“今年MCM美赛的问题E落在了被动式太阳能遮阳上。说实话，看到这个题我第一反应是开心——这题比‘预测类’题目好写得多，因为它有明确的物理内核，又有足够大的建模空间。被动式太阳能遮阳的本质，是‘用几何设计代替能源消耗’：夏天挡光、冬天放光，通过建筑构件的角度和尺寸调节太阳辐射得热，从而降低空调采暖的能耗需求。
这篇文章我会从题目拆解、物理模型、代码实现、论文写作四个层面完整过一遍，全程跟着我的思路走，即使你是第一次参加建模竞赛，也能在三天内拿出一套有说服力的方案。”
1. 题目拆解与建模目标定位
1.1 问题E的选题逻辑与被动式太阳能遮阳的本质
美赛的问题E一直偏向“可持续性设计”，今年的“被动式太阳能遮阳”延续了这个传统。官方题面给了一个建筑节能场景，要求通过建模设计一种遮阳装置，让室内在夏季尽量少吸收太阳热量，在冬季尽量多吸收太阳热量，从而减少对空调和采暖系统的依赖。
这里有两个关键词需要先搞清楚。
第一个是“被动”。被动意味着不消耗额外动力，不装电机、不接电控，所有调节行为都依赖建筑构件本身的几何设计。比如一块水平伸出的遮阳板、一组垂直翼板、一排固定角度的百叶。这个设定决定了我们的数学模型核心是“几何光学”，而不是“自动控制”。
第二个是“太阳能遮阳”。它不完全是“遮阳”，而是在不同季节有不同目标。夏季要“遮”——减少太阳直射光进入室内；冬季要“透”——让太阳光尽可能进入室内，利用免费的热量。设计目标随时间变化，这就让问题变成了一个典型的“季节性权衡优化”问题。
这道题适合谁来选？如果你负责建模或论文，对物理、几何、优化有一定感觉，选E就是优势局。它不像数据挖掘题那样容易过拟合，也很难出现无解的情况，只要把物理逻辑讲清楚，结果有数据支撑，论文就不会差。
1.2 从题目到可计算模型的转化方式
拿到题面后，第一步不是写代码，而是把模糊的设计目标翻译成可计算的指标。
“降低夏季制冷负荷、减少冬季采暖需求”这句话，在建模语言里对应的是一个时间积分量：全年逐时的建筑得热量或能耗量。我们可以把一年8760个小时逐一算出室内太阳得热和热损失，然后累加得到年度总能耗，把它当作目标函数。
接下来要定义决策变量，也就是遮阳装置的几何参数。最常见的几个候选是：
- 水平遮阳板的挑出长度、安装高度；
- 垂直翼板的宽度、间距、偏转角度；
- 可调百叶的叶片倾角；
- 遮阳装置表面材料的反射率。
把这些几何参数和光学参数作为变量，建立太阳辐射透过模型，再对全年逐时气象数据进行积分，就能算出不同参数组合下的建筑能耗。问题的最终形态就变成了：在给定的地理位置、建筑朝向、气象条件下，寻找一套几何参数，让全年综合能耗最小。
到这里，我建议先跟队友确认一个核心口径：题目问的是“固定式遮阳”还是“可调式遮阳”。如果题面没有强制要求，我的建议是两者都做——先做固定式的最优设计，再把可调策略作为模型扩展，这样论文从结构上就多了一层深度。
2. 核心建模思路与物理原理
2.1 太阳几何计算：一切得热估算的地基
被动式太阳能遮阳的建模，地基是“太阳位置的计算”。你不知道太阳在哪，就无法算直射光怎么穿过遮阳板、怎么落在窗户上。
太阳位置由三个角度决定：赤纬角、时角、太阳高度角。赤纬角反映了地球绕太阳公转带来的季节变化，公式是：
δ = 23.45° · sin(360° · (284 + N) / 365)
其中N是当年的第几天。时角ω反映了一天中的时间变化，正午为0，每小时对应15°：
ω = 15° · (本地太阳时 - 12)
本地太阳时不是钟表时间，它要经过经度修正和时差方程修正。很多队伍在这里直接踩坑，用观感时间代替太阳时，导致整个上午的数据全部偏了一个多小时。更稳健的办法是用现成的太阳位置库，比如pysolar或pvlib的solar_position函数，直接返回太阳高度角和方位角，省去手动修正的麻烦。
有了赤纬和时角，太阳高度角α和方位角γ可以这么算：
sin α = sin φ · sin δ + cos φ · cos δ · cos ω
sin γ = cos δ · sin ω / cos α
其中φ是地理纬度。这两个角度是后面所有遮阳系数计算的基础。
2.2 建筑得热模型：谁在给房间“加热”
计算一个房间的热量进出，用的是能量守恒。我把模型简化成准稳态热平衡，即对设计的典型房间，逐时计算以下四项：
- 窗户太阳辐射得热（受遮阳装置影响最大）
- 围护结构（墙、屋顶）的温差传热
- 室内热源（人、设备、灯光）散热
- 通风换气带来的热损失或热得
其中第一项是遮阳问题的核心。没有遮阳时，通过窗户进入室内的太阳辐射可以写成：
Q_solar = SHGC · A · I_total
SHGC即太阳得热系数，A是窗户面积，I_total是投射到窗户平面上的总太阳辐射强度，包括直射和散射两部分。加了遮阳装置后，相当于给窗户乘了一个小于1的遮阳因子，这个因子是几何参数和太阳位置的函数：
Q_shaded = SHGC · A · I_total · F_shading(几何参数, α, γ)
整个建模的重心，就落在怎么确定F_shading这个遮阳因子上。
2.3 遮阳构件的几何与光学参数化
先讲最简单的水平遮阳板。假设窗户高度为H，水平板挑出长度为L，板面到窗顶的垂直距离为d。在太阳高度角α、太阳方位角与墙面法线方向差角为Δ时，直射光被遮挡的比例可以近似表示为：
F_shading ≈ 1 - (L · tan α) / (H · cos Δ)
注意这个公式只有在太阳在窗户上方且方位角接近垂直墙面时才成立，但当外墙朝向确定、窗墙比不大的时候，作为一阶近似足够用了。
垂直翼板的情况类似，只是把角度变量换成了水平方向。当翼板宽度为w、间距为p时，遮挡条件主要取决于太阳方位角。太阳从侧面斜照时，一块翼板会在另一块翼板的阴影里投出遮挡区，几何关系可以用相似三角形推导。
这里的重点不是把公式推导得完美，而是保证模型有逻辑、可复现。比如我的做法是：先定义遮阳板的本地坐标系，把太阳向量投影到该坐标系里，然后用直线与矩形的相交判断来判断“某条光线是否被挡住”。这个方法虽然多写几行代码，但比套用近似公式更通用，也不容易被评委挑出物理错误。
散射辐射处理是个容易忽略的细节。天空散射来自整个穹顶，遮阳装置对散射的遮挡比例基本不随时间变化，可以近似为一个常数。我的经验是：把散射的遮挡因子单独设为一个固定值，比如0.7，并在论文里明确说明这一点，然后做敏感性分析验证它对结果的影响不大。这样做既简化了计算，又体现了严谨性。
2.4 动态调控策略：从“固定最优”到“实时最优”
如果只做固定式遮阳，决策变量就一组，全年一套参数。但更好的模型是加入“季节性可调”甚至“实时可调”的维度。
季节可调的核心逻辑很朴素：在夏季太阳高度角较高，把水平板的角度调到能有效遮挡直射光的位置；在冬季太阳高度角较低，让阳光从板下方进入室内。这里不需要复杂的传感器，只需根据月份设定挡板状态即可。
实时可调则更偏向“智能建筑”场景：假设百叶角度可以在一天内按小时调整，目标函数不光是减少得热，还可以加入室内自然采光照度控制。这个模型会更复杂，但竞赛论文需要这种“进阶亮点”，它能体现出你的模型扩展能力，也方便在论文里做对比实验：固定策略 vs 季节策略 vs 实时策略。三组对比一出来，视觉效果直接拉满。
3. 完整代码实现与可视化
3.1 数据准备与气象文件处理
代码第一步是准备气象数据。我建议用典型气象年数据TMY，它代表一个“平均气候年”，比抓某一年真实天气更有代表性。如果题目没有指定城市，就选一个南北差异大的城市组，比如北京、上海、广州，分别代表寒冷地区、夏热冬冷地区、夏热冬暖地区，这样论文的普适性就出来了。
数据格式基本是逐时的，包含以下字段：干球温度、相对湿度、水平面总辐射、水平面散射辐射、风速等。拿到数据后建议先清洗，把异常值剔除，再按当地经度把“标准时”换算成“太阳时”。
我习惯把所有数据装进pandas的DataFrame里，逐时索引，然后再跟计算出的太阳位置合并。下面这个函数是核心的太阳位置计算：
import numpy as np import pandas as pd from datetime import datetime def solar_position(lat, lon, dates, timezone=8): """ 计算每个时间点的太阳高度角和方位角 dates: pandas.DatetimeIndex 返回: (elevation, azimuth) """ day_of_year = dates.dayofyear.values.astype(float) hour_utc = (dates.tz_localize(timezone).tz_convert('UTC').hour + dates.tz_localize(timezone).tz_convert('UTC').minute/60.0) # 赤纬角 decl = 23.45 * np.sin(np.radians(360 * (284 + day_of_year) / 365)) # 时角：用UTC时间计算 hour_angle = 15.0 * (hour_utc - 12.0) lat_rad = np.radians(lat) decl_rad = np.radians(decl) hour_rad = np.radians(hour_angle) sin_alt = (np.sin(lat_rad) * np.sin(decl_rad) + np.cos(lat_rad) * np.cos(decl_rad) * np.cos(hour_rad)) elevation = np.degrees(np.arcsin(np.clip(sin_alt, -1, 1))) cos_az = ((np.sin(decl_rad) - np.sin(lat_rad) * sin_alt) / (np.cos(lat_rad) * np.cos(np.radians(elevation)) + 1e-10)) azimuth = np.degrees(np.arccos(np.clip(cos_az, -1, 1))) azimuth = np.where(hour_angle > 0, 360 - azimuth, azimuth) return elevation, azimuth这个函数的基本逻辑就是前面讲的太阳几何公式。实际使用时，时区参数一定要传对，国内用8，美国东部用-5，否则所有太阳位置整体偏移，得热曲线也会跟着偏。
3.2 遮阳系数与得热计算的Python实现
拿到太阳高度角和方位角后，就可以写遮阳系数计算函数了。下面是一个水平遮阳板的例子，输入是窗户尺寸、板挑出长度、太阳角度，输出是遮挡因子：
def shading_factor_horizontal(window_height, overhang_len, overhang_gap, elevation, azimuth_diff): """ 计算水平遮阳板的直射遮阳因子 window_height: 窗高(m) overhang_len: 板挑出长度(m) overhang_gap: 板到窗顶的垂直距离(m) elevation: 太阳高度角(度) azimuth_diff: 太阳方位角与墙面法线方向差(度) """ alpha = np.radians(elevation) delta = np.radians(azimuth_diff) # 正弦值很小或为负，说明太阳在地平线以下或在墙背后，遮蔽成本意义不大 if np.sin(alpha) <= 0 or np.cos(delta) <= 0: return 0.0 # 板在窗户上方形成的遮挡阴影高度 shadow_height = (overhang_len * np.tan(alpha) / np.cos(delta) - overhang_gap) shadow_height = np.clip(shadow_height, 0, window_height) return 1.0 - shadow_height / window_height这里你会发现逻辑很直观：板越长，太阳越高，板在窗户表面造成的阴影就越深。shadow_height就是被遮挡的那部分窗高，除以总窗高就是遮挡比例。
垂直翼板的逻辑是类似的，只不过把高度方向的几何换成了水平方向。把这两类函数封装好以后，就可以在全年时间序列上向量化计算了。
得热计算的框架也很简单：
def solar_heat_gain(shgc, window_area, direct_irr, diffuse_irr, shading_factor, diffuse_factor=0.7): """ shgc: 无遮阳时的太阳得热系数 window_area: 窗面积(m2) direct_irr: 直射辐射强度(W/m2) diffuse_irr: 散射辐射强度(W/m2) shading_factor: 直射遮阳因子(0-1) diffuse_factor: 散射遮阳因子(固定) """ direct_gain = shgc * window_area * direct_irr * (1 - shading_factor) diffuse_gain = shgc * window_area * diffuse_irr * diffuse_factor return direct_gain + diffuse_gain实际跑数据的时候要注意，直射辐射在阴雨天经常是0，但散射辐射不为0。如果只盯直射，会严重低估阴天和傍晚时段的得热。
3.3 参数扫描、优化求解与结果可视化
对于固定式遮阳，决策变量通常只有两三个，我用网格搜索就足够了。比如水平板挑出长度从0.2米扫到1.5米，步长0.1米；垂直翼板间距从0.1米扫到0.6米，步长0.05米。每组参数都算一遍全年8760小时的能耗，最后取最小值对应的参数组合。
网格搜索虽然“不高级”，但胜在可解释性强、不容易出错。优化完之后能画出一张非常直观的能量分布热力图，横轴是挑出长度、纵轴是翼板间距、颜色代表全年总能耗，这种图放在论文里效果极佳。
如果变量多了，比如同时优化倾斜角、反射率、板宽，我会换成scipy的差分进化算法，本质上也是黑盒优化，但收敛速度比网格快很多。最后把优化结果和基准情况（无遮阳）做对比，画三张图：
- 全年逐时太阳得热热力图（无遮阳 vs 有遮阳）；
- 夏季典型日室内得热曲线对比图；
- 冬季典型日室内得热曲线对比图。
这三张图基本就能把整个故事讲完。再补一张“不同参数组合下的年能耗等势面图”，评委一看就知道你做了系统性的优化，而不是拍脑袋定参数。
4. 常见问题、论文写作与竞赛节奏
4.1 建模中的六个高频坑与对策
第一坑是忽视“太阳时”和“标准时”的差别。我见过太多队伍用当地时间直接算太阳位置，结果正午得热曲线偏移一个小时。解决办法是翻阅一下时差方程，或者直接用库函数。
第二坑是把散射辐射忽略太多。遮阳装置能挡直射，但对散射的遮挡作用有限。如果只考虑直射，会高估夏季遮阳效果，导致优化结果偏于“过度遮阳”，冬季得热又不够了。
第三坑是没做地理纬度普适性验证。E题常用“全球视角”来问问题，你的模型如果只在一个纬度下成立，容易被评委打上“泛化能力不足”的标签。我在论文里会固定选取三个城市做对比。
第四坑是优化目标设置得太单一。只追求“年总能耗最低”没有问题，但这个指标没有考虑用户舒适度。最好再加一个约束：室内温度在典型时段内不偏离舒适区间过大，或者把过度遮阳导致的采光下降作为惩罚项加进去。
第五坑是忘记做敏感性分析。竞赛评审很看重模型鲁棒性。我的做法是对材料反射率、窗户尺寸、气象数据来源三个变量做±10%扰动，把能耗变化范围画成误差棒图，论文里直接放这一小节。
第六坑是论文图标不规范。E题的评分非常看重图表的“可读性”。坐标轴单位写清楚，颜色对比用色盲友好的方案，热力图的色条别用彩虹色，改用Viridis或Coolwarm。
4.2 论文结构与图表怎么做才加分
我的论文结构一般是这样的：
一、引言与问题重述：交代题目背景，明确我们要解决的三件事——估算得热、优化几何参数、评估节能效果。
二、假设与符号说明：把“散射因子恒定”“墙体稳态传热”等假设写在前面，后面所有公式都有据可依。
三、物理模型的建立：从太阳几何到遮阳因子，再到得热平衡，公式一步步推下去。
四、求解算法与实现：网格搜索还是遗传算法，代码逻辑流程图，运行环境说明。
五、结果与分析：先放基准情况和最优方案的能耗对比，再放参数扫描热力图，然后是不同城市的普适性对比，最后是敏感性分析。
六、模型扩展与讨论：可调策略怎么做，智能百叶怎么扩展，模型有何局限，未来可以引入什么数据。
摘要是最重要的一张纸。美赛评委看摘要的时间很短，你必须在半页之内讲清楚：你解决了什么问题、用了什么方法、得到了什么关键数值结果（比如“在广州典型气象年下，优化后夏季制冷需求下降32%，冬季采暖需求降低8%，全年总能耗下降21%”）。具体的数字一定要有，否则就只是“我们建了一个模型”的空话。
图表方面，我的建议是“宁缺毋滥”：一页一张图，每张图底下配两行解释，写清楚横轴纵轴是什么、关键趋势是什么、为什么会出现这个趋势。对比图用同一个色系，基准线和优化线用实线虚线区分，这样整篇论文的线型逻辑是一致的。
4.3 时间分配与团队协作建议
如果你是队长，强烈建议三天按这样的节奏推进：
- 第一天上午：全队读题，确定模型范围，划分模块；
- 第一天下午到晚上：建立太阳几何和得热模型，开始写基础代码；
- 第二天：跑通全年模拟，完成参数扫描，拿出第一版结果；
- 第三天上午：做城市对比、敏感性分析，补图表，开始写论文；
- 第三天下午到晚上：论文定稿，统一图表风格，检查摘要。
写论文和建模最好同步进行，不要让写手最后一天才开始看模型。我的习惯是建模的同学每天给写手发一段“今天的核心发现 + 关键公式 + 初步图表”，写手同步整理成章节草稿。这样到最后一天，论文主体已经完成了80%，只需要打磨摘要和结论。
还有一个容易被忽视的细节：所有的数据来源、库版本、随机种子都要在附录里列清楚。评委抽查代码时，如果你的结果能一键复现，印象分会高很多。
回想我这些年参加和指导建模竞赛的经验，E题这种“开放说明题”最大的魅力在于：它没有一个唯一的正确答案，但评委能从你的方法和过程中看出你是不是真的想明白了物理规律。被动式太阳能遮阳听着像工程题，实际是把几何、光、热、优化串成一个闭环，把每个环节讲透，分数自然就上去了。最后分享一个压箱底的小技巧：在结果分析里对比“无遮阳”“固定遮阳”“季节可调遮阳”三种方案时，不要只看年总能耗的下降，最好单独拆出夏季制冷和冬季采暖两个分项来展示。我在实际建模中发现，有些参数组合会同时改善两项，但也有不少组合是“夏天省了、冬天亏了”，只有把分项数据摊开，才能看出设计背后的权衡关系，这篇论文的讨论深度也会明显拉开差距。
