综述:用于实现净零能耗建筑的AI技术:潜在框架、实施因素、挑战与未来发展方向

《Sustainable Energy Technologies and Assessments》:AI technologies towards achieving net-zero energy building: Potential framework, implementation factors, challenges and future directions

【字体: 大 中 小 】 时间:2025年12月24日 来源:Sustainable Energy Technologies and Assessments 7.4

编辑推荐:

  M.A. Hannan|S. Ansari|S.R. Arsad|A.Z. Arsad|Pin Jern Ker|R.A. Begum|G. Jang马来西亚八打灵再也班达尔顺威,顺威大学工程与技术学院,邮编47500摘要为实现零能耗建筑目标,需要具备智能且灵活的系统,以便实时应

  M.A. Hannan|S. Ansari|S.R. Arsad|A.Z. Arsad|Pin Jern Ker|R.A. Begum|G. Jang马来西亚八打灵再也班达尔顺威,顺威大学工程与技术学院,邮编47500摘要为实现零能耗建筑目标,需要具备智能且灵活的系统,以便实时应对复杂的能源动态。人工智能在实现零能耗建筑目标方面起着关键作用,因为它能够优化能源使用、预测需求并提高控制精度。本综述综合了2016年至2025年间发表的350篇经过同行评审的研究成果,探讨了人工智能在建筑能耗、暖通空调控制以及智能建筑运营中的作用。通过结构化的筛选和主题分析方法,对人工智能应用进行分类,确定主要研究方向,并评估其实施准备情况。研究表明,在灵活性、响应速度以及自动化能力方面,数据驱动模型、混合人工智能框架以及基于强化学习的控制器始终优于传统的基于规则的策略。此外,综述还指出了在零能耗建筑中应用人工智能的关键因素,包括可解释性、混合架构、计算效率、系统集成、模型选择、数据质量与预处理以及结果解读。综述还涵盖了基于人工智能的零能耗建筑研究领域的最新进展,如数字孪生、可解释人工智能、联邦学习与迁移学习、用于改造和设计优化的人工智能以及可解释模型。同时,也列出了当前存在的重大问题与挑战,指出那些在人工智能驱动的零能耗建筑系统研究方面尚存在不足的领域。最后,本综述提出了有针对性的建议、未来发展方向以及战略规划,旨在帮助研究人员为下一代高效节能建筑的智能化管理和可持续运营打造强大且具备情境感知能力的人工智能解决方案。引言零能耗建筑是一种创新的建筑环境理念,旨在平衡建筑在特定时间范围内的能源消耗与产出[[1], [2], [3]]。高效的建筑设计、先进的建筑结构,以及太阳能板、风力涡轮机、地热系统等可再生能源的结合运用,共同实现了这一平衡[[4], [5], [6]]。零能耗建筑不仅有助于降低温室气体排放,还能提升建筑的韧性及能源自主性,这符合国际上的可持续发展目标[7]。要建成并运营零能耗建筑,需采用综合措施,包括主动发电、高效的建筑组件以及被动设计技术[8]。通过自然通风、高性能隔热材料以及合理的建筑朝向等被动设计手段,可降低建筑的能源消耗[9,10]。而高效的暖通空调系统、照明系统以及各类家电设备,则能进一步减少能源消耗[11,12]。通过采用可再生能源来实现主动发电,可使建筑产生足够的能源满足自身需求。综上所述,这些措施共同使得零能耗建筑能够在对环境的影响最小的情况下正常运行,为环保型建筑施工方法树立了新的标准。提升零能耗建筑性能的一项关键技术就是引入人工智能[13,14]。人工智能包括深度学习、机器学习以及优化算法等多种方法,这些方法能够帮助建筑快速适应不断变化的气候条件与能源需求[[15], [16], [17]]。通过实现预测、实时能源控制以及错误识别等功能,人工智能提升了零能耗建筑的运行效率与使用者的舒适度[18]。基于人工智能的解决方案能够有效整合可再生能源,优化暖通空调系统的运行,并预测能源消耗趋势[19]。例如,机器学习算法可通过分析历史用电数据来预测未来需求,从而让建筑系统能够提前做出调整[20,21]。通过调整运行计划,使能源使用与低碳时段相匹配,像粒子群优化这样的优化算法有助于降低建筑的碳足迹[22]。人工智能还能够分析来自各类仪器和智能设备的海量数据,从而找出效率低下的环节并采取相应措施,进而大幅降低运营成本与能源消耗。将人工智能融入零能耗建筑,不仅能提升使用者的舒适度与健康状况,还能提高能源利用效率[23]。人工智能算法可根据人员流动规律及习惯,调节室内温度、湿度以及照明强度等环境参数,从而营造出个性化且舒适的室内环境[24,25]。此外,人工智能还有助于简化各类建筑系统的整合工作,实现协调控制与优化,而这正是零能耗建筑复杂运行机制中的关键所在。从本质上讲,人工智能就如同零能耗建筑的大脑,能够助力做出明智的决策,从而推动效率提升与可持续发展。相关研究近年来有许多综述探讨了人工智能在建筑能源管理中的作用,但大多数研究并未全面阐述如何将人工智能整体应用于不同场景下的零能耗建筑建设。例如,Aguilar等人[26]进行的系统性综述提供了关于人工智能驱动的能源自我管理的有益信息,但其内容主要集中在优化与控制问题上,忽视了更为重要的系统级整合与建筑改造方面的问题。同样,Himeur等人[27]的研究侧重于利用机器学习进行异常检测,但他们指出了该方法的局限性,比如缺乏标准化基准,以及标注数据集存在的问题,这些都影响了模型的通用性及其实际应用效果。Yu等人[28]研究了深度强化学习在建筑控制中的应用,虽然认识到了模拟热力动态的复杂性,但该综述并未将深度强化学习置于混合人工智能框架或建筑全生命周期能源性能的背景下进行分析。Panchalingam和Chan[29]对智能建筑中的人工智能应用进行了总体综述,但该研究并未具体探讨如何降低能源消耗或实现零能耗目标。Hernández等人[30]则重点分析了欧洲智能建筑中的政策与以用户为中心的问题,不过他们也未能解决如何运用人工智能来缩小建筑外观与实际功能之间的差距这一问题。Wang和Lin提出了一项综述,重点研究了国际上主要经济机构中关于零碳建筑的定义,尤其是相关政策内容,但他们并未探讨当前最先进的人工智能技术及其在零能耗建筑中的应用[31]。Tien等人[24]的最新综述则研究了如何利用机器学习与深度学习技术来改进建模、优化管理方式,以及提升室内环境质量与建筑能源效率。Chaudhary等人[32]的综述探讨了可持续建筑技术,并强调了仿生学在开发被动冷却方案以及构建可持续生态系统中的作用。考虑到地域差异,Feng等人[33]通过对全球34个零能耗建筑案例的研究,对炎热潮湿地区的零能耗建筑及其发展现状进行了全面分析。然而,他们并未对模型实施情况、实际效果、实施因素以及未来发展趋势进行深入评估。在另一项研究中,Wilberforce等人[34]分析了影响零能耗建筑效率的各种因素,如天气条件、建筑结构、建筑能源需求以及建筑材料等。他们建议,在制定零能耗建筑的标准与建议时,应充分考虑国家法规以及当地居民的态度与行为习惯。鉴于气候变化对零能耗建筑的影响,Shen和Lior[35]研究了美国10个不同气候区的住宅建筑,以及用于预测可再生能源效率的相关系统。他们的研究表明,未来的零能耗建筑所使用的可再生能源系统需要根据气候变化的影响进行调整与优化。表1对以往关于建筑能源管理中人工智能技术的综述进行了比较分析,重点分析了各研究的关注焦点、优势与不足。表1. 过往关于建筑能源管理中人工智能技术综述的比较分析。参考文献主要研究内容优势研究空白Aguilar等人[26]针对优化与控制方面对人工智能技术进行了系统性综述,详细阐述了人工智能在控制与优化中的应用,并概述了能源自我管理的完整流程,但未探讨在零能耗建筑中应用人工智能时的相关实施因素Himeur等人[27]研究了基于机器学习的建筑能源系统异常检测方法,分析了相关的异常检测技术,同时指出了数据质量与评估指标方面的问题,但其研究仅聚焦于某一功能领域,未能与能源消耗预测、暖通空调控制与优化等更广泛的零能耗建筑目标相联系Yu等人[28]研究了深度强化学习在建筑能源自适应控制中的应用,探讨了深度强化学习算法及其在建筑能源管理自适应控制中的潜在应用价值,但该研究未将深度强化学习与零能耗建筑的应用场景相结合,也缺乏系统层面的整合Panchalingam和Chan[29]介绍了智能建筑中应用的人工智能技术,阐述了包括模式识别与神经网络在内的多种人工智能技术在建筑能源管理中的应用,但该研究未涉及当前在实现零能耗建筑目标方面的人工智能技术研究趋势,也未重点探讨如何整合智能控制、预测与优化功能Hernández等人[30]全面分析了欧洲建筑能源管理中的政策、标准以及用户参与问题,重点讨论了相关政策与以用户为中心的发展理念,但未涉及与零能耗建筑相关的未来发展指导方针Tien等人[24]综述了机器学习与深度学习等人工智能技术在提升能源效率与改善室内环境质量方面的应用,对这些技术在实际建筑能源管理中的应用进行了全面总结,但未研究优化技术在不同零能耗建筑应用场景中的具体应用方式Feng等人[33]分析了热带潮湿地区34个零能耗建筑案例,拥有丰富的案例数据,但对人工智能整合、自适应控制以及动态能源管理方面的讨论较为有限Wilberforce等人[34]评估了不同气候条件下实施零能耗建筑的优势、挑战以及可持续性方面的问题,分析了相关研究的环境与经济影响,但未对基于人工智能的优化方案或其全生命周期影响进行定量分析Shen和Lior[35]研究了可再生能源系统在提升零能耗建筑抵御气候变化能力方面的作用,将气候适应性视角全面纳入零能耗建筑的设计过程中,但其研究在人工智能驱动的自适应解决方案以及智能控制框架方面已较为落后。综述的动机与贡献尽管现有的综述已经丰富了人们对人工智能模型框架及性能指标的了解,但这些研究大多侧重于算法的开发,而非关注对零能耗建筑至关重要的建筑子系统之间的整合,以及实际应用中可能面临的种种障碍。虽然每项综述都在各自的研究领域做出了重要贡献,但目前仍存在一个重大的研究缺口,那就是缺乏跨学科的分析,未能将控制、预测、优化以及整合等方面的人工智能方法结合起来,尤其是在零能耗建筑领域。因此,有必要开展一项全面的综述,不仅要梳理现有的人工智能应用案例,还要明确共同的评估指标、实施过程中的挑战,以及推动人工智能驱动的零能耗建筑技术在不同类型建筑中应用的策略。正是为了填补这一研究空白并提供全面的分析,以加速人工智能驱动的零能耗建筑转型,才有了本综述的诞生。尽管人工智能技术在提升建筑性能与能源效率方面展现出巨大潜力,但其在零能耗建筑中的应用目前仍鲜有研究。为了实现建筑领域的全球可持续发展目标,本综述旨在推动智能、可扩展且高效的人工智能解决方案的发展。本综述基于2016年至2025年间的经过同行评审的研究成果,探讨了人工智能在零能耗建筑中的暖通空调控制、能源消耗预测以及建筑整体能源优化等方面的应用,同时对相关技术方法、实施因素、研究缺口以及未来发展方向进行了定性分析。本研究采用的概念性综合方法,是基于对人工智能驱动的零能耗建筑相关研究的全面调研而提出的。本综述总结了以往研究的重要发现、方法学发展趋势以及存在的研究空白,旨在为未来的研究与实践提供清晰的指导方向,提出一种全新的概念性框架,明确人工智能技术、全生命周期成本参数与零能耗建筑性能指标之间的关联。这种基于综合分析的方法确保框架中的每一个要素都基于已有研究成果,同时也为后续的模型开发与验证指明了合理的路径。本综述在很大程度上拓展了人工智能在实现零能耗建筑目标方面的应用前景与认知。与以往那些往往只关注人工智能的个别方面或特定建筑子系统的研究不同,本研究采用了系统化的视角,分析了人工智能技术在整个建筑的设计、运营以及优化阶段与建筑性能之间的相互作用。本综述的主要贡献如下:•该综述全面且系统地梳理了当前人工智能技术在零能耗建筑中的应用现状,对各类建筑系统(如能源消耗管理、暖通空调控制与优化、低碳技术以及零能耗建筑中的综合优化技术)中的人工智能应用进行了整合与分类。•对该技术在最大化能源利用效率、提升系统响应速度以及改善室内环境质量方面的作用进行了深入评价。该研究还指出了人工智能在可解释性、泛化能力以及数据依赖性等方面的缺陷。•该研究探讨了与数字孪生、可解释人工智能、联邦学习与迁移学习、用于改造与设计优化的人工智能,以及预测与自适应控制算法相关的研究趋势。•本研究强调了在新型零能耗建筑实际应用中面临的限制与障碍,包括数据质量、隐私与可用性问题、人工智能的整合难度、公平性与偏见问题,以及多目标建模的挑战。•为推动人工智能在可扩展且智能化的新型零能耗建筑中的应用,该综述指出了若干重要发展方向,例如运用先进的机器学习技术提升安全性、采用智能控制技术,以及加大对气候适应性建筑相关人工智能技术的投资。该研究共分为七个部分:第二部分介绍了用于筛选相关文献的系统评价方法;第三部分概述了整个系统的架构;第四部分回顾了基于人工智能的建筑能源管理相关研究;第五部分探讨了人工智能在新型零能耗建筑中的应用所涉及的实施因素;第六部分总结了相关研究趋势、面临的挑战以及未来的研究方向;最后,第七部分给出了研究结论。

系统评价方法
本部分阐述了用于评估人工智能在新型零能耗建筑中应用情况的系统化方法,包括文献筛选流程、系统评价的设计思路,以及可能影响研究结果解读的关键局限性。

文献筛选流程
如图1所示,本次综述采用了系统化的方法来搜索和筛选相关论文。为确保纳入研究的文献具有全面性、客观性且质量较高,研究团队实施了严格的筛选流程。最初使用的关键词包括人工智能、净零碳排放以及可持续建筑项目,以此从2016年至2025年的文献中查找相关研究成果。此外,为保证研究结果的可靠性与有效性,并能全面了解氢能发展相关内容,研究范围被严格限定在工程领域内。入选的论文均经过仔细评估,以明确其研究目标、分析其所采用的方法、评定潜在解决方案,并总结相关研究结果。最终,共有350篇论文的研究成果被整合到本研究中,其中最具相关性的论文会被进一步深入分析。

下载:下载高分辨率图片(327KB)
下载:下载全尺寸图片
图1. 本综述所采用的基于Scopus、IEEE Xplore和Web of Science的系统性评价方法概览。

局限性
根据对人工智能在新型零能耗建筑中应用情况的评估,其整体效果可能受到诸多局限性的制约。
•首要的局限性是发表偏倚,即研究往往更倾向于公布显著的结果,而非那些不显著或模糊的发现。这种偏倚可能会夸大成功的应用案例,同时忽视其中的困难与失败,从而扭曲人们对人工智能技术在新型零能耗建筑中实际效能与作用的全面认知。
•尽管本研究使用了声誉良好的Scopus数据库,但它可能遗漏了来自Web of Science、IEEE Xplore的某些相关研究,或是与能源与人工智能相关的出版物。这一局限性可能会阻碍新型零能耗建筑相关应用的进展。通过多种数据库查询或许能够补充相关研究内容。
•由于本研究仅考虑了2016年至2025年间的出版物,因此可能遗漏了有关人工智能在新型零能耗建筑中应用的基础研究。这样一来,相关结论可能会过时,需要定期进行重新评估与更新。这一时间限制凸显出持续开展研究以及进行全面评估的重要性,这样才能跟上新型零能耗建筑与人工智能技术的发展步伐。
•综述中部分研究缺乏完善的实验方案,或未能透明地报告研究结果。因此,综述的结论可能会因研究结果之间的差异而受到影响。仅有少数研究包含了敏感性分析,而这类分析对于评估研究的稳健性至关重要。还有一些研究的方法论存在不足,这可能会限制其研究结论的可靠性与建议的实用性。

尽管存在上述缺陷,这项关于人工智能在新型零能耗建筑中应用的全面评估仍具有诸多价值,对学者们而言颇具参考意义。在众多被纳入评估的研究中,有不少是关于人工智能在新型零能耗建筑中应用的相关成果。共有384篇相关出版物被纳入评估,用以分析相关研究趋势、方法及成果。这些被筛选的论文都是基于其研究主题是否适合深入分析而选定的。这份全面的综述不仅展示了相关技术的发展动态,还能帮助研究人员更好地理解人工智能在新型零能耗建筑中的多种作用。

系统概述
人工智能正在改变建筑能源管理及优化技术,它也为现代新型零能耗建筑提供了重要的技术支撑[36]。新型零能耗建筑的设计目标是在每年产生的能量与消耗的能量之间实现平衡。通过实时协调能源供应、需求、用户行为以及外部变量之间的复杂关系,人工智能技术使得这种平衡成为可能。如图2所示,该系统采用多层架构设计,旨在保障建筑内的舒适度、实现资源节约、降低能耗,并具备良好的适应性。

下载:下载高分辨率图片(188KB)
下载:下载全尺寸图片
图2. 基于人工智能的新型零能耗建筑分层结构示意图。

该架构的核心组成部分是数据采集与分析层,它负责从各种来源实时采集数据,这些来源包括智能电表、室内传感器网络、天气预报系统、可再生能源设备以及建筑能源管理系统[37]。所采集的数据包括不同区域的用电情况、室内湿度与温度、照明状况、设备运行状态、暖通空调系统的负荷情况、人员流动趋势,以及风速、太阳辐射强度和环境温度等外部变量。通过整合并不断更新这些数据,该系统能够形成对建筑功能状态的动态且详细的了解。借助基础层,人工智能模型能够识别错误、检测异常情况,并分析性能发展趋势。此外,高分辨率数据还能简化基于历史趋势和未来天气条件进行需求预测的时间分析工作。为进一步提升响应速度,先进的传感技术以及物联网技术的集成使得监控层能够通过收集静态数据,实现基于事件触发和条件判断的数据更新[38]。数据收集完成后,会由人工智能驱动的分析算法对其进行处理和分析,从而识别发展趋势,并预测未来的能源生成与消耗情况。这些智能模型能够预测来自屋顶太阳能板等分布式能源的供应情况,预测用户行为,并根据人员流动趋势调整供暖或制冷系统。由于具备了更强的预测能力,该系统能够以更加可持续且高效的方式规划与安排能源使用。关于数据采集与分析层的核心要点可归纳为:
•通过整合来自传感器、计量装置以及外部系统的实时数据,构建建筑的全面运行状况档案。
•运用人工智能驱动的分析技术,实现性能趋势监测、异常情况识别以及需求预测。
•根据人员分布情况与环境条件,实现预测性控制与自适应控制,进而提升建筑的可持续性及能源利用效率。

为了做出能够在能源使用、居住舒适度以及运营成本之间取得平衡的明智决策,优化与控制层会运用先进的人工智能算法。这些算法包括确定设备启动时间、根据人员分布和天气状况调整暖通空调系统,以及确定给电动汽车或电池充电的最佳时机[39,40]。人工智能通过确保高能耗活动能在可再生能源最易获取的时段进行,有效降低了人们对电网的依赖程度、峰值负荷以及整体碳排放量[41]。将人工智能与储能系统及可再生能源相结合也是十分重要的举措。人工智能能够实现动态能源平衡,它可以根据预期的能源生成量、消耗量以及市场因素,决定何时使用能源、存储能源或向外输送能源。因此,即便能源供应与需求处于不断变化之中,新型零能耗建筑仍能保持稳定的能源供应状况。关于应用人工智能与优化技术的主要要点可总结为:
•运用先进的人工智能算法,优化电动汽车充电、设备调度以及暖通空调系统的运行,从而实现最佳的舒适度与能源效率。
•通过将能源消耗与可再生能源的生成时间相协调,降低碳排放量、峰值需求以及电网依赖程度。
•通过协同管理储能系统、可再生能源以及实时市场信号,实现动态能源平衡。

系统的另一个关键组成部分是用户交互功能,这一功能对于将自动化决策与人类的舒适需求及偏好相协调至关重要[42]。人工智能界面通常会被集成到自动仪表盘或移动应用程序中,它们能够为居民提供个性化的建议以及实时反馈,通过通知、可视化展示以及能耗相关提示,引导人们养成节能习惯[43]。居民可以通过这些界面了解可再生能源的生成预测、电价高峰时段以及系统效率等信息,从而做出更为合理的能源使用决策。该系统还能通过自适应学习机制,逐步了解用户的偏好、行为模式以及系统运行结果,进而量身定制控制策略。得益于这一持续的学习循环,人工智能系统能够动态调整温度、照明以及设备的运行状态,从而在保持居民舒适度的同时实现最佳的能源效率。随着语音指令以及智能家居助手的引入,如今的能源管理变得更加用户友好、易于操作,也能更及时地响应用户需求[44,45]。关于用户交互层的相关核心理念可归纳为:
•通过标准化的通信协议及实时数据交换,让建筑管理者与居民能够便捷地获取有关能源使用情况以及建筑舒适度的实时信息,同时还能通过预警功能及时掌握相关信息。
•允许人工智能系统通过动态的用户反馈机制,逐步了解用户的偏好,进而提升控制的精准度。
•通过纳入能源使用报告、数据可视化展示以及针对可持续行为的个性化建议,提高能源管理的透明度,鼓励更多人参与到节能行动中来。

最后,通信与互操作性层则有助于实现人工智能系统、建筑物、智能电网以及能源设施之间的无缝交互[46,47]。通过标准化的通信方式以及实时数据交换,这一层能够促进需求响应、能源共享以及动态定价机制的建立。它使得新型零能耗建筑能够在能源分配网络中发挥更积极的作用,提升电网的灵活性与系统的抗风险能力,同时也为实现碳中和以及普遍提升能源效率等长期减碳目标作出重要贡献。以下是关于用户通信与互操作性层核心理念的总结:
•通过标准化的协议以及实时数据交换,确保人工智能系统、智能电网与建筑能源设施之间能够实现无缝交互。
•支持需求响应、能源共享以及动态定价机制,进而提升电网的灵活性,助力实现碳中和目标。

人工智能在建筑能源管理中的运作机制
人工智能已成为一种高效的能源管理工具,它通过数据驱动的技术手段提升数字化水平与决策质量,从而帮助实现更高的能源效率。智能建筑能够利用人工智能算法分析以往的能源消耗数据以及外部环境变化规律,从而立即做出相应调整,进一步提升能源利用效率。本章将简要介绍人工智能在新型零能耗建筑中的应用方式,包括监督学习、无监督学习以及强化学习这几种技术。
•基于人工智能的监督学习模型,主要包括回归分析和分类分析,这类模型常被用于识别异常情况、优化暖通空调系统以及预测能源需求。在建筑能源管理领域,人工神经网络、支持向量机以及决策树等监督学习算法被广泛用于预测能源消耗情况,以及优化暖通空调、供暖和通风系统[[49], [50], [51]]。例如,长短期记忆网络这类深度学习模型,在预测时间序列形式的能源消耗方面表现出了极高的准确性,这使得暖通空调系统能够实现预测性控制[52,53]。此外,随机森林模型以及梯度提升模型也被成功应用于检测暖通空调系统运行中的问题,从而提升能源利用效率,降低维护成本[54,55]。另外,监督学习技术还被与人员流动预测模型相结合,从而实现室内气候控制系统的实时调整[56,57]。这些改进使得智能建筑能源管理系统能够根据人员流动规律动态调整温度、通风以及照明设置,进一步提升系统性能。
•无监督学习技术,包括聚类分析和关联规则分析,是优化大规模智能建筑中的能源分配以及识别能源使用模式的重要工具[21]。为了识别能源消耗中的规律,以及优化智能建筑中的资源分配,k-均值聚类和层次聚类等无监督学习方法发挥了重要作用[58,59]。这些模型能够帮助识别能源使用效率低下的环节,从而有针对性地采取措施减少浪费,提升能源利用效率。此外,通过结合无监督学习技术与基于物联网的传感器系统,人们还开发出了能够不断提升自身工作效率的自学习型能源管理系统[60]。
•为了设计能够根据传感器以及建筑管理系统提供的实时数据来优化能源使用的自适应控制策略,就需要运用一种名为强化学习的机器学习技术[61,62]。以深度Q网络和近端策略优化算法为代表的强化学习模型,已被用于智能建筑中能源资源的实时分配与管理,以及暖通空调和照明系统的控制[63]。研究表明,基于强化学习的需求响应系统能够在保障室内舒适度的同时,将能源消耗量降低多达30%。此外,强化学习技术还被整合到多智能体系统中,多个人工智能智能体在这些系统中相互协作,从而在局部和整体层面最大化建筑的能源利用效率。

基于人工智能的建筑能源管理
人工智能在建筑能源管理领域的应用范围十分广泛,涵盖参与需求响应计划、整合分布式能源资源、智能照明管理,以及预测性暖通空调系统控制等多个方面。图4. 基于深度学习的Koopman运算符控制模型示意图。该模型通过深度学习技术提升传统控制策略的性能,其控制效果可通过平均温度偏差和节能比率等指标来评估。用于暖通空调优化的深度双线性Koopman预测控制模型概述,包括:(a)模型结构,(b)控制配置,(c)通过TRNSYS仿真得到的温度跟踪性能,(d)能源与舒适度权衡分析,结果表明该模型效率更高[81]。表3. 新建建筑能效标准中基于人工智能的暖通空调控制与优化模型的比较分析。参考文献:所使用的模型、模型参数、获取的数据、结果、能耗降低幅度、舒适度变化、优点、缺点[73]采用信任域策略优化的强化学习模型,涉及学习过程与智能体行为、探索率,数据来自EnergyPlus,舒适度在[-0.5,0.5]范围内,能耗降低21%,舒适度提升44%,该模型具备自主决策能力且有助于策略学习,但结果未以量化形式呈现且缺乏验证[74]结合动态递归非线性自回归外生因子的增强型模型,涉及隐藏神经元、学习率、层数、迭代次数,数据来自NTUPMV,能耗降低18%,舒适度提升58.5%,该模型具有实时适应能力且注重舒适度,但需复杂的计算系统与大量传感器[75]深度强化学习与循环神经网络组合模型,涉及隐藏神经元、学习率、层数、迭代次数,数据来自B建筑自动化系统,针对第3台空气处理单元,均方误差为0.0015,能耗降低27%至30%,该模型能捕捉时间依赖性且在噪声数据中仍保持稳定,但需要大量数据及强大计算资源才能实现更好训练效果[76]FIS模型,采用三个三角型隶属度的模糊集,数据来自美国德克萨斯州圣安东尼奥的一座教堂,可使暖通空调运行时间减少5.7%,该模型架构简单且效果良好,但对人员变动或动态负荷的适应能力较弱[78]多智能体深度强化学习模型,涉及权重参数、经验回放缓冲区,数据来自办公场所,可使能耗降低0.7%至4.18%,同时还能将相关指标降低64.13%至32.08%,该模型具备可扩展性,但需准确的用户信息才能获得更好效果[79]计算流体动力学与模糊逻辑控制模型,边界条件包括左侧入口、右侧入口和中间入口,数据来自大学课堂场景,预测准确率为90%,效率提升22%,最高可达30%,该模型可实现非接触式感知与快速响应,但其结果会受到雷电检测的影响[80]结合五种机器学习模型的模型预测控制模型,涉及隐藏神经元、学习率、层数、迭代次数,数据来自CanmetENERGY中心,可使建筑热负荷降低4.3%,该模型具备可扩展性且可应用于其他建筑,但未在模型目标函数中考虑建筑热负荷的相关约束条件[81]Koopman预测控制与深度学习组合模型,涉及线性层、权重与偏置、神经元数量,应用场景为科威特的三个办公建筑,均方误差为9.62,采用ReLu函数,该模型能处理非线性问题并实现多目标优化,但其复杂度与数据需求可能限制其在实际中的应用[82]神经网络工具,具体参数未提及,数据来自诺丁汉大学,89.2%的时间内二氧化碳浓度低于1000 ppm,能耗降低0.6%至29%,舒适度提升0.0%至58.8%,该模型可实现全面控制,兼顾舒适度与能源优化,但需要对基础设施进行大量调试,且对计算资源要求较高。建筑能源优化方面,随着建筑能源系统复杂性的增加以及对低碳可持续运行的需求提升,人们开始将先进的优化方法引入建筑能源管理中[83]。通过优化技术,可以实现资源的有效分配、高耗能设备的合理调度以及与可再生能源的协同利用,这些措施对于降低碳排放、提升使用者舒适度以及减少能源开支具有重要意义。在过去20年里,人们采用了从传统方法到基于人工智能的元启发式算法等多种优化方法来实现建筑能源优化,这些方法的适用范围与优化效果各不相同。例如,Oldewurtel等人[84]研究表明,模型预测控制技术能够根据人员分布情况与天气预报不断调整暖通空调的运行状态,从而在不影响舒适度的前提下实现显著的能源节约。与传统控制方法相比,该系统能够通过温度、太阳辐射强度以及人员密度等参数将暖通空调的能耗降低10%至20%。相关研究中的热量传递速率与房间动态特性可通过以下公式表示:(16)[数学处理错误]dQ/dvi·dv/dt=A·U·ie - vi(17)[数学处理错误]vk+1=A(v)·vk + B(u)·uk + B(v)·vk + ∑i=1m[(Bvu,i)·vk + Bxu,i)·vk]·uk,i,其中t表示时间,Q表示热能量,Uie与A分别表示热传导系数与横截面积,ve与vi分别表示第e层与第i层的温度,dQ/dvi表示热容量。对于房间动态特性,vk∈Rn与vk∈Rp分别表示状态参数与输入参数,相应的矩阵分别为A(v)、B(u)、Bv、Bvu,i)、Bxu,i),且这些矩阵的尺寸需与公式要求相匹配。该优化方法的优点在于能够基于数据预测结果进行决策,但目前的研究尚未验证其在不同类型建筑以及不同季节条件下的适用性,且仅适用于特定气候区域。与此同时,由于元启发式算法具备解决非线性、高维优化问题的优势,因此也受到了广泛关注。Nasruddin等人[85]采用人工神经网络与遗传算法对建筑的照明与暖通空调调度进行优化,他们提取了恒温器设定值、被动式太阳能设计参数以及冷水机组运行控制参数作为模型训练的依据。另一种常用的优化技术——粒子群优化也在智能建筑节能领域取得了良好效果,有研究提出了基于粒子群优化的多目标优化框架,旨在提升建筑的能源效率,该模型通过预测窗户布局、暖通空调系统以及建筑隔热性能等参数,实现了舒适度与能源使用效率的提升,实验结果显示,该方法的应用可使建筑每年的制冷用电量降低19.8%至33.3%,而供暖与照明用电量则分别上升1.7%至4.8%与0.5%至2.6%。Asadi等人[87]采用了一种多目标优化方案,将该方案与MATLAB开发的切比雪夫优化技术、TRNSYS以及GenOpt算法相结合。Zhang等人[88]则采用了粒子群优化与支持向量机混合算法,旨在提升绿色建筑的能源利用效率,该模型能够根据温度、湿度、太阳辐射强度以及人员密度等参数预测能源消耗并优化暖通空调的运行状态。该研究中的成本函数具有如下约束形式:(19)[数学处理错误]yk - GT×xk - a ≤ ε + σk,其中f从1到N,(20)[数学处理错误]GT×xk + a - yk ≤ ε + σk,其中f从1到N,(21)[数学处理错误]σk·σk* ≥ 0,其中xk与yk分别表示输入变量与输出变量,(σk·σk*)表示松弛变量,ε表示估计精度,GT×xk + a表示该研究中采用的支撑向量回归表达式。实验结果显示,与传统方法相比,该模型可实现18%的能源节约效果,并且能够提升室内舒适度,不过其在不同类型建筑中的适用性仍有待研究。此外,还有一些混合优化方法将人工智能模型与启发式搜索算法相结合,以此提升预测的准确性与时序收敛速度。Kankal与Uzlu[89]将趋势线性回归优化方法与人工神经网络结合用于建筑能源预测,该方法有效降低了能源预测的均方根误差,同时提升了系统的适应性,当使用GDP、人口数量、进出口指标等参数时,该混合模型的预测精度更为出色,且参数调整需求较低、收敛速度较快,这些都是该模型的优势,但该模型未能考虑不同行业或地区之间的能源消费差异,仅能用于宏观层面的能源预测。Kadric等人[90]采用了非支配排序遗传算法II用于建筑改造的决策支持,该算法在确定投资成本与能源节约之间的最优解决方案方面表现优异。Li等人[91]则采用多目标灰狼优化算法,在满足室内空气质量与舒适度要求的条件下,优化暖通空调的设定参数与通风策略,实验结果显示,该方法的应用能够显著提升建筑的能源效率与使用者满意度,他们定义了两个用于评估优化效果的函数,分别是二氧化碳浓度与平均舒适度水平,其表达形式分别为:(22)[数学处理错误]fitiPi(t) = (Pit - 500),(23)[数学处理错误]fitiPj(t) = (Pjt - 500),其中Pi(t)与Pj(t)分别表示二氧化碳浓度与舒适度水平的峰值。实验表明,这种自适应多目标粒子群优化-灰狼优化算法能够显著提升建筑的性能,可使空气污染浓度平均降低31%,舒适度水平平均提升45%,能源消耗平均降低35%。此外,还有研究将离散时间概念引入优化模型中。Zheng等人[92]采用了在线自适应粒子群优化算法来预测建筑的热负荷,同时还提出了基于奇异谱分析与反向传播人工神经网络算法的预测方法,该模型的预测误差控制在0.02℃至0.06℃之间,该方法有效降低了数据参数中的随机噪声,但仅能用于单一因素下的热负荷预测。图5展示了基于APSO的离散时间优化框架,该框架可用于优化变电站的水力阻力并重构其热动态特性,不过在实际应用中,实时更新模型以及精准捕捉动态热负荷变化仍然存在诸多挑战,这些都是未来需要进一步研究的方向。虽然模拟退火算法属于较为传统的优化方法,但Motuzien等人[93]也证明了该算法在优化照明系统以及基于人员分布的暖通空调设置方面的应用价值。本文提出了一种基于人工智能与变风量系统的模型,该模型结合了极端学习机与模拟退火算法,可用于预测办公建筑中根据人员分布变化的通风需求,该模型经过三栋建筑的长期数据训练后,展现出较强的人员分布预测能力,不仅能够实现高达7.5%的通风能耗节约,若同时考虑二氧化碳浓度因素,能耗节约比例还可进一步提升至12.5%,且不会对室内空气质量造成负面影响。下载:下载高分辨率图像(481KB)下载:下载全尺寸图像图5. (a)在线APSO优化框架的流程图。(b)离散时间模型与机械仿真模型的平均相对误差绝对值。(c)结合实测数据得出的A变电站二次回水温度的测试结果[92]。在新建建筑能效标准的相关研究中,兼顾舒适度与电网交互特性的建筑也是近期研究的重点。Samadi等人[94]采用基于整数线性规划与线性规划的序贯优化框架,旨在在保障使用者舒适度的同时降低能源消耗,实验结果显示,通过降低峰值与平均值的比值,使用者满意度提升了近45%。Ali等人[95]提出了一种用于住宅需求侧管理的智能能源管理控制器,该控制器整合了光伏系统与蓄电池系统,采用混合蚁群优化与趋势线性回归优化算法进行优化,该控制器不仅能够提升建筑的热舒适度与视觉舒适度,还能降低碳排放、峰值与平均值的比值以及能源消耗成本,实验结果显示,该控制器的应用可使峰值与平均值的比值降低41.5%,能源消耗成本降低42.1%。该控制器能够根据实时电价与可再生能源的可用性,高效地安排各类电器的运行时间,尽管仿真结果较为理想,但在处理用户的动态行为以及开展实际应用验证方面仍存在一定的研究空白。总体而言,该模型在实现智能电网能源优化方面具有较大的应用潜力,既能够保障建筑使用的舒适度,又能提升能源利用效率。值得一提的是,人工智能技术也被应用于碳交易与定价系统中,Chen等人[96]提出了一种集成优化框架,该框架同时兼顾热舒适度、碳排放量以及建筑整体运营成本的控制,他们采用带有NSGA-III改进版的反向传播神经网络来预测能源需求与边际排放因子,该模型通过三种随机采样方法生成输入参数,再通过仿真构建数据库,随后通过多灵敏度分析方法筛选出对模型输出贡献最大的关键参数。与传统运行方式相比,该优化方案能够使建筑的碳排放量降低53.25%,室内不适时间缩短42.95%,整体运营成本降低22.33%。表4对各种不同的优化技术进行了对比分析,这些技术可用于实现能源预测、暖通空调控制与优化、兼顾舒适度与电网交互特性以及低碳建筑设计等目标。表4.新西兰零能耗建筑中优化技术的比较分析。参考文献|执行模型|模型参数|获取数据|结果|优点|缺点|[84]序贯线性规划结合MPC|调整参数|来自欧盟地区4个地点的18栋建筑的数据库|日温度变化更小|可通过调整参数轻松调节能效与舒适度之间的平衡|模型性能和数据质量会影响结果|[85]ANN-GA|隐藏神经元数量、学习率、层数、迭代次数、种群数量、边界条件|来自印度尼西亚某教育机构的数据库|能源消耗的均方根误差为0.3|该研究有助于设计和选择暖通空调控制策略|缺乏与其他优化机器学习模型的对比验证|[86]多目标PSO|群体数量、迭代次数|来自伊朗某建筑的数据库|年度制冷能耗降低19.8–33.3%|擅长分析建筑设计参数|优化过程耗时较长|[87]TRNSYS-GenOpt-MATLAB|未提及|来自葡萄牙某建筑的数据库|最低改造成本|建立了全面的参数化和多目标模型|计算复杂度较高|[88]PSO-SVM|核函数、迭代次数、种群数量、边界条件|来自某绿色建筑的数据库|能源消耗降低28%|经过优化的SVM在PSO配合下性能更好|对未知类型建筑的泛化能力和验证不足|[89]ANN-TLBO|隐藏神经元数量、学习率、层数、迭代次数、种群数量、边界条件|GDP、人口、进口、出口数据|平均偏差为2%|在电能需求预测方面精度较高|可能需要采用数据预处理技术以获得更好的模型训练参数|[91]PSO-GWO|种群数量、迭代次数、隐藏神经元数量、学习率|来自室内气流和温度分布的数据库|能源消耗降低35%|实现了最高的平均改进率和节能百分比|由于运行时间较长,需进一步优化|[92]自适应PSO-DT|粒子维度、迭代次数和群体规模|针对A变电站,最大绝对误差为0.02℃|将绝对误差控制在0.02℃至0.06℃之间|专注于单一因素负荷预测|[95]ACO-TLBO|迭代次数、蚂蚁数量、蒸发率、试验衰减因子、迭代次数|来自并网建筑的数据库|空气质量方面的用户舒适度提升比例为24.73%|降低了能源费用、峰值负荷和二氧化碳排放量|未对住宅及其他类型的建筑进行验证|[96]BPNN-NSGA-III|隐藏神经元数量、学习率、层数、迭代次数、种群数量、边界条件|通过模拟生成的数据库|R2值为0.992|该模型实现了参数和数据采样的最优化|应开展与深度学习模型相关的研究|基于人工智能的建筑低碳技术|人工智能可通过优化运营整合可再生能源,降低全生命周期排放。与传统能源管理相比,基于人工智能的低碳技术能够利用预测控制、碳感知调度以及基于实时碳足迹的自适应暖通空调运营来降低碳强度。最新研究将预测的碳信号与人工智能相结合,将能源负荷转移到电网碳强度较低的时段。颜等人[97]提出了EnsembleCI,这是一种动态集成学习机制,通过结合多种预测模型来提升碳强度预测的准确性。他们的模型相比传统模型提升了19.58%,能够更精准地进行碳敏感型负荷调度。该研究强调了集成学习方法在提升碳感知需求响应系统可靠性方面的重要作用。类似地,莫卡努等人[98]提出了用于实时建筑能源优化的深度强化学习方法,该方法基于DPG框架来最大化建筑能源消耗。根据DPG算法,它通过深度神经网络实现动态调度,对比分析表明其在成本最小化和峰值降低方面的表现优于Q学习和DQN方法。该方法还利用DQN和策略梯度方法训练能够在不同环境和电网条件下学习能源消耗策略的自主智能体。Q值中的均值平方误差作为目标函数,其表达式为:[99]:(24)[数学处理错误]Lθ=Er+γmaxat+1Q(st+1,at+1,θ-Q(st,at,θ))2进一步可得到Q学习梯度公式:(25)[数学处理错误]δL(θ)δθ=Er+γmaxat+1Q(st+1,at+1,θ-Q(st,at,θ))δQ(st,at,θ)δθ其中,[数学处理错误](st+1,at+1,θ)表示来自应用数据集的过渡批次。DQN模型的权重和偏置用[数学处理错误]Q(st,at,θ)表示。将该模型应用于Pecan Street数据库后,它展现出对动态输入的强大适应性,能够在考虑碳强度的情况下优化能源使用。在实际应用中,如BrainBox AI之类的商业解决方案已展现出显著优势。该系统被应用于曼哈顿的一座大型商业建筑,其基于人工智能的暖通空调优化系统使能源消耗降低了15.8%,每年可避免37吨二氧化碳排放[100]。该系统利用人工智能预测人员流动模式、天气状况以及电网碳强度,并据此调整暖通空调的运行方式,证明了碳信号驱动的人工智能控制的实际可行性。同样,邹等人[101]研究了住宅建筑的CADR策略,通过整合人工智能模型使负荷转移与电网脱碳趋势保持一致。该框架展示了智能调度家用电器和电池储能系统的可行性,能够在不牺牲居住舒适度的情况下显著降低碳排放。在建筑设计层面,人工智能也对运营碳排放预测起着关键作用。周等人[102]提出了一种新的集成模型,将分位数回归神经网络与基于注意力机制的双向长短期记忆网络相结合,用于预测每日二氧化碳排放量。具体而言,分位数回归神经网络旨在优化经验损失函数。该函数的作用是衡量预期分位数与实际对应值之间的差异,其表达式为:(26)[数学处理错误]QRNNLτ=1N∑i=1Nρτyi-Qyi(τ)其中,[数学处理错误]N表示样本数量,[数学处理错误]ρτu≡τulu≥0+τ-1uIu<0为检验函数。[数学处理错误]Qyi(τ)表示在[数学处理错误]τ时刻y的条件分位数。这种混合方法同时考虑了时间依赖性和预测不确定性,在准确性和可靠性方面均优于传统方法。预测区间是通过名为预测区间标准化平均宽度[数学处理错误]PINAW的指标来确定的,其表达式为:(27)[数学处理错误]PINAW=1n∑i=1nyiU^-yiL^ymax-ymin其中,样本数量用[数学处理错误]n表示。预测区间的上下限分别为[数学处理错误]yiU^和[数学处理错误]yiL^。观测数据的最小值和最大值分别用[数学处理错误]ymin和[数学处理错误]ymax表示。通过与单点估计相比,该模型提供概率预测,为致力于有效管理和减少碳排放的政策制定者和规划者提供了更为全面的工具。在更广泛的综述中,李等人[103]在深入分析中指出,人工智能在建筑全生命周期实现净零碳目标的过程中发挥着越来越重要的作用。人工智能在从建筑长期运营到材料选择和施工物流等多种应用中,都能优化既有碳指标和运营碳指标。丁等人[15]对人工智能在美国中型办公建筑中降低能源消耗和碳排放的潜力进行了及时且重要的评估。通过评估人工智能在设备、人员使用、控制系统和设计等方面的影响,作者提出了一个结构清晰且全面的框架。多种气候区域场景的运用增强了研究结果的稳健性。研究表明,仅依靠人工智能就能实现8–19%的减排效果,而若结合政策和清洁能源使用,能源减排幅度可达40%,碳排放减排幅度则可达90%,显示出强大的脱碳潜力。该研究有效地量化了长期收益,不过未来的研究可以纳入实际应用验证和跨建筑对比分析。异常检测是另一个有待发展的领域,Himeur等人[27]对此进行了研究,他们探讨了人工智能在检测可能导致更高排放的异常能源消耗方面的应用。这些系统通过持续分析建筑性能,有助于将碳效率维持在最佳水平。此外,余等人[104]指出,深度强化学习模型可以通过利用包含碳强度信号的奖励函数来学习最优控制策略,从而平衡成本、舒适度和排放等多个目标。由于高浓度的二氧化碳会对居民的健康和生产力造成危害,因此必须将其浓度控制在一定水平之下。同理,某一区域的过高二氧化碳浓度也会损害居民的健康和生产力,因此也需要将其控制在特定阈值以下。因此,(28)[数学处理错误]Oi,t≤Oimax,?i,t,Ki.t>0其中,[数学处理错误]Oi,t表示[数学处理错误]i区域在[数学处理错误]t时刻的二氧化碳浓度。当前的研究还涉及在设计阶段使用Transformer模型来预测排放量。Transformer模型通过交叉注意力机制来捕捉输入数据中的复杂时间和空间依赖关系,因此在不同的建筑方案下都能实现更准确的碳预测[105]。不过,这项研究尚未实现与实际建筑管理的整合,也没有考虑长期居住者行为的变化。混合神经网络框架进一步体现了如何调整人工智能,以在能源性能和减排之间找到平衡点。图6展示了混合神经网络在提升建筑性能和减少排放方面的应用。该研究在参数化模型基础上构建了一种新型神经网络,能够全面预测建筑材料的利用效率(U)、自然采光程度(D)、室内温度(T)以及碳排放量[106]。建筑优化是通过生命周期成本(LCC)来评估的,其表达式为:(29)[数学处理错误]LCC=Ci+CeCi=CinvACe=∑i=1tCe,i?11+piA其中,[数学处理错误]Ci和[数学处理错误]Ce分别表示每平方米的初始投资成本和建筑全生命周期内的每平方米能源成本。[数学处理错误]Cinv为初始投资成本,[数学处理错误]A表示建筑的占地面积,单位为平方米。[数学处理错误]Ce,i表示第i年的能源成本,[数学处理错误]p的数值固定为4%。建筑的使用寿命为[数学处理错误]t。表5展示了对人工智能模型在实现新西兰零能耗建筑低碳技术应用中的效果的比较分析。参考文献|执行模型|模型参数|获取数据|结果|RMSE|MSE|MAPE|MAE|优点|缺点|[97]EnsembleCI|批量归一化、丢弃层、偏置、权重|来自11个区域电网站点的数据库|第1天的MAPE值为5.92|???5.92?|该模型提供了可扩展且可靠的解决方案,兼具准确性和稳定性|未与其他机器学习模型进行验证,可能影响其扩展性|[98]DRL|神经网络权重、奖励函数|来自Pecan Street的数据库|峰值负荷降低26.3%,成本降低27.4%|?????|能为使用者提供实时反馈,助力更好地管理能源|可应用于不同类型的建筑|[101]基于ML的CADR|碳信号、需求阈值|来自上海城市家庭的数据库|可转移负担的成本降低了21.95%|?????|成功将碳信号融入深度强化学习模型|主要针对住宅建筑进行研究|[102]QRNN-BiLSTM|隐藏层节点数量、学习率、衰减率、迭代次数|来自不同国家的每日碳排放数据|使用中国数据时的MSE值为0.19249,整体MSE值为0.19249,标准差为0.33003|通过引入分位数注意力机制,擅长概率预测任务|需要进一步考虑如何更好地整合外部影响因素以提高模型预测精度|[104]DRL|权重、小批量大小、智能体数量|来自某商业建筑的数据库|总能源成本降低了75.25%|?????|该模型具有适应性,可实现针对不同区域的个性化控制,且结果基于实际数据|存在较高的计算复杂度|[105]Transformer网络|未提及|来自100座商业建筑的数据库|MAPE值为3.2%,4.233.2|能够同时处理短期波动和长期趋势|若能引入更多建筑数据,可进一步提升模型训练效果|[106]深度交叉网络-NSGA-III|隐藏层、权重、偏置、种群数量、变异和交叉概率、变异和交叉操作符|来自温室的数据库|建筑材料利用率从108.57%提升至132.38%|?????|研究了地理差异对建筑设计的影响,有助于打造适应不同气候条件的建筑|未探讨可再生能源整合的影响|分析了人工智能在新西兰零能耗建筑中的应用所带来的生命周期成本和政策影响。本部分涵盖了人工智能应用的生命周期成本以及相关的政策影响,包括人工智能伦理问题以及欧盟在新西兰零能耗建筑领域的法规要求。人工智能在新西兰零能耗建筑中的生命周期成本人工智能在新西兰零能耗建筑中的应用可通过提升运营效率、实现预测性维护以及优化能源使用,从而显著降低生命周期成本。在建筑整个使用周期内,人工智能通过减少能源浪费并延长设备使用寿命,能够帮助降低10–25%的总体拥有成本。政策制定者可以利用这些生命周期成本方面的优势,为碳定价提供依据,为人工智能整合措施争取支持,同时还将长期的可持续发展目标与建筑能源标准相衔接。借助人工智能带来的洞察力,可以找到既具经济可行性又符合政策要求的路径,从而推动大规模新西兰零能耗建筑的实施。例如,丁等人[107]量化了人工智能在提升建筑能源效率方面的潜力,取得了较为乐观的成果。他们认为,到2050年,通过整合人工智能技术,有望将能源消耗和碳排放降低8–19%。如果再结合相应的政策支持以及低碳能源来源,能源消耗的降低幅度可达40%,碳排放的降低幅度则可达90%,充分展现了人工智能在推动可持续发展方面的巨大作用。Sharif和Hammad[108]提出了一种基于仿真的多目标优化方法,该方法结合人工神经网络,综合考虑能源消耗、生命周期成本和生命周期评估等因素,用于选择近乎最优的建筑能源改造方案。研究结果表明,SBMO-ANN模型能够为传统SBMO模型提供令人满意的近似解,其在总能源消耗与生命周期成本、以及总能源消耗与生命周期评估之间的均方误差分别为0.016和0.056。在另一项研究[109]中,研究者提出了一个基于机器学习的有效框架,用于整合热能储存技术,以优化建筑中的光伏能源自给率。该框架通过加入基于生命周期成本的优化手段,使得在30年的使用期内可实现7.1%的成本节省,从而证明了机器学习辅助设计能够平衡运营性能与经济性。尽管研究中未具体探讨生命周期评估内容,但生命周期成本的结果间接体现了通过经济高效、低排放的能源利用所带来的可持续性。图7展示了不同热能储存规模组合下的生命周期成本结果。下载:下载高分辨率图像(297KB)下载:下载全尺寸图像图7. 不同热能储存规模下的生命周期成本结果。(a)全部设计范围,(b)准最优方案,(c)来自实际仿真的准最优方案[109]。此外,通过衡量成本与碳足迹与NZEB节能效果之间的关系,可建立一种量化方法,将人工智能的性能与环境和经济成果相联系。通过诸如每单位投资成本所能带来的节能量或每节约1千瓦时的二氧化碳减排量等明确指标,能够清晰体现人工智能在可持续性方面的贡献。例如,Zhang和Zhu[110]研究了工业机器人对三大经济体碳排放的影响,他们采用传统的线性回归模型——普通最小二乘法,来分析机器人安装数量与机器人密度之间的关联。另外,Chen等人[111]运用长短期记忆网络模型以及EnergyPlus仿真工具,重点关注运行过程中的碳排放,预测建筑能源消耗及相关二氧化碳排放量,并提出了幂函数曲线以简化预测工作。Wang等人[112]则借助数字孪生技术,管理建筑内的碳峰值,努力实现NZEB领域的净零排放目标。根据研究结果,该模型能够帮助优化控制策略,使碳峰值相比基准情景降低18%至30%,同时还能预测碳峰值出现的时间。研究表明,通过整合数字孪生技术进行控制,能够有效提升负荷转移与需求响应能力,每天可减少数小时达到碳峰值的时间。此外,建模结果还表明,在特定条件下,实时数字孪生分析的应用可使运行阶段的碳排放强度降低多达0.25千克二氧化碳/千瓦时。

AI在NZEB领域的政策应用
在考虑AI技术应用于NZEBs所涉及的政策影响时,如何在遵守法律法规的前提下保持系统的高性能,是实施AI驱动型NZEB面临的一个复杂但至关重要的挑战。加密、精细访问控制以及详尽的日志记录等合规功能所带来的计算与架构成本,可能会影响系统的性能与扩展性。此外,人工智能算法不仅需要针对能源优化进行优化,还需兼顾居住者的舒适度、数据隐私以及伦理规范[113]。例如,Zhang等人[114]研究了亚太地区NZEBs的发展状况,并提出了包括资金支持、标准制定、立法措施以及创新激励在内的10项政策建议。其所构建的政策框架涵盖了加强数据基础设施、推动先进控制技术的应用、要求提高系统性能透明度以及培育创新生态体系等内容,对于AI辅助型的NZEB而言具有极高的参考价值。通过纳入对人工智能的治理措施——如数据保护与网络安全保障、实现实时数字孪生控制与分析功能,以及弥合标准要求与实际系统动态性能之间的差距,将人工智能融入NZEB相关政策体系,能够进一步强化上述建议的可行性。

随着人工智能在建筑施工领域的日益广泛应用,算法偏见、所有权问题以及可追溯性等方面也引发了诸多伦理争议[115,116]。如果人工智能算法没有得到妥善的设计与监督,就有可能加剧现有的偏见与不平等现象。例如,存在偏见的算法在做出就业决策或资源分配决定时,可能会导致不公平待遇或歧视行为。因此,建筑企业在进行人工智能技术的开发、应用与使用过程中,必须将伦理问题置于首要位置。这要求企业建立公平性与透明度机制,定期对人工智能系统进行审计与审查,确保相关规则与伦理标准得到严格遵守。同时,制定针对人工智能应用的新法律与法规也至关重要。随着人工智能技术在建筑项目中的普及,监管机构正在密切关注其可能带来的安全、隐私以及其他监管方面的影响。为了降低法律风险并确保符合相关法规要求,建筑企业必须及时了解各类相关规则,与监管机构保持沟通,并在人工智能相关活动中纳入合规性措施。这些措施可能包括开展隐私影响分析、获取必要的许可,以及遵守针对数据安全、环境影响与施工安全等方面的行业特定法规[117]。

欧盟关于NZEB与AI的政策
目前,根据拟议中的《欧盟人工智能法案》,即将出台一系列针对采用人工智能的建筑能源管理系统的新监管要求[118]。在该法案的现行草案中,人工智能系统会根据其风险程度被分类;某些建筑能源管理系统中的应用场景若可能威胁到安全(例如用于医疗设施中关键通风系统的人工智能系统),或可能对居住者的权益产生重大影响(例如可能在供暖供应方面无意中造成歧视的技术),则会被视为高风险应用。在投放市场之前,那些被认定为高风险的人工智能驱动型建筑能源管理系统或其组成部分,必须满足该法案规定的各项条件。尽管欧盟拥有较为完善的监管框架,但在其他方面仍存在明显不足。目前,相关举措分散在ASHRAE标准[119]、各州的建筑法规[31]以及由电力公司推动的需求响应计划之中;美国则尚未制定全国性的NZEB强制标准。在人工智能技术的应用方面,目前更多依赖于自愿性框架——比如NIST提出的人工智能风险管理框架[120],而非强制性法规。亚太地区的NZEB应用虽然正在不断发展,但发展水平依然存在差异[121]。尽管正式的人工智能治理框架仍在建设中,澳大利亚、新加坡和日本等国已经制定了较为完善的绿色建筑标准。然而,由于缺乏统一的数据安全与人工智能审计法规,该地区难以实现高效且安全的人工智能应用。

人工智能的治理与合规性
人工智能在NZEBs中的应用与《欧盟人工智能法案》密切相关,该法案将用于关键设施的人工智能系统视为高风险类别[122]。因此,这类人工智能系统必须遵循严格的标准,包括决策算法的可解释性与易用性、完善的数据管理机制(需符合GDPR要求处理客户数据)、持续的性能评估与监控,以及防止人工智能驱动的建筑能源管理系统被操纵的网络安全措施。这些要求直接影响算法的设计,强调算法的可审计性、模型的可解释性以及性能数据的透明度。此外,这些标准还要求人工智能系统与传统的建筑认证流程相衔接。

实现NZEB目标所需的人工智能技术实施要素
只有合理选择合适的实施要素,才能为NZEB项目的实施带来理想的效果。因此,本节将探讨与人工智能技术在NZEB应用中的实施相关的各类要素,具体内容如下。图8展示了人工智能驱动型NZEB应用中各实施要素的运用情况。下载:下载高分辨率图像(467KB)下载:下载全尺寸图像图8. 人工智能驱动型NZEB应用中的实施要素。

数据质量与预处理
相关研究以及已有文献表明,要为智能建筑应用开发出精准的模型,离不开若干实施要素,比如温度、湿度、人员占用情况以及用电量等高质量传感器数据。此外,建筑能源管理系统中所采用的预处理方法,包括特征工程、缺失数据处理以及噪声过滤等环节,也需要精心设计[50,51,57]。这一环节对于确保模型具备稳定的性能并挖掘出有价值的规律至关重要。如果预处理过程不够规范或数据质量较差,就会严重降低模型的准确性,从而导致不尽如人意的应用效果。因此在将数据输入机器学习或深度学习算法之前,建立可靠且标准化的数据处理流程显得极为重要。这样的数据流程不仅能够在实际智能建筑环境中——这些环境具有不同的运行条件与使用模式——保证模型的稳定性与泛化能力,还有助于提升模型的学习效率。

基于时间维度学习需求的模型选择
在智能建筑领域,人工智能技术,尤其是深度学习模型,正在彻底改变决策方式。通过CNN和LSTM等方法,如今已经可以实现能源消耗、室内温度以及人员占用趋势的精准短期与长期预测。为了在能源效率与居住舒适度之间取得平衡,机器学习模型,特别是深度学习算法,能够为照明系统、暖通空调系统以及各类电器设备的负荷控制提供智能化的调节方案。例如,Kim和Cho[72]采用了CNN-LSTM混合模型,成功实现了对居民能源消耗情况的精准预测,进而提升了需求侧管理的效果,降低了运营成本。借助人工智能驱动的技术,智能建筑能够根据用户行为、季节变化以及实时环境状况自动调整自身运行参数,从而提升居住者的满意度并实现更高效的节能效果。

可解释性与准确性的权衡
在建筑能源管理领域,通常存在着这样一种矛盾:一方面,先进的模型能够更精准地预测目标值,另一方面,这类模型往往难以被人类理解。深度神经网络以及GBM、RF之类的集成学习方法虽然通常具备更强的预测能力,但由于其“黑箱”特性,限制了其透明度。例如,Batra等人[54]通过结合LSTM与GBM模型来评估暖通空调系统的能耗情况。同样,Olu-Ajayi等人[65]也指出了在解读用于预测居民能源消耗的深度学习模型时所面临的困难。可解释人工智能技术,如SHAP或LIME,对于维护各方对智能建筑管理系统的信任以及为能源管理者提供有用信息具有重要意义,因为建筑能源管理决策会直接影响到建筑的运营效果与居住者的使用体验。

混合学习与集成学习框架
近期,在建筑能源建模领域,人们开始运用混合学习与集成学习方法,以提高模型在各种不同环境条件下的预测精度与抗干扰能力。Li等人[68]提出了一种基于混合教学-学习机制的人工神经网络模型,该模型在预测建筑电能消耗方面表现出更强的收敛性与泛化能力。Pham等人[69]通过在多栋建筑中应用多种机器学习模型,并结合粒子群优化算法对集群层面的预测结果进行优化,取得了显著的效率提升。Zhou等人[71]则利用LSTM网络成功捕捉到了空调系统能耗中的长期时间依赖关系。这些研究都表明,通过整合优化策略或结合多种学习方法,能够有效提升智能建筑在动态环境中的运行性能。

部署环境与计算效率
在建筑能源管理中,高效部署人工智能模型至关重要,尤其是在嵌入式或边缘计算系统中。在暖通空调控制系统方面,Wei等人[123]展示了一种适合实时应用的分层强化学习模型,该模型能够在保持良好性能的同时,将计算开销控制在合理范围内。Aslam等人[124]则提出了一种智能电网能源管理方案,该方案将微电网与提前一天进行的能耗预测功能相结合。

模型更新与持续学习
由于季节性天气变化、人员占用模式的变化以及设备老化等问题,建筑能源系统会不断处于动态变化之中。因此,模型必须具备持续学习的能力,才能始终保持良好的预测性能与控制效果。Mocanu等人[98]采用了在线分层强化学习架构,实现对建筑能源的实时优化,能够灵活适应不断变化的环境条件。Wang等人[63]则运用多智能体分层强化学习技术来管理混合式的住宅建筑系统,通过不断更新控制策略以实现长期优化。Yu等人[104]则将分层强化学习技术应用于办公建筑的暖通空调系统控制,通过让智能体根据实时环境反馈不断调整控制策略,从而实现长期学习优化。这些研究都证实,通过在线学习或领域自适应等方式实现长期模型优化,对于构建稳健的建筑能源管理系统具有重要作用。

与控制系统的集成
将人工智能模型整合到实时控制系统中,是实现人工智能技术在建筑中实际应用的关键步骤之一。例如,Zhang等人[125]通过将强化学习技术与需求响应机制以及碳交易机制相结合,提出了适用于园区级能源系统的低碳经济调度模型。类似地,Zheng等人[92]则为区域供热网络建立了基于数字孪生的控制框架,实现了预测模型与热力控制系统之间的实时交互反馈。这些应用都强调了模型与控制平台之间的兼容性是实现智能建筑高效运行的基础要求,而这需要标准的应用程序接口、实时的数据流传输,以及执行器层面的深度集成。图7展示了人工智能驱动型NZEB应用中各实施要素的运用情况。

研究趋势、面临的挑战及未来研究方向
本节将介绍当前在人工智能技术应用于NZEB领域的研究趋势、现存问题以及未来的研究前景。

当前的研究趋势
目前,人工智能技术在实现NZEB目标方面的研究趋势,主要集中在整合智能控制、预测分析以及优化策略这三种功能,以此降低建筑能源消耗,同时最大化可再生能源的使用比例。图8展示了基于人工智能的零能耗建筑应用当前研究趋势的示意图。下载:下载高分辨率图片(332KB)下载:下载全尺寸图片

图9. 基于人工智能技术实现零能耗建筑的当前研究趋势示意图。

预测与自适应控制系统
MPC和DRL等人工智能控制系统正成为零能耗建筑中暖通空调、照明及设备负荷优化领域的重点研究方向。尤其是DRL,能够让系统通过试错学习高效的控制策略。例如,Bayer与Pruckner[126]运用多智能体强化学习方法,在保持舒适度的前提下将暖通空调能耗降低了约6–8%。基于Transformer的HVAC DPT模型则在未见过的新建筑上进一步将能耗降低了45%。这类自适应学习型控制器能够快速响应天气变化和人员流动情况,非常适合用于动态变化的零能耗建筑。

联邦学习与迁移学习
在零能耗建筑能源管理领域,联邦学习作为一种符合隐私保护要求的解决方案,逐渐受到重视。它能够在不交换原始敏感数据的情况下,跨多个零能耗建筑共同训练模型[127,128]。这种方法既实现了去中心化学习,又能保障数据安全并符合隐私规范。迁移学习则可以作为补充,让预训练模型只需少量额外训练就能适配新建筑或新环境,从而降低计算和校准成本[129]。HVAC DPT框架表明,通过领域特定的微调,模型能够在不同类型的建筑之间通用,进而更快地应用于零能耗建筑环境。联邦学习与迁移学习相结合,可为各类零能耗建筑提供高效、可扩展且智能的能源管理方案。

用于设计与改造优化的人工智能
人工智能被广泛用于优化零能耗建筑的设计与改造过程,尤其通过遗传算法、粒子群优化和DRL等多目标优化技术来实现。这些优化策略能够在设计或改造初期同时兼顾能源性能、热舒适度与成本效益。最近,Kadri?等人[90]在单户住宅中采用了多目标改造优化方法,成功实现了能耗、二氧化碳排放量与改造成本的平衡降低。这类人工智能工具能够帮助建筑师和能源规划师高效分析设计方案,推动高性能零能耗建筑方案的应用。

数字孪生与信息物理系统
结合人工智能的数字孪生平台通过实时监测、仿真与自动控制,正在改变零能耗建筑的设计、运营及全生命周期管理方式[112,130,131]。例如,Zheng等人[92]提出了一种基于数字孪生的区域供热网络框架,可通过水力阻力检测和热负荷预测实现动态运行调整,并获得高精度的系统响应。欧洲的SmartWins等项目则利用集成BIM的数字孪生技术,通过虚拟调试、异常检测和预测性维护,优化建筑全生命周期的能源性能[132]。这些人工智能驱动的数字孪生系统在物理传感器与虚拟仿真之间形成闭环反馈,实现了以数据为依据的灵活能源管理。

可解释的人工智能与透明模型
由于零能耗建筑的控制系统越来越依赖易于理解的人工智能算法,因此向相关方展示模型决策的透明度至关重要。像HVAC-DPT这样的基于Transformer的控制器能够提供清晰的可理解决策路径,从而更便于被接受和信任。这类模型不仅降低了系统的复杂性,还有助于提升智能建筑控制系统的合规性[133]。此外,生成式人工智能技术如GAN也能助力零能耗建筑的进步,它们能够模拟多种场景,比如建筑结构变化、不同的使用模式以及不同的天气条件。生成式人工智能可通过分析各类场景,帮助确定提升建筑韧性及能源效率的最佳方案。GAN还能模拟未来不同气候条件下的改造或新建项目对能源消耗的影响,为建筑设计及节能工作提供重要参考[134]。图8展示了基于人工智能的零能耗建筑应用当前研究趋势的示意图。

存在的问题与挑战
在实现零能耗建筑的过程中,人工智能技术的应用面临着诸多重大问题与挑战,必须加以解决才能推动这一目标的实现。了解这些挑战对于制定有效的应对策略至关重要。

数据质量、隐私与可用性
在建筑行业应用人工智能时,数据的质量与可用性是一个重大障碍。人工智能模型需要大量数据集进行训练和验证,但在建筑相关领域,获取全面且高质量的建筑性能数据十分困难[135]。现有的数据可能碎片化、不完整或针对性不足,难以构建出能够最大化提升能源效率的高精度人工智能模型。同时,保护与零能耗建筑相关的数据也极为重要,必须采取有效措施防止数据被未经授权访问或滥用[136]。

人工智能系统本身的能耗问题
人工智能系统,尤其是深度学习模型,其较高的计算需求带来了能耗问题。虽然人工智能有助于提升建筑能源效率,但其训练和部署过程却可能抵消其带来的可持续性优势。当人工智能被广泛应用于实时监测和预测分析等需要持续处理任务的场景时,这一问题更为突出。大型数据中心及人工智能计算所带来的碳排放也构成了环境压力,这与低碳或零能耗建筑的目标相悖。那些不可移植且效率低下的人工智能模型,会在资源有限的建筑管理系统中进一步加剧这一问题[137]。高质量的数据要求、专业技能要求高以及需要持续维护,都阻碍了人工智能系统在建筑领域的应用。此外,还需要为相关从业者做好培训,使其能够适应人工智能及其在绿色技术中融合所带来的变化[138]。

多目标建模的适用性
在多目标建模中,虽然可以针对特定建筑计算出其碳足迹与运营成本,但这类模型的特性往往固定不变,无法适用于不同类型的建筑[139]。这一限制使得现有模型难以推广到其他类型的建筑结构中。未来的发展需要改进机器学习框架,引入更先进的算法,以便在建筑设计和施工阶段更好地辅助决策[80]。这包括开发能够从其他建筑类型、使用者行为及环境条件中学习的自适应模型。利用智能传感器和物联网技术提供的实时数据,还可以进一步提升预测算法的响应速度与准确性。

提升公众对减少碳排放的意识
建筑对环境的负面影响是相关方和专业人士关注的重点问题。目前,多数国家和行业都已将低碳项目作为优先发展方向,政府机构也在积极提供政策支持[140]。此外,还将政治现实因素纳入能源系统建模中,才能使相关政策更加有效[141]。这些因素都应纳入后续研究中,从而提升研究人员、从业者、政策制定者以及广大公众的相关认知水平。

人工智能算法中的公平性与偏差问题
人工智能工具容易存在偏差,而这可能会加剧现有的不公平现象。出现偏差的结果以及社会和环境层面的失衡,可能源于训练数据的不均衡、开发团队缺乏多样性以及算法决策本身的问题[142]。在能源管理系统和智能建筑中,这类偏差可能导致某些用户群体无法享受到节能带来的好处,或者出现能源浪费、资源分配不均的情况。人工智能系统的伦理要求其具备责任感、公平性和透明度。必须通过大量测试与验证、使用具有代表性且多样化的训练数据以及持续监控,来识别并纠正人工智能算法中的偏差。持续监控还有助于发现人工智能控制系统是否对某些区域或用户群体存在偏好,从而避免在建筑中出现空间或社会层面的不平等现象。增强人工智能开发团队的包容性与多样性,也有助于减少算法偏差,让人工智能系统更加公正[143]。

人工智能在建筑领域的应用前景
人工智能技术在提升建筑能效、减少碳排放方面具有巨大潜力,但其推广和应用仍面临诸多挑战。现有研究显示,目前尚缺乏足够的实证证据来证明人工智能应用在经济层面带来的价值,尤其是在推动建筑可持续发展方面的作用[144]。由于相关信息匮乏,相关方更难以确定是否应该投资人工智能技术。此外,不同类型的建筑在人工智能应用上存在较大差异,这使得学术模型预测的结果可信度较低,仅能在理论上适用。当理论走向实践时,这些差异可能会导致结果不够理想或不准确[145]。因此,需要在建筑领域建立统一的方法论和评估标准。图10展示了人工智能技术在实现零能耗建筑过程中所面临的现有问题与挑战的示意图。下载:下载高分辨率图片(371KB)下载:下载全尺寸图片

图10. 实现零能耗建筑过程中人工智能技术所面临的问题与挑战说明。

未来工作与展望
本节概述了未来在零能耗建筑中应用高效人工智能模型与工具的若干方向。要推动人工智能技术在零能耗建筑领域的进一步发展,就必须妥善应用先进的人工智能模型、智能控制技术以及具备气候适应能力的人工智能方法。

针对复杂建筑结构的 数据驱动模型优化
目前,多层住宅和商业建筑的数据驱动模型仍存在诸多局限,需要加以改进。实现能量效率与热舒适度的真实模拟以及精准数据采集仍是两大难题。尽管人工智能提供了优化可能性,但由于其对高质量数据的持续需求,容易出错且难以实现大规模应用。此外,未来的模型还需要考虑太阳辐射和风湍流等复杂环境因素,这些因素会从多个层面影响建筑性能。为解决这些问题,可能需要开发混合模型,结合人工智能技术与传感器技术,以提升实时感知能力[146]。

用于安全与异常检测的先进机器学习解决方案
基于监督学习、无监督学习及强化学习方法的适应性强的机器学习物联网安全解决方案正在不断发展[147]。未来的研究需要利用这三种学习方法,打造更加强大且具备更强韧性的机器学习物联网安全解决方案。相关策略可通过改进身份认证、访问管理、数据卸载及恶意软件检测等方式,增强数据隐私保护能力。然而,系统的部分可观测性、高昂的计算与通信成本、庞大的训练数据需求以及复杂的特征提取工作,都使得这类方案的实用化面临困难。此外,在强化学习方案中,还需在初始学习阶段严格控制风险探索行为,避免违反安全规范。过采样、有限的训练数据以及不当的特征工程,都可能导致现有的先进监督学习和无监督学习入侵检测模型失效。未来的解决方案应采用混合智能控制策略。在工业物联网和信息物理系统中,可以利用高斯径向基函数神经网络检测攻击,而带有变结构控制的传统非线性控制系统则可在保障系统性能的同时抵御攻击[148]。

建筑系统的智能控制策略
随着操作数据的日益丰富以及数据驱动预测模型的灵活性不断提升,它们在智能建筑中的应用也越来越广泛。深度学习模型在能源消耗预测和制冷负荷预测方面取得了显著进展[149]。不过,如何在保障居住者舒适度的同时提升能源效率,仍然是一个难题。为解决这一问题,多智能体系统被作为一种优化温度、照明及空调系统的方法提出[150]。在能源预测任务中,最新的深度学习技术,如条件受限玻尔兹曼机和分解条件受限玻尔兹曼机,其性能已优于传统的神经网络模型,如人工神经网络和循环神经网络[151]。此外,利用深度神经网络将建筑内的各种活动转化为居住者舒适度等级,结合物联网提供的数据,也能够构建出有效的热舒适度模型[152]。

面向气候适应型建筑的人工智能投资
为加快人工智能技术在建筑领域的应用与发展,尤其是为应对气候变化问题,必须加大投资力度[153]。鉴于建筑对全球碳排放贡献巨大,各组织有必要借助人工智能技术提升建筑的能源效率,减少碳排放,实现更高水平的效率。目前,私人投资者、各类组织以及政府机构都在不断增加投资,支持智能建筑技术中的人工智能应用。这些应用包括实时监测、智能暖通空调控制以及预测性能源管理,均有助于实现可持续发展目标。相关投资不仅能带来成本节约和运营效率的提升,还能增强建筑的长远气候适应能力。此外,还需要完善过时的政策与法规,以促进创新与技术应用[154]。越来越多的影响力投资和风险投资基金也开始关注用于可持续建筑设计与运行的人工智能技术。由于对可持续发展的重视,许多企业也在投资人工智能技术,以实现碳中和并提升建筑性能[155]。

人工智能在建筑领域的可扩展性与可复制性
要充分发挥人工智能在构建气候适应型建筑中的作用,其可扩展性与可复制性至关重要。用于建筑能源管理、舒适度优化及碳排放控制的人工智能算法与模型,必须能够适应不同类型的建筑、不同的气候条件以及不同的地理环境[156]。用于建筑领域的开源人工智能工具和平台能够加速新建筑及既有建筑的协作、创新与应用。云计算使得设施管理者、开发人员以及城市规划者能够大规模部署针对建筑的智能系统[157]。边缘计算则可在本地处理数据,从而为偏远地区或能源受限场所的智能暖通空调、照明以及基于人员存在的系统提供实时决策支持。

结论与讨论
为在整个建筑生命周期内实现最佳的能源效率、使用舒适度以及环境可持续性,必须将人工智能融入零能耗建筑中。人工智能技术可有效解决能源管理中的诸多问题,如需求预测、既有建筑改造规划、碳排放降低以及动态暖通空调系统控制等。目前已有大量研究致力于构建高效且智能的零能耗建筑人工智能框架,以提升相关功能。本次综述的主要研究发现如下:
• 已对多种基于人工智能的技术进行了深入研究,包括监督学习、深度学习、强化学习、混合模型以及优化算法。在综述过程中,对这些人工智能方法、模型、应用领域、优势、劣势以及研究空白进行了分类分析。结果表明,深度学习和监督学习模型在能源预测与控制方面表现良好,而混合人工智能框架与优化方法则能进一步提升系统的准确性与灵活性。不过,这些模型通常需要可靠的系统集成、精确的信息以及充足的计算资源。
• 综述还探讨了数据收集、预处理、数据优化、模型可解释性、模型选择以及实时执行等关键实施要素。研究表明,这些因素会对零能耗建筑环境中人工智能系统的性能产生重大影响。因此,若要在实际场景中获得可靠、可扩展且可解释的人工智能结果,就必须仔细设计并考虑各项实施细节。
• 文中还指出了若干重要的局限性及问题,包括多目标建模、公平性与偏见、人工智能系统集成、数据可用性、隐私保护以及数据质量等。这些问题会影响到系统的运行可靠性、迁移能力以及性能表现。为弥补这些缺陷,需要建立更具弹性、灵活性且能感知上下文的人工智能框架。
• 文中还提出了未来重要的发展方向,包括采用先进的机器学习解决方案来保障安全性、实现智能控制方法、投资于具备气候适应能力的建筑人工智能系统、提升系统的可扩展性及可复制性等。这些发展有望显著提升人工智能在零能耗建筑中的应用性能,推动大规模智能、可持续的建筑运营。

总体而言,本研究采用了一种理论综合的方法,整合了现有文献中的相关知识,而非基于实验验证的模型。未来,可通过所提出的框架从理论上构建面向零能耗建筑的人工智能系统,这有助于后续研究开展实证验证并推动其在实际中的应用。本综述通过全面的分析、模型评估、实施成果以及前景展望,为研究人员、政策制定者、建筑师及工程师提供了有价值的信息。这些研究成果为构建能够提升能源效率、减少碳足迹,并助力实现可持续发展目标及全球减碳目标的智能零能耗基础设施奠定了基础。

作者贡献声明
M.A. Hannan:撰写——综述与编辑、指导、软件使用、资源协调、项目管理、方法论设计、资金筹集、概念构思。
S. Ansari:撰写——综述与编辑、原始稿件撰写、软件使用、方法论设计、研究实施、形式化分析、数据整理。
S.R. Arsad:撰写——综述与编辑、资源协调、研究实施、形式化分析、数据整理。
A.Z. Arsad:撰写——综述与编辑、资源协调、研究实施、形式化分析、数据整理。
Pin Jern Ker:软件使用、资源协调、项目管理、研究实施、形式化分析。
R.A. Begum:可视化处理、结果验证、软件使用、研究实施、形式化分析。
G. Jang:可视化处理、结果验证、软件使用、资源协调、资金筹集。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号