被动式太阳能遮阳建模：太阳几何、热平衡与参数优化全解析

1. 题目拆解：从"遮阳"到"被动式设计"的建模进化

MCM问题E每年都在环境与工程交叉领域做文章，2026年选择"被动式太阳能遮阳"这个方向，其实是个非常聪明的命题。为什么这么说？因为"被动式"三个字直接划定了建模边界——你去掉了一切主动控制系统（比如智能百叶、跟踪式光伏板、电动遮阳帘），只保留建筑固定结构本身的调节能力。这让整个问题变成一个典型的"静态设计优化问题"，而不是动态控制问题。

题目原文提到的核心对象是"被动式太阳能遮阳装置"，说白了就是研究怎么用固定的屋檐、遮阳板、格栅、百叶、甚至建筑立面造型，来让冬季阳光尽量晒进来（采暖），夏季阳光尽量挡在外面（隔热）。这里有个工程常识要先搞清楚：太阳在天空中的轨迹冬夏完全不同。比如在北半球，冬季太阳高度角低、偏向南方，夏季太阳高度角高、偏北。所以一个设计合理的屋檐，冬天能让低角度的阳光从下方照进窗户，夏天又能把高角度的阳光挡住——老祖宗的"屋檐出挑"就是这个原理，只不过现在要把它量化、建模、优化。

这类题目的难点不在物理原理，而在如何把连续的物理过程离散成可计算的模型。你需要同时处理太阳辐射、建筑热响应、遮阳几何关系三个层次的问题。对参赛团队来说，第一件事不是急着写代码，而是把问题理解到位：

• 目标是什么？大概率是"全年综合热负荷最小"或"舒适度最好"或"能耗最低"，具体要看题目定义
• 约束是什么？遮阳结构不能无限大，有面积、重量、成本限制，还要考虑建筑美学
• 决策变量是什么？遮阳板的出挑长度、倾斜角度、水平还是垂直布置、百叶间距、朝向与纬度
• 输入数据是什么？当地纬度、逐时气象数据（太阳辐射强度、温度）、建筑尺寸与开窗位置

换句话说，这是一个单目标或多目标优化问题，外层是结构参数，内层是逐时热平衡仿真。我的建议是：第一周先把数学模型搭清楚，第二周再做仿真与优化，最后留5-7天写论文和画图。下文按这个节奏展开。

2. 核心物理模型：太阳几何、辐射传递与建筑热平衡

被动式遮阳建模绕不开一个基础工具：太阳几何模型。你不需要把球面天文学的公式全部背下来，但必须搞清楚几个核心变量随地点和时间的变化关系。

2.1 太阳几何计算：高度角、方位角与日出日落

太阳高度角是阳光与地平面的夹角，直接影响遮阳板能挡住多少光。计算公式可以用经典的Hulstrom模型，也可以简化为以下形式的太阳几何方程：

• 高度角：sin(\alpha) = sin(\delta) sin(\phi) + cos(\delta) cos(\phi) cos(\omega)
• 方位角：sin(\gamma) = -cos(\delta) sin(\omega) / cos(\alpha)

其中 (\delta) 是太阳赤纬角（季节），(\phi) 是纬度，(\omega) 是时角（由地方时折算）。如果觉得这些公式看着头大，实际计算中建议直接用Python的pvlib库或自己封装一套函数，没必要从零手写三角函数矩阵。

注意：计算时角时用的"地方太阳时"，不是北京时间。经度修正和时差方程都要算进去，否则夏季和冬季的日出日落时间能差半小时以上，直接影响辐射累积量。

对美赛这种场景，我建议直接用逐时数据驱动——也就是把8760小时（一年）逐时输入给模型，算出每一个时刻的遮阳面积、透过辐射、室内温度变化，再做全年积分。这比手算几个代表日要严谨得多，也更容易写进论文里。

2.2 遮阳几何：透过系数与阴影面积计算

遮阳装置对阳光的影响体现在两个量上：一是透过的太阳辐射比例，二是建筑外表面被阴影覆盖的面积比例。这两个量都跟遮阳板几何、太阳方位相对关系直接相关。

举个例子，水平遮阳板（出挑长度 (P)，离窗顶高度 (H)）的阴影效果可以这样建模：当太阳高度角 (\alpha) 大于某个临界角时，窗面完全处于阴影中；小于某个角度时则部分或完全不遮。这个临界角大约是 (\arctan(P / H))，其中 H 是门窗顶到板上缘的高度差。但这个算法只对"阳光从窗户前方射来"有效，如果太阳在建筑侧面，你还得考虑方位角修正。

如果题目给出的是百叶或格栅式遮阳（一组平行板条），模型会变成周期性几何关系：透过率与板条间距、宽度、倾角以及太阳入射角相关。这是典型的二维平面几何，可以推导出通解表达式，再用蒙特卡洛方法做验证。每种结构都建议画一张剖面图，标清楚所有几何参数之间的三角关系，这样写论文时一目了然。

2.3 建筑热平衡：从辐射到温度的桥梁

单纯算遮阳面积还不够，核心还是建筑室内的热响应。这需要建立建筑的热平衡方程。一个单层房间，可以简化成集中参数模型：

[ C \frac{dT_{in}}{dt} = Q_{solar} + Q_{conduct} + Q_{vent} + Q_{internal} - Q_{HVAC} ]

其中：

• (Q_{solar}) 是通过窗户进入室内的太阳辐射得热，前面算的透过系数直接乘上投射辐射即可得到
• (Q_{conduct}) 是围护结构（墙、屋顶）的传热，用传热系数 (U) 乘以室内外温差
• (Q_{vent}) 是通风换气带入（或带走）的热量，和空气交换率有关
• (Q_{internal}) 是人员、设备的热量，如果题目没有给就设为常数或忽略

这个方程是典型的常微分方程（ODE），数值解法用显式欧拉或四阶龙格库塔都行。关键点是时间步长要匹配：如果你用每小时气象数据，时间步长就设为1小时，并且把热容 (C) 估计准确。室内温度变化如果太大，说明热容设小了；如果几乎不变，说明设大了。这个度要靠经验和反复调试来找。

3. 建模策略与分析流程

确定了物理模型之后，接下来要做的就是把"物理"翻译成"数学优化语言"，并设计一套可以稳定运行的分析流程。

3.1 决策变量与优化目标设计

我参加过几年的建模比赛评审，可以说一个通病：队伍一上来就想上机器学习或者神经网络，但其实这类问题最合适的是基于仿真的参数优化。决策变量可以像下面这样设计：

• 遮阳板出挑深度 (P)（连续变量，例如0.3~2.0米）
• 遮阳板倾角 (\theta)（连续变量，例如-30°~+60°）
• 遮阳板离窗顶的竖向距离 (H)
• 如果题目允许"双侧遮阳"或"格栅"，还要加上板条间距与板条宽度比
• 如果题目允许考虑植物遮阳（比如落叶藤本），则加上植物的季节透过率

优化目标最有可能是全年综合能耗最小，也可能是全年室内过热小时数最少。这不是凭感觉定的，要根据题目给的"舒适度指标"来设定。比较稳妥的做法是设一个综合目标：

[ J = \sum_{t} w_1 \cdot Q_{cool,t} + w_2 \cdot Q_{heat,t} + w_3 \cdot HDD_t + w_4 \cdot CDD_t ]

其中 (w) 是权重系数，后面三个指标是为了让模型在"节能"和"舒适"之间做一个平衡。如果题目没有明确权重，你可以做敏感性分析，把几个典型权重组合都跑一遍，展示结果随权重的变化，这个做法在评委那里非常加分。

3.2 数值仿真与参数扫描策略

在选定一组遮阳参数后，你要跑一遍全年逐时模拟，累计得到全年总负荷。这个计算流程可以标准化成"目标函数"的形制，外层用优化算法驱动它不断迭代。

初始阶段我建议先做全因子扫描（也叫网格搜索），不要急着上智能算法。为什么？因为参数空间可能非常大，比如出挑深度取10个值、倾角取7个值、离顶距离取5个值，这就是350组仿真。每组仿真如果只要0.5秒，也就几分钟的事，足以画出云图或热力图，能够直观发现最优区域在哪里，还能帮你在论文里解释物理机制。

扫描完之后，再在最优点附近用更细的网格或者局部优化法（比如梯度下降、坐标下降）精修。

3.3 敏感性分析与稳健性检验

被动式遮阳设计有一个尴尬之处：对参数的微小变化可能非常敏感，也可能迟钝，这取决于所处气候区。比如在多云地区，辐射量波动大，遮阳参数的敏感性相对低；在晴空干燥地区，参数稍微调一点，全年能耗就能差出一大截。

所以建议在完成优化后，必须做两个验证：

• 敏感性分析：在最优解附近增删10%的参数值，看目标函数的变化量。用散点图或者平行坐标图展示出来，这一页图在论文里非常加分。
• 稳健性检验：把气象数据换成相邻省份或者另一个维度接近的城市，重新跑一遍最优解，看它的表现是否仍然可接受。这样可以说明你的设计不只是对某一个输入数据过拟合，而有一定泛化能力。

4. 代码实现与算法细节

下面给出一套可复现的代码框架和关键函数实现，包括太阳几何、遮阳透过计算、热平衡求解与优化主循环。代码用Python写，依赖numpy和pandas，尽量做到清晰可扩展。

4.1 太阳辐射与几何模块

import numpy as np import pandas as pd def solar_declination(day_of_year): """ 计算太阳赤纬角(弧度) 使用Cooper方程，精度对工程足够 """ return 23.45 * np.pi / 180 * np.sin(2 * np.pi * (284 + day_of_year) / 365) def hour_angle(hour, longitude, standard_meridian, day_of_year): """ 计算时角(弧度)，hour是地方时(0-24) longitude是当地经度，standard_meridian是标准时区经度 """ # 时差方程(简化版，单位小时) B = 2 * np.pi * (day_of_year - 81) / 364 eot = 9.87 * np.sin(2 * B) - 7.53 * np.cos(B) - 1.5 * np.sin(B) # 单位分钟 # 真太阳时 = 地方标准时 + 经度修正 + 时差修正 solar_time = hour + (longitude - standard_meridian) / 15 + eot / 60 eot = None # 释放变量 omega = np.pi * (solar_time - 12) / 12 return omega, solar_time def solar_position(day_of_year, hour, lat_deg, lon_deg, std_meridian): """ 返回太阳高度角alpha(弧度)和方位角gamma(弧度) 方位角以正南为0，向西为正 """ phi = np.radians(lat_deg) delta = solar_declination(day_of_year) omega, _ = hour_angle(hour, lon_deg, std_meridian, day_of_year) alpha = np.arcsin(np.sin(phi) * np.sin(delta) + np.cos(phi) * np.cos(delta) * np.cos(omega)) # 防止浮点误差 alpha = np.clip(alpha, -np.pi/2, np.pi/2) cos_gamma = (np.sin(delta) - np.sin(alpha) * np.sin(phi)) / (np.cos(alpha) * np.cos(phi) + 1e-10) cos_gamma = np.clip(cos_gamma, -1, 1) gamma = np.arccos(cos_gamma) # 如果下午(omega>0)，方位角为正西方向 omega_signed = np.sign(omega) gamma = omega_signed * gamma return alpha, gamma

4.2 遮阳透过系数计算

以水平遮阳板为例，假设窗户前方无阻挡，遮阳板在窗户上沿水平出挑。定义：

• (P)：出挑长度（板前端到墙面的水平距离）
• (H)：遮阳板下缘到窗户上缘的垂直距离
• (L)：窗户高度

太阳光在垂直面上的投影角（剖面角）(\beta) 满足：

[ \tan \beta = \frac{\cos \alpha}{\cos \gamma} \quad \text{(假设窗户朝向正南，方位角相对于南向)} ]

当 (\tan \alpha > P/H) 时，窗户完全遮挡；当 (\tan \alpha < P/(H+L)) 时，完全无遮挡（此时阳光从板下射入）；中间状态则部分遮挡。因此透过系数可以近似写为：

def horizontal_shading_frac(alpha, gamma, P, H, L, wall_azimuth=0): """ 返回1为完全无遮挡，0为完全遮挡 假设窗户朝向正南(wall_azimuth=0) 方向约定：gamma=0为正南，向西为正 """ # 将太阳方位角转为相对于墙面的入射方向 rel_gamma = gamma - wall_azimuth # 剖面角：太阳在垂直于墙面平面上的投影角 tan_beta = np.cos(alpha) / (np.cos(rel_gamma) + 1e-10) # 实际情况要取正数，太阳在墙面前方时才考虑 if tan_beta <= 0 or np.cos(rel_gamma) <= 0: return 1.0 # 阳光从墙背面来，无遮挡 # 投影在窗面上的阴影长度(从窗顶往下) shadow_len = P * tan_beta - H if shadow_len <= 0: return 1.0 elif shadow_len >= L: return 0.0 else: return 1.0 - shadow_len / L

注意这个函数是把阴影简单视为从窗顶开始的一个矩形条带，没有考虑太阳在东西方向造成的倾斜阴影。实际工程中如果要更精确，需要用多边形裁剪算法，但对美赛题目来说这个精度已经足够，而且代码容易写、图容易画。如果想做更精细，可以在阴影的左右边缘上做楔形修正。

4.3 建筑热响应模型

热容-电阻（RC）模型是兼顾精度与简单度的最佳选择。用一个等效热容代表室内空气和家具的总热惯性，用传热系数代表墙体和窗户的热阻，方程如下：

def simulate_building(params, weather_df): """ params: dict, 包含P, H, L, U_wall, U_window, window_area, C_thermal等 weather_df: DataFrame, 至少包含['hour', 'temp_out', 'gh_rad', 'hourly_heat'] 返回全年逐时室内温度与空调负荷(正为制冷，负为制热) """ Tin = params['T_initial'] results = [] # 时间步长：1小时 dt = 3600.0 # 先计算遮阳板参数不变时的形状参数 for idx, row in weather_df.iterrows(): # 1. 计算太阳位置 day_of_year = row['day_of_year'] hour = row['hour'] alpha, gamma = solar_position(day_of_year, hour, params['lat'], params['lon'], params['std_mer']) # 2. 计算遮阳透过系数 frac = horizontal_shading_frac(alpha, gamma, params['P'], params['H'], params['L'], wall_azimuth=np.radians(params['wall_azimuth_deg'])) # 3. 计算通过窗户的太阳得热 q_solar = row['gh_rad'] * params['window_area'] * frac * params['SHGC'] # 4. 通过墙体传热 q_conduct_wall = params['U_wall'] * params['wall_area'] * (row['temp_out'] - Tin) q_conduct_window = params['U_window'] * params['window_area'] * (row['temp_out'] - Tin) # 5. 通风热 q_vent = params['Cp_air'] * params['rho_air'] * params['ACH'] * params['room_volume'] / 3600 * (row['temp_out'] - Tin) # 6. 室内热源 q_internal = params['q_internal'] # 7. 温度更新(显式欧拉) dT = (q_solar + q_conduct_wall + q_conduct_window + q_vent + q_internal) / params['C_thermal'] * dt Tin_next = Tin + dT # 8. 温控逻辑：如果Tin超过设定区间，施加空调/暖气功率 q_hvac = 0.0 if Tin_next > params['T_set_cool']: q_hvac = params['C_thermal'] * (Tin_next - params['T_set_cool']) / dt # 制冷 Tin = params['T_set_cool'] elif Tin_next < params['T_set_heat']: q_hvac = params['C_thermal'] * (Tin_next - params['T_set_heat']) / dt # 制热 Tin = params['T_set_heat'] else: Tin = Tin_next results.append({'hour': row['hour'], 'Tin': Tin, 'q_hvac': q_hvac}) return pd.DataFrame(results)

这个模块有几个坑要注意：

• 步长稳定性：显式欧拉法的稳定条件跟 (C) 和热导有关。(C) 设得太小（比如忽略了家具热容），就会出现数值振荡。稳妥做法是 (C) 至少取 (1 \times 10^6) J/℃，代表一栋几十平方米房子的等效热容。
• 空调逻辑：如果室内温度没有超过设定区间，q_hvac=0，表示自然室温；否则空调按需提供冷量/热量。这个逻辑比"全年恒温恒湿"更贴近真实。
• 初始温度：先跑一周的"预热"模拟（把仿真时长延长几天，丢掉开头数据），避免初始温度带来的瞬态误差。

4.4 优化主循环与并行化

参数扫描用网格搜索就可以，想做得精致一点可以用贝叶斯优化或遗传算法，但代码复杂度会明显上升。我的建议是：先用粗网格画云图，再在最优区域做细网格局部扫描。这样既保证了物理可解释性，又不至于在优化算法调参上浪费太多时间。

如果电脑性能允许，可以用multiprocessing实现并行仿真，配合tqdm进度条，体验很好：

from multiprocessing import Pool from tqdm import tqdm def evaluate_params(params): # 返回全年负荷目标值 df = simulate_building(params, weather_df) annual_load = df['q_hvac'].sum() return annual_load if __name__ == '__main__': param_grid = [] for P in np.linspace(0.3, 1.8, 10): for H in np.linspace(0.1, 0.8, 8): param_grid.append({'P': P, 'H': H, 'L': 2.0, 'SHGC': 0.5, ...}) with Pool(6) as pool: scores = list(tqdm(pool.imap(evaluate_params, param_grid), total=len(param_grid)))

这样跑一轮下来，你手上有每个参数组合的全年空调负荷，直接reshape成矩阵，用matplotlib的imshow或contourf画出热力图，最优参数一目了然。

5. 结果可视化与论文写作要点

5.1 全年辐射与能耗分布图

拿到仿真结果，要做几张核心图，这是论文的"门面"。我认为最少要有四张：

• 太阳轨迹图：在二维极坐标上画出全年每天9点到17点的太阳轨迹，叠加遮阳临界线。这张图能直观展示设计遮阳的物理学逻辑。
• 遮阳透过系数全年热力图：横轴是小时，纵轴是日期，颜色代表透过系数。能看出夏天哪些时段遮住了，冬天哪些时段阳光漏进来了。
• 逐月能耗对比柱状图：基准无遮阳 vs 你的优化遮阳，最好再叠加上单纯水平板、单纯垂直板等对照方案
• 全年室内温度分布直方图或箱线图：展示舒适度改善情况。

5.2 论文核心段落搭建

论文结构我建议这样搭：在摘要里直接点出"全年空调能耗降低XX%，夏季过热小时数减少XX%"这样有冲击力的数据。正文第2节写物理模型与假设，第3节写优化方法与求解，第4节写结果分析，第5节写敏感性与稳健性，最后附录放代码框架和参数表。

给一个摘要参考句式：本工作建立了基于逐时太阳几何与RC热平衡的被动式遮阳优化模型，以全年HVAC能耗最小为目标，在给定建筑几何与气象条件下，得到最优遮阳板出挑深度为1.2 m、倾角为35°。与无遮阳基准相比，空调能耗降低18.6%；在全部8760小时中，超过26°C的小时数减少43%。

5.3 画图的坑与技巧

• 热力图一定用seaborn的heatmap或pcolormesh，不要用plot的scatter，否则数据密集时一片糊。
• 所有坐标轴要带中文标签（写论文时无所谓，做图时用英文更专业：Solar Altitude, Hour of Day, etc.）
• 配色用色盲友好的colormap，比如viridis或cividis。

6. 常见问题与排查技巧实录

6.1 为什么我的仿真温度一直偏低/偏高？

最常见原因是 (Q_{solar}) 的量纲没算对。气象文件里的辐射单位一般是W/m²，乘以窗户面积得到W。但是窗户的透过不是只有"可见光透过率"，传热还有一部分SHGC（太阳得热系数，包含被吸收后再释放的部分）。如果你用了可见光透过率乘所有辐射，结果会偏低；建议按SHGC来算，这个参数一般取值0.4~0.7。

6.2 遮阳参数优化结果不收敛

网格搜索本身不存在"不收敛"的问题，但如果你发现最优点落在搜索边界上（比如P取到了上限1.8m），说明搜索区间设窄了。这时候把区间扩一倍，再跑一次。还有一个容易忽略的问题是：如果最优方案是"完全不遮阳"或"全部遮死"，那说明题目设定的气象数据和建筑参数有矛盾——比如全年都在采暖的严寒地区，遮阳只会恶化能耗，这时候要把太阳能直接利用纳入建筑设计，而不只是遮阳。

6.3 代码运行速度太慢怎么办

如果8760小时仿真每次需要0.5秒，350组也就是3分钟，完全可以接受。如果你加了墙体多层材料的多维有限差分，仿真时间会爆炸到几分钟一组，那就必须退回到RC集中参数模型。记住：美赛不追求物理上最高精度，追求的是建模闭环和结果趋势合理。

6.4 太阳方位角算出NaN

这个问题我踩过很多次。(\arccos) 里的数值因为浮点误差会跑到1.0000000002，必须clip到[-1,1]，否则返回NaN，然后整个仿真温度场就全乱了。代码里写出cos_gamma = np.clip(cos_gamma, -1, 1)这句话能救你一命。

6.5 论文里放不放代码？

我建议放核心函数级代码，不要放完整工程。把太阳几何和遮阳透过系数两段函数放进附录，然后在正文用公式描述建模逻辑，这样既显得专业又不显得啰嗦。

7. 从参赛到落地的额外思考

建模比赛结束之后，我其实一直觉得这个题可以继续做深一步。被动式遮阳的结论如果抛开关联具体城市、具体朝向、具体窗墙比，就没有太多工程指导意义。如果时间允许，可以把你的模型做成一个小工具，输入经纬度和建筑参数，直接输出推荐遮阳构造——这个成果无论是保研面试还是求职作品集，都很有说服力。

另外一个很值得做的扩展是多目标优化。能耗最小和舒适度最优往往冲突。你可以在Pareto前沿上算出一组解，而不是只给一个最佳值。用NSGA-II或者简单的加权组合扫出前沿曲面，论文瞬间就有了理论深度。

我个人这几年的体会是，美赛E这类环境与工程问题，拼的从来不是数学公式多高深，而是建模者对物理概念的理解、对数据坑的把握、以及把复杂系统拆成"代码能跑"的模块的能力。你把这套太阳几何、遮阳几何、热平衡、参数优化的链路走通一遍，以后遇到任何跟"环境调节"有关的优化题目，思路都会很清晰。

如果你在复现过程中遇到温度曲线异常、辐射数据格式问题，或者想了解怎么在论文中把灵敏度分析画得更漂亮，可以参考我上面给到的代码框架来调整。祝顺利拿个理想的奖项。