制冷能源需求的代理指标
过去，表面温度通常以每日为时间步长进行监测，而在气象数据数字化之前，能源需求的估算方法也基于日常温度数据。度日数方法的主要假设是，年累计超过某一温度阈值（称为基准温度，Tbase）的每日平均温度（称之为美国计算方法）或结合每日的最小和最大温度（称之为英国计算方法），是建筑气候驱动的能源需求的良好代理指标。基于四种日类型（寒冷日、主要寒冷日、主要温暖日或温暖日）的英国计算方法更适合分析不同气候区域的能源需求。这是因为它考虑了日温差循环的幅度差异。尽管准确估算建筑的最终能源需求还需要整合其他气候（如云、风、降水、雪）和非气候（如社会经济或技术）变量，但温度仍然是建筑供暖和制冷能源需求的主要气候驱动因素。HDD（加热度日）和CDD（制冷度日）的分析也被纳入了人类对气候变化感知的维度。
在美国计算中，本研究使用18.3°C作为供暖和制冷的单一基准温度（Tbase），即设定一个阈值，并在此阈值上或下设定两个温度条件（表2）。而在英国计算中，使用每日的平均、最低和最高温度（而非仅使用平均温度），供暖的Tbase设定为15.5°C，制冷的Tbase设定为22°C，这样就有两个阈值和四个温度条件（见表1）。
表1 依据英国气象局方法，根据日均温度（Tmean）、最低温度（Tmin）和最高温度（Tmax）计算采暖度日（HDD）和制冷度日（CDD）
表2 依据美国ASHREA方法，基于日均气温（Tmean）计算采暖度日（HDD）和制冷度日（CDD）
在此，本研究使用英国计算方法展示结果。在补充材料中，又采用美国计算方法再次展示结果，并对两种计算方法的趋势进行比较。此外，由于供暖和制冷的基准温度存在多种替代值，因此本文使用15.5°C和22°C进行敏感性测试，同时在英国计算中也使用18.3°C。
2、将该方法应用于CMIP5模拟
与温度变化相关的未来能源需求变化可以利用“度日”法通过全球气候模型（GCMs）估算。现有的30个CMIP5模拟输出数据包括进行度日计算所需的每日平均、最低和最高温度。
历史模拟用于过去数据，而两种代表性浓度路径（RCP4.5和RCP8.5）用于涵盖未来可能的温室气体浓度及其导致的温度变化。本文关注以下三个20年时段。虽然供暖和制冷仅涉及有人居住的陆地区域，但为了更好地理解全球气候模式，本文将所有与岛屿相关的陆地和海洋区域纳入分析。
一般方法论包括以下五个步骤，每个步骤都应用于所有网格单元：
1．使用英国气象局的公式计算每日的供暖度日（HDD）和制冷度日（CDD）（表1）。
2．计算HDD和CDD的年度总和。
3．对于三个20年时段，计算每个模拟的HDD和CDD的年度总和的平均值，采用模型的原始空间分辨率。
4．将所有HDD和CDD的20年均值空间插值至1°×1°网格。使用Python插值工具的立方插值方法，以避免网格单元间的突变。
5．对每个网格单元的20年时段均值进行平均，计算HDD和CDD的多模型平均（MMM）。
为了比较HDD和CDD的空间模式与温度的空间模式，本文使用相同的方法，计算三个时段的年均地表气温，以计算地表气温的MMM，研究CMIP5模拟提出的两种RCP（4.5和8.5）及两个未来时期（i）2021–2040和(ii）2081–2100。此外，为了测试气候驱动能源需求趋势代理的稳健性，列出了以下特定的替代方法：
a.为测试结果是否受到度日计算方法影响，本文比较两种最广泛使用的方法，即用于获得本文结果的英国气象局计算法与美国使用的更简单的计算法。同时，又使用美国供暖、制冷和空调工程师学会公式的HDD和CDD，代替英国气象局公式。
b.为测试空间插值的影响，本文将网格的空间分辨率从1°×1°降低到2°×2°。在补充信息第三部分中，又在2°网格上进行插值。
c.为测试HDD和CDD平均时间跨度的影响，本文将年度HDD和CDD的平均时间跨度从20年增加到30年。
d.为测试某些模型在某些区域与观测值相比出现的系统偏差的影响，本文根据CRU TS 4.0数据集（0.5°分辨率）的观测值修正模型偏差。
e.为测试在每日温度而不是HDD和CDD上应用MMM的影响，本研究从每日温度的MMM计算HDD和CDD。
3、趋势计算
计算HDD和CDD值的绝对差异（即20年平均的年度HDD和CDD总和）时，本文将1981-2000年和1941-1960年的平均值进行比较，称为过去变化；并将2021-2040年与1981-2000年的平均值进行比较，称为未来变化。这一过程适用于每个模型以及多模型平均（MMM）。供暖和制冷的趋势以相对HDD和CDD差异的百分比形式表示，相对于早期时段的变化。为了检验这30个模拟的平均值在两个比较时段内是否显著不同，本文使用Student t检验，在95%的置信区间内假设这30个模拟的值在每个网格单元中呈正态分布。
计算HDD和CDD值的相对差异，需要满足两个条件：根据统计检验，HDD和CDD值的绝对差异必须显著；早期时段的HDD和CDD值的年度平均值必须大于1。
【研究结果】
1、气候驱动能源需求的代理指标
本研究定义了基于英国气象局方法的供暖度日（HDD）和制冷度日（CDD）作为气候驱动的能源需求代理变量，从每日的均值、最小值和最大值温度计算的年度HDD和CDD总和（表1），这些数据来源于30个CMIP5气候模拟（表2），以多模型平均（MMM）形式展示，涵盖了三个20年时间段：1941–1960年、1981–2000年和2021–2040年。MMM供暖和制冷代理变量的空间模式与全球范围内的MMM温度密切相关。在三个研究时间段之间，HDD的减少和CDD的增加与基础温度的上升是一致的。研究结果显示，热量代理在热带地区的陆地区域典型值在0到1500HDD之间，在中纬度地区之间为1500到5000HDD，在极地地区则超过5000HDD。制冷代理在热带地区的值在400到2000CDD之间，而在中纬度地区的值在0到400CDD之间。这些值在变暖的世界中会发生变化。然而，变化的幅度在全球范围内并不均匀。
2、过去和未来的供暖和制冷变化
本研究通过对比1941–1960年和1981–2000年、2021–2040年和1981–2000年间的供暖和制冷代理变量变化，分别定义“过去变化”和“未来变化”。使用来自CMIP5历史模拟的过去数据和RCP8.5路径预测未来结果发现，MMM供暖代理在过去和未来均显著减少，而MMM制冷代理显著增加。在过去，供暖需求的主要变化（小于−200HDD）集中在极地地区，预计未来将覆盖整个北半球。过去制冷代理的增加较小，低于+100CDD，除了在一些（半）干旱的西非地区。相反，预计未来制冷代理的增加在大多数中纬度地区超过+100CDD，在热带的大片地区超过+300CDD，并在亚马逊、萨赫勒部分地区以及阿拉伯半岛超过+400CDD。
供暖和制冷代理变量的变化在过去和未来呈现出相似的空间模式，预计未来显著变化区域的整体扩展（比较图1a、c与图1b、d）。中纬度地区在供暖和制冷代理方面均表现出显著变化。预计未来，供暖代理变化不显著的区域将减少至热带海洋区域，包括热带岛屿，以及亚马逊地区。相反，制冷代理变化不显著的区域预计将减少至北方（40°N以上）和南方（40°S以下）海洋，而在未来，除了格陵兰和南极洲，所有大陆地区都将发生显著变化。
图1. 全球气候驱动的建筑供暖和制冷能源需求变化
3、比较供暖和制冷的趋势
本文通过计算过去和未来的代理变量的相对差异来量化气候驱动的供暖和制冷建筑的能源需求趋势，这导致在变化不显著区域的周围（即图1中的灰色阴影区域）出现重要趋势。
在大陆地区，MMM供暖代理的减少趋势较弱，过去的变化范围为−20%至0%（图2a）。预计这一趋势在未来会在各地显著负向变化，达到至少−5%（图2b）。MMM制冷代理的增长趋势在过去较弱，在大陆地区的变化范围为0%至+20%（图2c）。预计这一趋势在未来会更加明显，预计在各地将超过+10%，在中纬度地区达到至少+20%，而在许多北半球地区则超过+60%（图2d）。在中纬度海洋，预计制冷代理的趋势将超过+100%，这导致在海岸线附近形成强烈的梯度，那里居住着重要部分的人口。
图2. 全球气候驱动的建筑供暖和制冷能源需求趋势
3、模型间变异性带来的不确定性
本研究选择了全球主要人口密集地区，分析了上述MMM结果在三十个模拟中的稳健性。重点关注包含（特大）城市位置的网格单元，以研究过去和未来供暖与制冷代理趋势的模型间变异性。在中纬度城市，模型间对供暖代理减少趋势的估计达成了一致，超过30个模型中有20个同意这一变化的符号，这在过去的小模型间变异性中得到了证明。未来所有模拟中，该趋势均为负值，范围从−60%到0%。在热带城市，尽管负趋势较弱，过去的模型间变异性较大，但未来变异性减小。
在热带城市，制冷代理的增长趋势的模型间变异性在过去和未来都小于中纬度城市。过去，热带城市的制冷代理增长趋势较弱，范围约为−5%至+40%，且没有出现趋势一致性（图3c）。在未来，制冷代理的预测趋势更强（多模型平均值约为+30%），并且模拟之间的变异性也较小，约为+10%至+60%（图3d）。因此，热带地区制冷增长的预测趋势是稳健的。
在中纬度城市，尽管制冷需求普遍较低，但过去的制冷代理增长趋势较弱，平均约为+15%，且模型间变异性较大（图3c），其变化范围从中等负趋势（约−20%）到强正趋势（约+60%）。在未来，制冷代理的增长趋势增强，大多数城市的多模型平均值接近+70%（图3d）。各个模拟之间达成共识，预测增长超过+10%。然而，模型间的变异性较大，在某些城市，制冷代理的趋势可能高达+400%。因此，尽管预测中纬度城市对制冷的需求稳步增加，但定量化的结果存在高度不确定性。
图3. 选定城市中气候驱动的供暖和制冷建筑能源需求趋势的模型间变异性
4、关于未来排放路径的不确定性
人口因素和气候预测的不确定性都导致了未来气候驱动的供暖和制冷需求预测范围的广泛变化。本文研究了两种路径情景：(i)业务照旧（RCP8.5）和(ii)中度减缓（RCP4.5）。为了研究未来温室气体排放的影响，本研究在近未来和世纪末比较这两种情景下供暖和制冷代理的趋势。基于RCP8.5和RCP4.5的温度预测在近未来的差异很小。因此，两个情景下多模型平均值的供暖和制冷代理趋势及模型间变异性相似。随着21世纪的推进，基于RCP8.5和RCP4.5的温度预测出现分歧，这引出了情景相关的供暖和制冷趋势与模型间变异性所带来的不确定性之间的关系。
到世纪末，中纬度城市的供暖代理的预测趋势在两个RCP情景下相似，范围分别为(i)RCP8.5的−20%到−80%和(ii)RCP4.5的−10%到−60%。因此，供暖代理的减少趋势是稳健且可比的。
5、方法论的不确定性
为研究方法选择对供暖和制冷代理模拟趋势的影响，进行了研究方法部分的五项测试，在测试中，MMM在空间模式和趋势幅度方面得到的结果相似。即使在修正了温度模拟偏差的情况下，模型间的变异性也可比。此外，证明了研究结果对度日数计算中的基准温度选择不敏感。用不同基准温度计算的HDD（或CDD）的差异是随时间恒定的，这意味着在比较三个时间段时，趋势是相同的。可得出结论：供暖和制冷代理未来趋势的量化不确定性主要来自于较大的模型间变异性，而不是方法论的细节。
【相关讨论】
本研究在更准确量化未来气候驱动的建筑供暖和制冷能源需求方面迈出了重要一步，考虑了与温度预测相关的不确定性。研究展示了在全球范围内，未来二十年能源需求的趋势是稳健的，因为所有三十个CMIP5模拟均预测供暖趋势下降而制冷趋势上升。然而，这些趋势的不确定性在供暖和制冷之间有所不同，因为供暖的模型间变异性较小，而制冷的变异性较大。
本研究利用一个从累计表面温度中得出的指标来估算气候驱动的能源需求趋势。表面温度是决定该需求的最重要因素，尽管大气湿度也是关键因素。研究方法包含了一定程度的湿度依赖性，使用了日最低和最高气温。然而，未来的能源需求估算中，仍需明确纳入湿度因素的进一步研究。其他气候因素，如降水或风速，对未来终端能源需求的估算也很重要。这些因素与温度变化有物理联系，因此，聚焦于预测的温度，本研究构成了必要的第一步。
个人、城市规划者、政策制定者和公司需要可靠的信息来管理或减轻未来能源需求的变化。建筑的供暖和制冷需求趋势有助于指示哪些地区可能经历较大变化，从而在改善热绝缘和提高供暖/制冷系统的效率方面获益。例如，研究表明，巴黎的制冷趋势预计将在多模型平均值（MMM）中达到+80%，这可能导致制冷系统的大规模采用。然而，仅凭这一数字不足以评估是否确实需要采取这些措施，因为根据不同模型的估计，增加幅度可能小至+2%或大至+348%。因此，制冷需求增长趋势的量化极为不确定，这突显了在设计适应计划时考虑模型间变异性的必要性，无论是与建筑、气候调节系统的效率还是电力生产和网络相关。
研究表明，制冷的增长趋势在北大西洋沿岸尤其不确定。这是因为北极地区的温度升高由于北极海冰减少而加剧。预计对北半球中纬度天气将产生影响，但CMIP5模拟间对此并无共识。因此，缩小温度预测的不确定性对于可靠估计未来建筑供暖和制冷的能源需求是极其重要的。
