综述：建筑能源应用中的人工智能技术：进展、机遇、挑战与未来展望

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：AI technologies for building energy applications: advances, opportunities, challenges and future perspectives

　　摘要：近年来，人工智能技术发展迅速，越来越被视为提升建筑能效与可持续性的重要工具。在学术研究领域，人工智能在建筑的整个生命周期中展现出巨大潜力，涵盖规划设计、控制优化以及维护与故障诊断等方面。然而，其在实际建筑能源系统中的应用仍较为有限，大规模的实践应用也极为少见。这一现状引发了两个关键问题：人工智能在建筑能源应用中能带来哪些实际价值？又如何在现实约束条件下更好地支持这类应用？本综述旨在通过系统梳理当前用于建筑能源应用的人工智能技术进展，探讨其优势、机遇、挑战及未来发展方向，以此回应上述问题。首先明确了人工智能的概念范畴，区分了宽泛定义与严格定义。同时指出了阻碍其大规模应用的诸多挑战，包括对数据的依赖性、较高的计算成本、可解释性不足、缺乏标准化、安全顾虑以及高昂的实施费用。基于这些分析，本文进一步探讨了未来需要开展的研究，以提升人工智能在现实建筑能源应用中的效率、可靠性与部署可行性。

1. 引言
建筑行业占据了全球能源消耗的近40%，是能源需求和环境影响的主要来源之一[1]。随着城市化进程的持续推进，这一需求预计还将上升，因此亟需在建筑的规划、运营和维护等整个生命周期中采用更先进、更有效的能源管理策略[2]。人工智能作为一种应对这些挑战的有效手段逐渐受到重视[3]。基于人工智能的方法能够提升对建筑系统的预测、优化与监控能力，有望显著提高能源效率与运行性能。根据国际能源署的数据，仅数字化措施就可在2040年前使住宅和商业建筑的能源消耗降低约10%[4]。尽管前景广阔，但人工智能在实际建筑运营中的影响力仍然有限。在传统的建筑管理系统中，控制决策大多仍依赖于基于规则的调度方案、PID控制回路或专家制定的监控逻辑，因而需要大量人工干预[5]。这一现状凸显出有必要深入评估当前人工智能技术的发展水平及其在建筑能源应用中的实际应用潜力。

现有的相关综述从不同视角研究了人工智能在建筑能源系统中的应用，大致可分为三类：方法导向型综述总结了人工智能、机器学习、深度学习及优化技术在建筑能源管理与能效提升方面的应用[6,7]；任务导向型综述则聚焦于特定应用场景，如建筑能源预测[8]、基于强化学习的控制策略[9]以及故障检测与诊断[10]；系统或目标导向型综述则探讨了人工智能在零能耗建筑、商业建筑灵活性及相关智能能源应用中的作用[11,12]。这些研究为相关领域提供了宝贵的方法论与应用层面的总结，但多侧重于介绍已有的人工智能方法及其应用场景，较少探讨这些方法是否以及为何能够被应用于实际建筑中。现有文献仍缺乏一种以实际部署为导向的综合分析，未能同时考虑生命周期阶段、功能角色、自主程度以及实际部署约束等因素。正是由于这一缺失，许多在实验环境中表现优异的人工智能方法在现实建筑能源系统中仍难以实现大规模应用。本综述通过深入分析人工智能技术在建筑整个生命周期中的实际适用性，弥补了这一空白，尤其注重操作约束与现实实施挑战，从而为现有人工智能方法提供更具应用导向的理解。

1.1 建筑与工程应用中人工智能的定义与范畴
学者们与机构从不同角度对人工智能给出了多种定义。早期的定义将人工智能描述为“制造智能机器的科学与工程”，而较新的定义则强调工程化系统能够基于数据生成预测、决策与建议的能力[13,14]。尽管表述有所不同，但这些定义都有一个共同目标：让机器能够执行通常需要人类认知能力才能完成的任务，如学习、推理与决策。图1简要展示了人工智能的发展历程。自1956年正式提出以来，人工智能从基于规则的符号系统[15]，发展到能够模拟人类决策过程的专家系统[16]，再到如今基于数据的机器学习方法[17,18]以及大型模型，包括大型语言模型[19,20]。这一发展得益于计算能力、数据获取能力以及算法设计的不断进步。

图1 人工智能的发展历程

然而，在建筑与工程应用领域，尽管技术取得了快速进展，但实际应用层面尚未发生根本性的变革。目前人工智能在建筑能源应用中的做法仍沿袭早期模式，即通过预定义的结构或监控级优化来辅助决策。例如，许多建筑能源应用仍依赖基于规则的增强型控制策略或专家制定的逻辑，这些策略只是辅助而非替代由人类设计的控制框架。建筑运营具有强烈的物理约束、严格的安全要求、较长的运营周期以及对不确定性的高度敏感。正因如此，那些在受控或数据丰富的环境中表现优异的人工智能方法，在实际建筑中应用时往往面临巨大挑战。这一矛盾促使我们进一步探究“人工智能”在建筑能源应用中的真实含义。本研究区分了两种概念性的人工智能定义，为后续的深入分析提供了基础。

a) 人工智能的宽泛定义
按照宽泛定义，人工智能涵盖了众多基于数据驱动或规则增强的计算技术，包括专家系统、传统机器学习模型以及针对特定领域的自动化工具。这些方法被广泛用于建筑能源应用中的能源优化、故障检测与预测性维护等任务，能够提升效率并提供部分决策支持。不过，它们缺乏通用推理能力与类人自主性，通常需要人类介入来建立和更新内置知识库，并应对意外情况。因此，尽管这些工具有助于实现更智能的运营，但其应用仍受限于设计假设与运行环境。

b) 人工智能的严格定义
相比之下，严格定义的人人工智能更符合其最初的愿景，即实现类人智能，具备适应性学习、自主推理以及在不确定性条件下的决策能力。按照这一定义，人工智能应具备与人类专家相当的自主性，能够在无需持续人工干预的情况下动态适应不断变化的环境。近期的一些进展，如大型语言模型与自适应控制策略，已在一定程度上朝着这一目标迈进。

1.2 建筑能源应用中的人工智能技术概述
在本综述中，“建筑能源应用”指的是单个建筑层面的与能源相关的各类过程，包括供暖、通风与空调系统、照明系统、现场能源管理，以及相关的设计、控制与维护等工作。为明确研究范围，本综述主要聚焦于建筑层面的应用，不涉及城市规模的能源系统、区域供热网络或数据中心能源管理，因为这些领域具有不同的系统边界与运行约束。

用于建筑能源应用的人工智能技术已在建筑的整个生命周期中得到研究。本研究依据时间进展与功能特征，将这一生命周期划分为三个阶段：（i）规划与设计阶段，（ii）控制优化阶段，（iii）维护与故障诊断阶段。这三个阶段在决策时间尺度、数据可用性以及运行约束方面存在差异，因此为人工智能的应用带来了不同的机遇与挑战。

o 规划与设计阶段：该阶段以离线分析与仿真驱动的决策为主，可以在没有实时限制的情况下评估多种设计方案。人工智能主要用于支持早期决策，如系统规模确定、被动式设计优化以及能源模拟。这些功能有助于优化建筑围护结构、布局与系统配置，从而提升长期能源性能。

o 控制优化阶段：该阶段需要在不确定性条件下进行实时或接近实时的控制，对系统的稳定性、安全性与响应速度有严格要求。人工智能技术常被用于优化 HVAC 系统的运行，使其能够适应人员行为与环境变化，并助力可再生能源、能量存储装置与智能电网之间的协同工作[21]。

o 维护与故障诊断阶段：该阶段侧重于系统监控与长期性能管理，通常通过监控或决策支持功能来实现。人工智能被应用于故障检测、诊断与预测性维护，以便及时发现性能下降问题，减少能源浪费，并提升系统在长期运行中的可靠性。

尽管人工智能技术已在建筑的整个生命周期中得到广泛研究，但许多研究仍是在受控或理想化的条件下开展与评估的，重点在于算法性能。而可部署性、稳健性以及长期运行可行性等实际因素则相对较少受到关注。正因如此，许多基于人工智能的解决方案仍处于仿真研究或短期演示阶段，未能在实际建筑运营中得到广泛应用。这一状况凸显出有必要开展更具批判性与应用导向的综合分析，不仅要关注方法上的进步，还要充分考虑其在现实约束条件下的实际影响。

1.3 本文的目标与宗旨
鉴于学术研究成果与实际应用之间存在较大差距，本文旨在对建筑能源应用中人工智能技术的现状、实际作用以及未来研究需求进行一次具有批判性且以部署为导向的综述。具体目标如下：
? 系统梳理人工智能在建筑整个生命周期中的各类应用策略。
? 识别阻碍人工智能在建筑能源应用中有效部署的各种挑战与局限。
? 深入分析人工智能在建筑能源应用中的作用，并探讨推动其从学术研究走向实际大规模应用的未来研究方向。

本文的整体结构如图2所示。第2节介绍了遵循PRISMA准则的文献检索方法与结构化提取流程。第3节呈现了研究结果与讨论，重点分析了人工智能在建筑能源应用中的贡献与局限性。第4节则提出了未来的研究需求，重点关注能够支持人工智能大规模部署的政策、技术平台与工程解决方案。总体而言，本文综合了当前的研究进展，指出了关键挑战，并明确了人工智能在建筑整个生命周期中的未来发展方向。

图2 建筑能源应用中人工智能的综述框架

2. 文献检索方法
本综述采用了结构化且以应用为导向的文献检索方法，旨在系统梳理人工智能技术在建筑能源应用方面的代表性研究成果。通过Scopus与Web of Science数据库进行针对性搜索，筛选出2020年至2025年间的最新文献，以反映该领域人工智能技术的快速发展。同时构建了包含人工智能相关方法与建筑能源应用领域的关键词组合，涵盖机器学习、深度学习、强化学习、启发式优化、数字孪生、HVAC系统、能源管理、控制优化、故障检测以及能源灵活性等内容。搜索范围包括文章标题、摘要与关键词字段，此外还通过追踪高相关性综述文章与应用导向论文的引用关系，进一步发现了更多具有重要参考价值的文献。

在筛选过程中，重点考量了研究的工程实用价值与实际意义。只有同时满足以下条件的研究才会被纳入分析：（i）明确将人工智能技术应用于与建筑能源相关的问题；（ii）提供了明确的性能指标，如能源节约量、控制性能、舒适度提升程度、系统稳健性或与部署相关的观察结果。那些纯属概念性研究、缺乏技术验证，或涉及与建筑能源系统无关的人工智能应用的研究则被排除在外。

经过筛选与资格评估后，最终选择了120篇全文文章进行详细分析。从每篇文章中提取了关键信息，包括应用背景、所使用的人工智能技术、相关参数要求、控制或预测目标、性能指标以及报告的局限性等。这些提取的信息随后被进一步分类并按照生命周期阶段、人工智能的功能角色、决策时间尺度、验证方式以及部署约束进行归类整理。这一流程为本综述所采用的基于生命周期的分类方法提供了支撑，也将各类人工智能应用归入了规划与设计、控制优化以及维护与故障诊断三大类别。这些分类后的信息还为后续章节中的对比分析、批判性综合与讨论提供了基础。

3. 研究结果与讨论
3.1人工智能技术在建筑能源应用中的应用概述
通过对该领域代表性研究的综合分析，当前的研究方向主要集中在四个方面：（一）人工智能驱动的预测与数据驱动建模；（二）优化与智能控制策略；（三）建筑能源性能与以使用者为中心的分析；（四）与智能能源系统及数字基础设施的整合。大量研究聚焦于基于机器学习与深度学习的预测和建模技术，尤其用于能耗预测、负荷估算、模式识别以及系统辨识。典型应用包括短期和中期负荷预测、基于人员流动的需求建模，以及暖通空调系统行为的替代建模。这些研究表明，数据驱动模型能够有效捕捉环境条件、系统状态与能源性能之间的非线性关系。这类研究强调数据驱动建模在系统理解与预测中的作用，但同时也反映出其对数据质量与可用性的依赖，且在模型鲁棒性、可解释性以及在不同运行条件下的泛化能力方面关注不足。

另一个重要的研究方向是优化与控制相关应用，其中人工智能技术被用于支持建筑能源系统的决策制定、调度与控制。这包括监控控制优化、需求响应、设备调度，以及多能源子系统的协调管理。在此背景下，人工智能通常与优化框架或控制策略相结合，以提高系统在动态条件下的运行效率与适应性。这一方向体现了从被动预测向主动决策与控制的转变，但也带来了系统复杂度的提升，需要与现有控制架构实现更紧密的整合，同时在实时实施、系统稳定性与可靠性方面面临更多挑战。

还有一类研究注重能源性能与以使用者为中心的考量，旨在平衡能源效率、室内环境质量与使用者舒适度。在这一领域，人工智能方法常用于性能评估、场景模拟以及兼顾舒适度的优化，尤其在建筑系统的设计与评估中发挥作用。这类研究显示出向以人为核心的多目标优化的趋势，但也暴露出量化使用者偏好以及在相互竞争的目标之间进行权衡的困难，这限制了此类方法的实际应用范围与扩展性。

此外，越来越多的研究开始关注将人工智能与新兴的智能能源技术相结合，如可再生能源系统、能量存储、物联网平台以及智能电网。这些研究探讨了人工智能在实现互联互通、数据驱动且分散式的能源管理中的作用，旨在提升系统层面的协调性与灵活性。这一趋势反映了人工智能研究从单一建筑优化向系统级协调的转变，但也意味着研究重点从单一设备建模转向多系统耦合，从而对数据同步、接口互操作性以及预测误差的容忍度提出了更高要求。

总体而言，现有文献表明，建筑能源应用正逐步从传统的基于规则的控制系统转向数据驱动和学习型的人工智能方法。然而，某些人工智能技术在学术研究中的普遍应用并不必然意味着其在实际应用中的有效性。尤其是数据驱动的预测与优化方法虽在方法论上具有可行性，但在实际部署过程中仍面临诸多挑战，包括在现实建筑环境下的可适用性、系统鲁棒性以及长期运行稳定性等问题。

3.2 人工智能在建筑全生命周期中的能效提升
基于第2节所述的分类与映射流程，图3展示了本综述所采用的基于全生命周期的综合分析方法。人工智能应用被划分为三个主要阶段：规划设计、控制优化，以及维护与故障诊断。这三个阶段反映了人工智能在支持建筑能源性能方面的不同时间维度与功能层面，从早期设计决策，到运行控制，最终到长期监测与维护。

**规划设计阶段**：这一阶段是人工智能应用较为成熟且应用较为广泛的领域，主要是因为该阶段依赖于离线分析，能够较好地应对不确定性，并允许延迟决策。人工智能主要被用于基于替代模型的性能预测、自动化设计空间探索，以及支持多目标决策制定。由于此阶段的决策会显著影响建筑的长期热性能、负荷分布以及可再生能源利用效率，人工智能可通过比传统手工方法更高效的方式对比大量设计方案，从而带来显著价值。不过，所取得的效益通常取决于预定义的设计变量、仿真假设以及项目特定的约束条件。

**控制优化阶段**：由于对实时响应性、安全性、舒适度以及动态条件下的系统鲁棒性有极高要求，这一阶段仍是人工智能应用最不成熟且最具挑战性的领域。人工智能主要被用于预测系统响应、生成最优运行方案，以及在不同人员流动、天气状况、负荷变化及电网条件下协调建筑能源使用。尽管这一阶段具有巨大的节能与灵活性潜力，但由于控制错误可能立即影响使用者舒适度、设备安全及系统运行可靠性，因此其应用面临最大的障碍。

**维护与故障诊断阶段**：这一阶段侧重于系统的长期监测、可靠性管理以及性能下降检测。人工智能主要被用于识别异常运行情况、诊断故障，并支持预测性维护。与实时控制相比，维护相关应用通常更易于实现，因为诊断结果与维护建议通常可以在采取纠正措施之前由操作人员进行审核。这使得人工智能更适合作为这一阶段的决策支持工具。尽管如此，实际应用仍依赖于可靠的传感基础设施、充足的历史数据以及可解释的诊断结果。

下载：高分辨率图像（807KB）
下载：完整尺寸图像
图3. 建筑能源系统中人工智能应用的基于全生命周期的综合分析

3.2.1 用于建筑规划设计的人工智能技术
本小节通过四个典型的设计任务，进一步探讨人工智能在规划设计阶段的应用：建筑围护结构设计优化、空间布局与朝向优化、暖通空调与照明系统设计及尺寸确定，以及能源系统整合与可再生能源规划。

**建筑围护结构设计优化**
建筑围护结构包括外墙、屋顶、窗户、隔热层以及玻璃系统，它在调节室内外热量传递方面起着关键作用。其设计会影响建筑的制冷与制热需求、热舒适度、自然采光效果以及全生命周期碳排放量。从人工智能应用的角度来看，围护结构设计非常适合采用数据驱动与优化辅助的分析方法，因为许多围护结构参数可以被明确定义，且其影响可通过建筑性能仿真进行评估。现有研究主要通过两种互补的方式运用人工智能：首先，构建替代模型来近似模拟不同围护结构配置下的热性能与能耗表现，从而减少重复进行高成本仿真的需要[22,23]；其次，将基于人工智能的优化算法与仿真工具结合，寻找能够在能源效率、舒适度、成本及碳减排目标之间取得平衡的围护结构参数组合[24,25]。相关研究的详细算法、变量及成果总结见表1。

表1. 用于建筑围护结构设计优化的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[26] | 神经网络、多目标粒子群优化 | 围护结构U值、吸光率、热桥、遮阳方向、玻璃类型 | 通过多目标优化实现最高75%的能耗节省（理想化仿真；未经过优化的基础方案）
[27] | 深度信念网络 | 建筑面积、层高/层数、结构类型与围护结构类型 | 在7种案例和3种建筑系统中，预测误差低于5%（依赖于数据驱动的替代模型精度）
[28] | 遗传算法 | 建筑几何形状、围护结构、固定装置 | 通过多目标优化实现60–80%的能源消耗降低（理想化仿真；初始基准方案；单案例研究）
[29] | 灰狼优化、随机森林、GAW算法 | 墙体/屋顶/窗户的U值、太阳吸光率、窗墙比 | 通过多目标优化实现16.6%的碳排放降低及18.3%的舒适度提升（基于仿真数据；单栋建筑案例）
[30] | 元加性回归、M5P树、REP树、Petri网 | 材料厚度与熔点、窗户类型、围护结构隔热性能、太阳吸光率、窗墙比、开窗位置 | 通过多参数优化使建筑年能耗降低50千瓦时/平方米（基于DesignBuilder的仿真；单户住宅案例研究）

总体而言，人工智能辅助的围护结构设计在提升早期设计效率及支持多目标决策方面展现出巨大潜力。不过，所取得的改进效果通常是在特定的建筑类型、气候条件、基础假设以及预定义的设计空间下实现的，因此在实际项目中，其适用性可能受到施工可行性、法规要求、成本限制、材料供应情况以及相关方需求等因素的制约。

**空间布局与朝向优化**
空间布局与建筑朝向会影响自然通风、自然采光、太阳得热量、内部负荷分布以及被动式舒适度。与围护结构参数优化相比，这一问题往往更具组合性，且标准程度较低，因为布局决策需要综合考虑几何、功能、建筑风格以及舒适度等多方面约束。因此，在早期设计阶段，逐一手动评估所有可能的布局方案通常是不切实际的。人工智能主要通过支持设计方案的自动生成、快速评估与筛选来为这一领域提供帮助。基于生成式或规则的方法可以产生多种不同的布局方案，而数据驱动的预测与优化模型则可用于评估这些方案在能源消耗、自然采光及舒适度等方面的表现。从这个意义上说，人工智能更像是设计空间探索的工具，而非完全自主的建筑决策者。相关研究的详细方法、变量及成果总结见表2。

表2. 用于空间布局与朝向优化的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[31] | 强度帕累托进化算法 | 房间布局、平面纵横比、窗墙比、遮阳系数、可见光透射率 | 通过参数化多目标优化实现11%的能耗降低（基于Grasshopper的仿真；单户住宅案例）
[32] | 自动编码器、人工神经网络 | 建筑朝向、建筑间距、布局角度、偏移量 | 对自然采光性能的预测精度很高（R2=0.946；基于Grasshopper的仿真数据集）
[33] | 设计响应语法、进化算法 | 结构系统类型、布局几何形状、基于规则与进化的配置方案 | 通过生成式布局优化最小化结构应力能量与材料用量（采用简化模型）
[34] | 哈里斯霍克斯优化、自适应神经模糊推理 | 紧凑性指数、围护结构表面积、高度、朝向、玻璃面积与分布 | 对制热负荷的预测精度很高（R2≈0.98；RMSE≈0.08；基于仿真数据；数据驱动拟合）
[35] | 遗传算法、K均值聚类、禁忌搜索 | 图案数量与分布、玻璃距离与厚度、几何形状、朝向、旋转比例 | 实现能耗与视觉舒适度之间的最佳平衡（基于仿真的优化；单办公建筑案例模型）

尽管人工智能可以提高空间规划效率并帮助识别高质量的设计方案，但这些设计方案的实际应用价值在很大程度上取决于设计空间的定义方式。许多研究都是在简化或参数化的布局条件下进行的，其结果可能无法完全反映建筑的施工可行性、规范合规性、结构约束、施工要求以及用户需求，而这些因素在当前的基于人工智能的框架中仍难以全面体现。

**暖通空调与照明系统设计及尺寸确定**
暖通空调与照明系统对建筑的总体能源性能有着重要影响。传统的设计及尺寸确定方法往往依赖经验法则、简化的假设或保守的安全裕度，这可能导致设备尺寸过大、容量利用率低下，进而使得能源效率无法达到最佳水平。此外，暖通空调与照明的能耗还会受到建筑几何形状、围护结构特性、人员流动规律以及气候变化的影响，这使得在早期阶段进行精确估算十分困难。

在这一领域，基于人工智能的方法主要用于负荷预测、系统尺寸确定以及方案比较[36,37]。通过学习仿真输出、历史数据或实时监测的运行数据，人工智能模型能够帮助在不同的设计假设下估算建筑所需的制热、制冷及照明负荷。这些预测结果随后可以与优化或决策支持方法结合，以便在能源效率、舒适度、成本及环境影响等目标之间对比不同的系统方案。相关研究的详细方法、变量及成果总结见表3。

表3. 用于暖通空调与照明系统设计及尺寸确定的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[38] | Fire Hawk Optimizer、Leader Harris Hawks优化算法 | 建筑制冷负荷 | 对制冷负荷的预测精度很高（R2=0.994；RMSE=0.745；基于预设设计变量的仿真数据集）
[39] | 粗集理论、GAE算法 | 能源与有效能利用率、全生命周期成本、热舒适度、环境影响 | 减少了指标冗余，并优化了专家权重准则（基于仿真数据；案例样本较少）
[40] | 贝叶斯优化-LightGBM、LIME（可解释人工智能） | 暖通空调性能系数、制热/制冷/自然通风的设定值 | 通过多目标优化使能源消耗降低最多13.43%（基于仿真；单案例研究）
[41] | 带贝叶斯正则化的神经网络、Levenberg-Marquardt算法 | 照明面积、天花板高度、表面反射率、灯具光通量、运行时间 | 对照明能耗、电流不平衡以及插头负载能耗的预测精度很高（回归系数R≈0.99；基于MATLAB；单机构案例）

人工智能在暖通空调与照明设计中的主要优势在于能够加快多种设计方案的评估速度，同时减少对纯经验估算的依赖。不过，这些预测结果仍然依赖于假设的人员流动模式、气候数据以及系统运行场景。由于在实际建筑使用过程中这些假设可能会发生较大变化，因此所报告的性能提升效果在真实项目中的适用性仍存在不确定性。

**能源系统整合与可再生能源规划**
在建筑能源设计中，将主动式能源系统（如暖通空调、照明及各类用电设备）与可再生能源及储能技术相结合，对于提升能源灵活性以及减少碳排放具有重要意义[42]。与单一系统优化不同，这一问题涉及多个能源子系统在时间与空间尺度上的协同调度[43]。此外，还需要考虑可再生能源的输出波动性、储能系统的容量限制、电力价格因素，以及热负荷与电负荷之间的相互作用。

人工智能主要通过预测、容量规划以及协同调度等方式，为这一系统级设计问题提供支持。预测模型用于估算可再生能源发电量、建筑能耗需求以及负荷变化情况，而基于优化的方法则用于确定系统容量和运营策略。在此背景下，人工智能助力建筑从被动的能源消耗者转变为更具适应性、能与电网互动的能源系统。相关研究的详细方法、变量及成果总结见表4。

表4. 用于能源系统整合与可再生能源规划的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[44] 协方差矩阵、自适应进化策略、梯度提升 | 风速、温度、湿度、水汽压亏缺、蒸发量 | 通过简化建模，与基准模型相比，使太阳辐射预测精度提高17.2%–44.5%。
[45] 带非线性求解器的模型预测控制 | 照明设定值、暖通空调设定值 | 通过预测控制，模拟显示单区域原型建筑可节省9–28%的能源成本，降低28–43%的峰值负荷。
[46] 深度强化学习 | 发电机输出比例、光伏抑制率、电池充放电状态 | 通过离线基于强化学习的评估，基于运营优化框架提升运营安全性与灵活性，为单案例研究。
[47] 粒子群优化 | 家电调度、电池充放电、电网接入时间 | 通过启发式优化，在假设的运行条件下，实现30%的能源节省，为单户住宅测试场景。
尽管存在这些优势，但许多研究报告中的益处都是在假设的电价结构、理想化的预测数据可用性、简化的储能行为以及预定义的协调规则下评估得出的。现实中的建筑与电网互动往往更具不确定性，还会受到市场机制、通信接口以及控制权限的限制。因此，人工智能辅助的可再生能源与储能整合方案在大规模验证及实际应用方面仍面临诸多限制。

3.2.2 用于建筑运营与控制优化的人工智能技术
本小节进一步从系统控制优化和能源灵活性优化两个功能领域探讨人工智能在建筑运营与控制中的应用。系统控制优化旨在提升实时运营性能，而能源灵活性优化则侧重于根据外部电网或市场信号调整建筑的能源使用方式。

系统控制优化
目前，传统建筑系统仍依赖基于规则的调度或PID控制方式，这类方法可能难以适应人员变动、天气状况及负荷变化带来的影响[48,49]。因此，人们开始研究基于人工智能的控制优化方法，以期实现从静态规则驱动的运营模式向更具预测性和适应性的控制模式的转变[50]。如图4所示，一种典型的基于人工智能的控制策略会利用学习到的系统模型和优化算法来生成更优的运营设定值[51]。

图4. 基于进化算法的人工智能驱动控制优化策略[51]
表5列出了为此目的而研究的主要人工智能技术，包括机器学习、深度学习、启发式算法、自适应控制以及模糊控制。

表5. 用于系统控制优化的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[52] 随机森林、并行鲸鱼优化算法、极限学习机 | 之前的制冷负荷、室内流速、室外干球温度、湿球温度、太阳辐照度 | 与基准模型相比，针对特定案例数据集，预测误差可降低66–90%。
[53] 支持向量回归、强化学习 | 温度设定值、风速/风向、湿度、二氧化碳浓度、人员密度 | 通过预测控制，模拟显示在单办公室案例中，预测准确率可超过90%，同时还能改善能源与舒适度的平衡。
[54] K均值算法、K最近邻算法 | 室内温度、太阳辐射、人员密度、历史负荷数据、时间相关特征 | 通过基于聚类的集成学习方法，短期负荷预测的均方平均绝对百分比误差仅为1.03%，为特定案例的多种模型融合验证结果。
[55] 计算机视觉、热成像技术 | 多视角RGB图像、校准物体、热红外图像 | 通过基于图像的3D重建和热数据融合，可实现半自动的能源模型构建，为单房间场景，基于模拟对比得出。
[56] 长短时记忆网络、注意力机制 | 天气条件（温度、湿度、风速）、气压、节假日指标 | 通过可解释的深度学习模型进行能源预测，针对单个建筑的数据集，预测的均方平均绝对百分比误差为7.7–9.0%。
[57] 卷积神经网络 | 通过摄像头输入实时统计人员数量 | 通过基于视觉的人员计数方法，小型办公室场景下可实现10.2%的能源节省，但该方法存在可扩展性和隐私方面的局限。
[58] 白鲸优化算法、麻雀搜索算法 | 冷却装置的部分负荷比 | 通过优化冷却装置负荷，提升能效并加快收敛速度，已在基准函数及两套实际冷却系统中得到验证。
[59] 反向传播神经网络、灰狼优化算法 | 进风空气的速度与温度、热源的数量与位置、气流分布形式 | 通过热舒适度优化，基于基于计算流体力学的模拟数据集，在简化房间条件下，可实现1.52%的能源节省。
[60] 自适应最小二乘法 | 供水温度 | 通过自适应控制，已在单栋办公楼的实地实验中，将建筑能源消耗降低34.24%。
[61] 模糊推理系统 | 室内温度、湿度、人员密度 | 与手动控制相比，运营时间可减少5.7%，为经现场监测的单案例研究结果。

机器学习：机器学习方法已被广泛用于负荷预测和动态系统调优[62,63]。随机森林[52]、支持向量回归[53]以及聚类方法[54]等技术能够捕捉非线性的能源消耗模式，从而预测系统需求。更为先进的方法，如强化学习，则试图通过与环境的交互直接形成控制策略，从而实现闭环控制[64,65]。虽然在案例研究中，基于强化学习的策略已展现出节能潜力，比如提升了制冷性能并降低了能源消耗[66]，但这些改进通常只在探索受限、目标明确的有限实验环境中实现。要将这些方法应用于持续有人使用的建筑，难度仍然很大。

深度学习：深度学习方法，尤其是人工神经网络，已被用于分析环境变量与系统响应之间复杂的高维关系[67,68]。这类模型可作为暖通空调系统动态特性的“黑箱”替代模型，为预测控制策略提供支撑[56]。不过，它们看似出色的预测能力并不一定意味着在实际运行中具备更高的可靠性，尤其是在电网负荷波动、传感器故障或控制逻辑发生变化时。

启发式与进化算法：遗传算法、粒子群优化[69]以及蚁群优化[70]等元启发式方法已被广泛用于在多目标约束下寻找最优控制策略[59,58]。这些方法常被嵌入到模型预测控制方案中，用于调整系统参数。虽然它们能有效探索复杂的解空间，但通常更适合离线调优或监控优化，而非高频的闭环控制。

自适应控制与模糊控制：自适应控制与模糊控制方法是更贴近工程实践的替代方案。自适应控制能够基于反馈信息实时调整参数，而模糊控制则通过基于规则的推理来应对不确定性[61,60]。与数据密集型的学习方法相比，这类方法通常更具稳健性和可解释性，不过随着系统规模和复杂程度的增加，其可扩展性和重新配置的难度也会上升。

总体而言，人工智能驱动的控制优化被视为一种突破传统静态、规则驱动型运营模式的有效途径，有助于实现更具适应性和预测性的控制策略。然而，尽管在受控实验中取得了令人满意的成果，但在实际建筑运营中，人工智能驱动的实时控制仍面临诸多根本性障碍。试错式的学习过程、收敛速度较慢以及模型不确定性等问题，都可能对建筑的使用舒适度、安全性以及系统可靠性带来风险，而这些在现实应用中往往是无法接受的。此外，受控实验通常具有简化后的目标设定、有限的干扰因素以及严格的监督条件，这与日常建筑运营情况存在较大差异。这些因素都大大限制了许多先进人工智能控制策略在超出试点规模场景下的应用。

能源灵活性优化
人工智能技术也被视为提升能源灵活性的重要工具，能够帮助建筑根据电价、可再生能源供应情况以及电网约束等外部信号调整能源消耗[71,72]。通过预测、调度以及自主控制能源流动，人工智能能够支持需求侧管理，进而增强建筑与电网之间的互动关系[21,73]。图5展示了一个基于人工智能的集成建筑能源系统能源灵活性优化的典型示例[74]。

图5. 基于模型预测控制的集成建筑能源系统优化控制架构示例[74]
表6列出了为此目的而研究的主要人工智能技术。深度学习模型，尤其是循环神经网络和长短时记忆网络，已被广泛用于电力价格和电网需求的短期预测，能够捕捉时间相关的依赖关系以及各种背景因素[75]。强化学习与深度Q网络则被用于实现自适应决策，从而实现对热泵、储能装置等系统的实时控制[76,77]。与此同时，启发式与进化算法也被用于协调多个能源子系统，并在分时电价及运营约束条件下优化调度方案[78,79]。

表6. 用于提升系统能源灵活性的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[75] 双向门控循环单元、卷积网络、注意力机制 | 电力消耗量、温度、湿度、风速 | 通过提前一天预测负荷，与教育机构及居民区数据集验证后，预测误差可降低36.9%。
[77] 强化学习、长短时记忆网络 | 电力价格、供热需求、温度、时间相关特征、储能装置的充电状态、热量损失、热泵性能系数 | 与基于规则的控制方式相比，模拟显示可降低35%的电力成本以及15%的能源消耗。
[76] 深度强化学习 | 热负荷需求、热量产生量、热泵性能系数、储能装置充电状态、温度、电力价格 | 通过优化热泵的运行方式，模拟显示可降低22.2%的电力成本，相关状态由人工神经网络预测得出。
[79] 修改后的乌鸦搜索算法 | 电能供需不平衡、可再生能源发电量、负荷需求、储能装置输出功率、系统的惯性及阻尼参数 | 通过优化的级联控制器，基于微电网模拟模型，可将频率偏差降低27.22%，同时将控制误差降至最低。
[78] 元启发式遗传算法 | 制冷负荷、电力价格、储能装置充电状态、各区域温度、储能装置流量、泵/风扇的运转速度、温度 | 通过优化调度方案，与基于启发式方法的方案相比，可实现10–14%的能源节省以及11–14%的成本降低，为基于单个建筑物联网的数据集的案例研究结果。
人工智能赋能的能源灵活性在实际应用中的效果，很大程度上取决于外部条件以及系统层面的各种因素，包括电价设计、需求响应激励措施、储能容量、可控负荷的比例以及使用者的容忍度。许多研究都是在特定的定价方案以及简化的运行假设条件下，才得出成本或能源效益方面的结论。因此，尽管以提升灵活性为目标的优化方案可能比完全自动的实时控制方案更易于推广，但其在大规模应用中的实际价值仍需在真实的市场环境、电网状况以及建筑运营条件下进行验证。

3.2.3 用于建筑维护与故障诊断的人工智能技术
本小节进一步从异常检测、故障诊断以及预测性维护三个功能任务，探讨人工智能在建筑维护与故障诊断中的应用。如图6所示，这些任务呈现出从识别异常行为，到确定故障根源，再到预测未来设备性能下降或故障发生的逻辑递进关系。

异常检测
图6. 人工智能驱动的建筑维护与故障诊断工作流程
异常检测的目的是在异常情况发展成严重故障或导致能源性能下降之前，及时发现其与正常运行模式的偏差。在建筑能源系统中，异常表现可能包括能源使用异常、传感器数据漂移、温度不稳定、流量不规律，或是设备出现异常运行情况。对于暖通空调这类复杂的系统而言，早期发现异常尤为重要，因为细微的异常可能会逐渐引发用户舒适度问题、过度能源消耗或是设备性能下降[80,81]。

如表7所示，由于实际建筑中带有标签的故障数据十分稀缺，这类任务中的人工智能方法主要依赖无监督学习。常见的算法包括K均值聚类[82]、自编码器[83]以及隔离森林[84]，它们会根据观测到的变量分布为异常情况分配相应的分数。对于具有时间依赖性的信号，人们还采用了基于长短时记忆网络的自编码器[85]以及基于残差的Prophet预测模型[86]，用来检测能源使用情况或系统运行状态中的异常。相关研究应用包括实时监测冷却装置负荷、检测风扇转速异常以及分析温度和流量波动，这些分析通常无需依赖预先定义的故障标签。知识图谱也被用来整合领域知识与组件间的关联关系，从而提升分析结果的可解释性[87]。不过，尽管异常检测在实践中具有很大的应用价值，但其性能在很大程度上取决于“正常运行状态”的定义方式，季节性变化、人员流动带来的负荷波动或是控制模式切换，都可能被误判为异常情况。因此，要实现可靠的异常检测，不仅需要准确的模型，还需要自适应的阈值设定、基于上下文的分析方法，以及与操作人员专业知识的结合。

故障诊断
表7. 用于系统异常检测的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[82] K均值算法、核熵成分分析、局部异常因子 | 运行相关变量（温度、压力、功率等，共16个特征） | 在ASHRAE RP-1043数据集上验证后，初始故障检测的准确率可达到90%，该数据集包含多种运行条件，但具体数值与数据集特点相关。
[83] 自编码器 | 暖通空调系统的传感器数据，包括温度、二氧化碳浓度、人员密度、气流速度 | 在基于模拟的测试中，异常情况或入侵行为的检测F1分数可达到99.6%，该结果针对特定数据集得出。
[84] 隔离森林算法、主成分分析 | 传感器检测数据、控制信号、暖通空调系统的设定值 | 在TRNSYS模拟数据集的暖通空调系统攻击检测中，精确度可达90%。
[85] 长短时记忆网络自编码器、图卷积网络 | 各区域的人员密度预测、暖通空调系统的设定温度调整 | 通过基于异常情况的人员密度预测，单栋建筑的物联网数据集案例显示，F1分数可提升13–14%，同时还能实现20.6%的暖通空调系统能源节省。
[86] 多层感知器回归模型、Prophet预测模型 | 光伏系统的辐照强度、光伏组件的温度、电力相关信号 | 在单个光伏电站的数据集上验证后，光伏系统故障检测的准确率可达到0.863。
[88] 卷积自编码器 | 屋顶表面的图像，包括屋顶脱落、裂缝、污染等情况 | 在单个历史建筑的保护监测中，屋顶损坏检测的分类准确率可达98%。

故障诊断的目的是找出已检测到的异常现象的根本原因，从而为有针对性的维护工作提供依据。与异常检测相比，这项任务需要更多的信息，因为它通常需要故障标签、组件级别的专业知识，以及不同类型故障的充足样本数据。如表8所示，常用的一些方法包括支持向量机[89]、随机森林[90]以及极端梯度提升算法[91]，这些方法可用于识别传感器故障、阀门泄漏或制冷剂充注不足等已知类型的故障。这些方法通常会与深度学习模型相结合，比如卷积神经网络（CNN）和长短期记忆（LSTM）网络，这类模型能够捕捉高维传感器数据中的时空故障模式[92,93]。为提升可解释性，人们还通过将基于规则的专家系统与人工智能分类器相结合，开发出了混合式故障检测与诊断框架[94]。尽管在基准研究和实验室数据集中显示出的诊断准确率很高，但实际建筑中的诊断工作依然面临巨大挑战。现实中的故障往往较为复杂，处于初期阶段、时有时无，且标注不准确，同时运行条件还会随季节和控制模式的不同而变化。因此，基于精心整理的数据集训练的诊断模型可能无法很好地适用于不同类型的建筑。所以，实际应用需要改进数据标注、提升模型的迁移能力、增强可解释性，并实现与建筑管理系统的整合。

预测性维护通过预测设备的未来退化趋势，为主动维护规划提供支持，从而延伸了故障诊断的功能。它的目标是预测风险、剩余使用寿命或性能下降情况，进而减少停机时间、避免不必要的维护，并提高长期能源效率[95]。如表9所示，常见的方法包括基于回归的模型，比如梯度提升和高斯过程回归（GPR）[96]，这类模型能够根据历史运行数据量化设备退化趋势。更先进的方法则利用序列模型（如LSTM[97]和基于变换器的模型[98]），捕捉传感器数据中的长期时间依赖关系，以预测故障发生的时间。近期，人们还探索了数字孪生框架，将物理仿真与人工智能学习相结合，以便在不同运行条件下更准确地估算剩余使用寿命[99]。这些方法在预测压缩机、泵类设备以及空气处理单元的故障方面展现出潜力，有助于将维护方式从固定的服务间隔制转变为基于设备状况的规划方式。不过，在建筑领域实现长周期预测性维护仍然困难，因为故障事件相对较少，设备退化轨迹不规律，而且维护记录往往不完整或存在不一致之处。在许多建筑中，数据的收集主要是用于监控，而非生命周期可靠性分析，这限制了预测模型的稳定性。因此，虽然借助人工智能的维护和故障诊断方法相比完全自主控制而言，能更快地在短期内得到应用，但其成功仍依赖于可靠的数据基础设施、可解释的输出结果以及以操作人员为中心的实施策略。

表9. 用于系统预测性维护的人工智能技术
参考文献 | 人工智能技术 | 关键变量 | 主要贡献
---|---|---|---
[96] 稀疏高斯过程回归、序列集成模型、残差降低提升算法 | 轴承的振动数据 | 相比袋装集成方法，轴承剩余使用寿命的预测精度提升了约26.3%（在PHM2012数据集和风力发电机数据集上验证过）。
[97] LSTM自编码器 | 多变量 HVAC时间序列数据（温度、振动、能耗等） | 通过基于机器学习的预测性维护框架，可实现提前约2天发现故障（基于某单个体育场馆的案例研究）。
[98] Swin-Transformer、InfoNC | 基于时间-频率表示的剩余使用寿命特征 | 通过保留互信息损失的优化方法，提高了剩余使用寿命预测的精度及模型的泛化能力（在PHM2012轴承数据集上通过仿真验证）。
[99] 神经网络、支持向量机、决策树 | 空气处理单元的运行参数（16个变量：温度、压力、流量、材料、安装年份等） | 通过数字孪生框架实现空气处理单元的故障检测与预测性维护（基于某栋教育建筑的案例）。

3.3 人工智能在建筑能源应用中的局限与挑战
尽管人们对将人工智能应用于建筑能源领域的研究兴趣日益浓厚，但大规模的实际应用仍然受限。这些挑战不仅源于算法本身的缺陷，还在于人工智能方法所依赖的假设与建筑实际运行情况之间的矛盾。在现实中，技术的应用效果不仅取决于模型设计，还受到传感基础设施、数据质量、计算资源、控制风险、系统互操作性、调试难度以及全生命周期成本等因素的影响。表10概括了这些主要挑战，后续内容将进一步阐述为何这些挑战在真实建筑中尤为突出。

机器学习：表10. 人工智能在建筑能源应用中的典型应用场景与挑战总结
人工智能类别 | 典型应用场景 | 技术挑战 | 部署挑战
---|---|---|---
机器学习 | 具有历史数据系统的预测与分类任务 | 数据质量依赖性强，模型泛化能力有限 | 不同建筑和系统之间缺乏标准化标准

深度学习 | 复杂的非线性建模，大规模多变量系统分析 | 计算成本高昂，模型可解释性较差 | 在关键基础设施中存在安全与监管方面的顾虑

启发式与进化算法 | 多目标优化，周期性调度任务 | 实时适应性差，迭代次数多 | 仅适用于离线优化，难以灵活应对动态控制需求

模糊控制 | 具有明确专家规则的控制系统 | 规则定义依赖专家经验，难以扩展规模 | 维护和扩充规则集的成本极高且耗时

自适应控制 | 运行条件随负载或天气变化的动态环境 | 需要密集的实时传感器反馈，硬件及集成成本高

混合人工智能建模 | 基于物理原理的预测，模拟辅助优化 | 计算负担重，模拟所需时间长 | 目前多用于学术研究，可规模化商业应用较少

知识图谱与专家系统 | 因果推理，领域特定问题的诊断 | 规则构建复杂，模型泛化能力有限 | 不同建筑之间的本体结构和命名规范不同，难以跨系统复用

可解释人工智能 | 为操作人员提供模型解读与决策支持 | 可解释性与模型性能之间存在平衡问题 | 现有的BIM/BMS平台对这类功能的支持不足，给出的解释往往难以指导实际操作

数字孪生+人工智能 | 预测性维护、系统诊断、全生命周期规划 | 需要大量校准工作，数据需定期更新且需实现系统间互操作 | 初始化和校准成本极高，除试点项目外很少被采用

计算机视觉+人工智能 | 日光强度、阴影分布、人员占用情况分析，建筑布局优化 | 对光照条件、物体遮挡以及摄像头配置十分敏感 | 存在隐私保护问题，还需协调信息技术与安全措施，同时硬件维护成本也较高

机器学习方法被广泛用于负荷预测、分类以及故障检测。在传感器配置完善的环境中，SVM、随机森林和XGBoost等模型效果不错，但它们的性能在很大程度上取决于数据的可用性、质量以及代表性[100]。在真实建筑中，由于传感器覆盖不全面、校准标准不一，再加上因维护、改造或网络故障导致的频繁数据缺失，这些问题的影响更为明显。即便有数据可用，它们通常也是为监控目的而收集的，并非用于人工智能训练，因此采样间隔、校准质量以及数据标注的详细程度可能不符合模型要求。例如，在许多商业建筑中，人员占用数据要么无法获取，要么受到隐私保护限制，这就迫使模型依赖二氧化碳浓度或时间表等替代变量，这会显著降低预测精度和控制的稳定性。另一个障碍是不同建筑之间数据标准的缺乏，这影响了模型的可移植性和扩展性[101]。

强化学习作为机器学习的一个分支，因能够通过与环境的互动直接学习控制策略，所以在诸如暖通空调调度之类的自适应控制领域展现出较大潜力。然而，在真实建筑中进行试错式学习存在很大风险，因为不理想的控制措施可能会影响使用舒适度、安全性或系统运行的稳定性[102]。例如，在应用强化学习进行室内温度调控时，智能体通常需要尝试多种控制措施，比如调整阀门开度或供气温度，才能找到有效的控制策略。这一过程可能导致温度波动持续较长时间，引发使用者投诉，或是造成能源浪费。此外，强化学习通常需要较长的交互时间来积累足够经验，而这在那些对服务水平要求较高的商业建筑中是难以接受的。虽然通过仿真预训练可以减轻这一负担，但无法完全消除问题，因为在人员流动、设备老化以及运行策略不断变化的情况下，仿真环境与实际环境的差异依然很大。在状态空间和动作空间维度较高的情况下，强化学习的计算成本也会大幅上升，这进一步限制了它在医院或数据中心等对系统性能要求极高的场所的应用[103,104]。

深度学习技术，如神经网络、LSTM以及基于变换器的架构，已被广泛用于建模复杂、非线性且高维度的能源系统，尤其是在序列预测和传感器数据融合任务中表现突出。不过，这类算法的计算强度很高，给在嵌入式控制器、可编程逻辑控制器或其他资源有限的硬件上部署带来了困难[105,106]。因此，实际应用中往往依赖集中式或基于云的架构，这不仅增加了部署成本，还带来了通信相关的风险。例如，如果模型推理依赖于网络连接，那么网络中断或数据同步延迟就可能导致控制指令过时，这对于对时间敏感的控制系统而言是个问题。此外，深度学习的黑箱特性也限制了其可解释性和可追溯性[107]。当基于深度学习的模型产生意外的控制指令，导致使用舒适度下降或能耗异常升高时，操作人员往往难以判断问题出在传感器故障、数据漂移还是模型偏差上。这会削弱人们对这类模型的信任，降低设施管理人员在日常运营中依赖它们的意愿。

启发式与进化算法，如遗传算法、粒子群优化算法和蚁群优化算法，由于无需梯度信息就能探索非线性且高维的解空间，因此非常适合用于离线优化任务，可用于优化设计、调整控制参数以及进行权衡分析。不过，这类算法依赖迭代过程和种群搜索机制，响应速度较慢，因此不太适合用于实时自适应控制。例如，基于遗传算法的优化器可能需要评估数百种不同的设定点组合才能做出决策，这在离线仿真环境中尚可接受，但当冷却水需求或人员占用情况迅速变化时，就显得很不实用。此外，一旦经过优化，这类算法在没有手动重新校准的情况下，往往难以适应新建筑或运行条件发生显著变化的情况，这会增加工程工作量和部署成本[108]。

基于模糊逻辑的控制方法在缺乏可靠的数学模型但拥有丰富专家知识的情况下具有很大优势。它能够模拟人类在不确定环境下的决策思路，已被广泛应用于建筑能源管理，尤其是与舒适度相关的控制问题上。不过，构建有效的模糊规则需要深厚的领域专业知识，而且随着系统复杂性的增加，维护这些规则也越来越困难。例如，在那些分区众多、人员占用模式各异的大型商业建筑中，必须手动调整模糊规则，以应对季节变化、设备老化以及运行策略的调整。随着控制变量和运行场景的增加，规则数量会迅速增长，出现“规则爆炸”问题。模糊规则库的结构较为僵化，维护成本也很高，这限制了其在动态或复杂环境中的应用能力。

自适应控制方法能够通过实时反馈动态调整控制参数，从而在运行条件发生变化时提升系统的稳定性。不过，这类方法的效能往往取决于是否拥有密集且可靠的传感基础设施[109]。在实际应用中，一个中央制冷或空气分配系统可能需要大量的温度、流量、压力以及人员占用传感器，才能实现稳定适应。在现有建筑或老旧建筑中，部署和维护如此密集的传感系统往往成本过高，且会对正常运营造成干扰，尤其是在改造项目中[110]。因此，面临的挑战不仅仅是算法是否可行，还包括改造成本、调试难度以及长期的维护负担。

混合人工智能建模方法将数据驱动的学习与基于物理原理的仿真工具，如EnergyPlus或Modelica相结合，旨在提升预测精度和模型的物理一致性。这类方法的优势在于能够在一定程度上克服纯黑箱模型在可解释性方面的缺陷。不过，它们需要详细的物理模型、大量的参数设置，且校准过程往往十分耗时。在很多情况下，校准工作具有很强的针对性，这限制了模型的重复使用能力，也削弱了人们所认为的混合方法的 scalability。因此，这类方法更多被用于离线分析、设计支持或事后评估，而非实时运行控制[111]。

知识图谱和专家系统能够为故障诊断、因果推理以及能源优化建议等应用提供结构化的领域知识。它们的主要优势在于具备良好的可解释性，且能够将工程领域的逻辑直接融入决策过程中。不过，构建这类系统需要大量的专家参与，而且在不断变化的环境中维护它们也是一项繁重的任务[112,113]。例如，为一个冷水机组构建的知识图谱，如果应用到另一栋具有不同命名规则、设备拓扑结构或控制逻辑的建筑中，可能就需要进行大规模的重新配置。这限制了这类系统的扩展性，也降低了其适应建筑系统变化的能力。

可解释人工智能技术，包括LIME、SHAP以及基于注意力机制的可视化方法，旨在提高模型的透明度，增强用户信任，尤其当这些技术被集成到BIM工作流程或决策仪表板中时。不过，在建筑能源应用中，可解释性并不仅仅意味着事后生成可视化图表。实际上，操作人员往往不需要抽象的特征归因图表，他们更需要与物理变量、设备状态以及控制决策相关的、可直接采取行动的说明。此外，与更为复杂的黑箱方法相比，可解释模型可能会牺牲预测性能，且其与现有建筑管理系统平台的整合仍较为有限，这限制了其实际应用[114,115]。数字孪生+人工智能：结合人工智能的数字孪生框架已被用于预测性维护、诊断以及生命周期优化。从原理上讲，它们能够将实时感知、虚拟系统表征与智能分析相结合，是一种强大的工具。然而，构建和维护此类系统需要精细的建模、大量的传感器数据、持续的校准，以及软硬件平台之间的良好互操作性。目前许多数字孪生系统仍只是演示平台，而非持续维护的运行中的资产。因此，其大规模应用不仅受到技术复杂性的限制，还受到前期投资、标准缺失以及长期维护成本等因素的制约[116]。计算机视觉+人工智能：计算机视觉已被应用于人员检测、照明控制、热舒适度评估以及空间使用分析。这些方法能够提供传统传感器难以获取的丰富上下文信息。不过，其大规模应用仍受到技术和伦理方面的挑战。除了隐私和监控问题外，基于摄像头的系统还存在校准偏差、遮挡现象、对光照条件敏感，以及需与信息技术和网络安全要求相协调等实际问题[117]。这些问题在概念验证研究中往往被忽视，但却会极大影响其在实际建筑中的工程可行性。上述每一种人工智能范式之所以具有优势，都是因为它侧重于某些特定目标，如灵活性、表达能力、自主性或可解释性。然而，这些优势往往会在其他方面带来新的应用难题。例如，那些减少显式建模工作的方法往往更依赖高质量的数据，而那些提升模型表达能力或自主性的方法则通常会增加计算需求、运营风险以及维护复杂性。这种权衡凸显出一个根本性的困境：没有任何一种人工智能范式能够同时满足现实世界建筑能源系统所要求的高精度、强稳定性、可解释性、实时响应能力以及低应用成本等苛刻条件。从更根本的角度来看，这些挑战源于当前主流人工智能范式与建筑实际运营状况之间的结构性不匹配。许多人工智能技术是在假设存在大量高质量数据、系统动态稳定以及充足计算资源的条件下开发的，而实际建筑则面临着分散的传感基础设施、不断变化的配置、严格的安全要求，以及对试错学习有限的容忍度。如果不从系统和应用层面着手解决这一不匹配问题，仅靠算法上的进一步改进很难实现可扩展且可靠的现实应用。3.4 建筑能源系统中人工智能应用现状探讨近年来，用于建筑能源系统的人工智能技术在学术研究领域取得了显著进展。然而，这些进展并未相应地转化为实际应用。仍有大量研究侧重于算法的创新性及基准测试性能，而诸如可部署性、可维护性以及运营责任等实际问题则常常被忽视。正因如此，人工智能在真实建筑运营中的应用仍然十分有限。这一差异并非个例，而是反映了人工智能技术的发展模式与建筑能源系统的运行特性之间存在系统性差距。在学术研究中，人工智能模型通常在受控或理想化的条件下进行开发和评估，此时数据可用性、系统动态以及边界条件都被简化处理。相比之下，实际建筑环境则充满不确定性、数据不完整、安全约束多、运营周期长，且系统间的相互作用极为复杂。这些根本性差异使得许多人工智能方法难以直接从研究阶段过渡到实际应用。从广义上讲，当前建筑能源系统中的基于人工智能的技术主要作为辅助工具，用于提升优化效率、预测精度以及系统适应能力。然而，它们并未从根本上改变优化和管理方法，因为决策过程依然主要由专家设计的结构和操作规则决定。从这个意义上说，人工智能更多是是对现有系统的增强，而非具有颠覆性的智能技术。在实际应用中，这就导致了预期与现实之间的差距。尽管行业领导者及客户可能期望拥有自主、自适应的建筑系统，但现有的许多解决方案仍然依赖于预定义的逻辑、高质量的数据输入以及稳定的运行环境。其中的关键制约因素包括数据数量和质量不足、系统适应性有限，以及系统集成、安全保障和标准化方面的持续挑战。这些因素共同阻碍了人工智能技术的大规模应用。与此同时，也有少数研究开始尝试对人工智能进行更严格的定义，展现出语义理解、因果推理以及自适应自主性等部分功能。不过，这些技术仍处于早期发展阶段，尚未成熟到可以实际应用的程度。它们的性能往往在很大程度上取决于建模的精确度、数据的可靠性以及不确定性管理能力，而这些在现实建筑环境中都很难得到保证。总体而言，学术进展与实际应用之间的差距并非仅仅由于技术不成熟，还反映出人工智能发展目标与建筑能源系统约束条件之间的深层不一致。要弥补这一差距，不仅需要进一步的算法改进，还需要转向更加注重实际应用的设计理念、系统集成以及与工程实践相兼容的人工智能解决方案。4. 未来研究需求与建议本节所述的未来研究需求源自第3节中基于全生命周期的综合分析与挑战识别。这些需求是为了应对前文所指出的当前应用现状及部署障碍，从而缩小建筑能源系统中人工智能的学术研究与实际应用之间的差距。与纯粹的数字领域不同，建筑具有热传导缓慢、控制基础设施陈旧、子系统种类繁多以及安全要求严格等特点。这些特性不仅为人工智能的应用带来了普遍障碍，也决定了建筑能源领域特有的需求。因此，图7将未来研究需求分为两个层级。4.1节针对现实建筑能源应用在技术、运营和组织层面的需求，提出了五项研究需求，包括标准化且具备互操作性的人工智能框架、可解释性与信任建立机制、考虑全生命周期的多目标优化、模块化数字孪生，以及轻量级的边缘人工智能部署。4.2节则聚焦于隐私、伦理和政策等问题，这些都是制约各领域人工智能应用的广泛性问题，在建筑能源应用中也必须予以考虑。下载：下载高分辨率图片（287KB）下载：下载全尺寸图片图7. 建筑能源应用中人工智能未来研究需求的层次结构。4.1 建筑能源应用中人工智能面临的领域特定问题建筑能源系统与其他物理领域有所不同，因为它们具有异构的基础设施、紧密耦合的子系统、传统的控制协议，以及多目标性能要求。这些领域特定的特征为人工智能的应用带来了独特的障碍，同时也明确了五个关键的研究方向。这些方向为从基础的系统兼容性逐步迈向可用于实际建筑运营的、可靠且可扩展的智能系统指明了路径。4.1.1 推动标准化且具备互操作性的人工智能框架前述分析表明，建筑能源系统中人工智能的实际应用受到了分散的传感和数据基础设施、不统一的校准及命名规范，以及缺乏跨建筑间标准化的限制。此外，建筑专用设备的语义、系统拓扑结构以及控制逻辑往往使得人工智能模型难以在不同建筑之间重复使用。如果没有互操作的数据架构和开放接口，即便已经开发完善的人工智能模型，也必须为每一座建筑重新配置或重新设计，这极大地限制了其可扩展性和成本效益。未来的研究应致力于开发统一、互操作且模块化的框架，使得这些框架能够在不同建筑之间使用，而无需每次都重新构建整个系统[118]。——建立涵盖能源、人员占用情况以及设备状态变量的标准化数据框架。在实践中，这样的框架应能将建筑管理系统中的原始数据（如温度、流量、阀门位置等）转换为统一的语义表示形式，从而使人工智能模型能够在不进行完全重新配置的情况下在不同建筑之间重新训练或迁移。——要求建筑管理系统、数字孪生平台以及云服务具备开放且文档完备的应用程序接口，以实现与监控和控制层的直接人工智能级集成。目前，许多建筑管理系统依赖专有协议或仅提供有限的只读访问权限，这严重限制了闭环人工智能控制的应用。因此，未来的研究应着眼于能够确保安全写入访问、时间保障以及与现有建筑控制架构兼容的备用机制的接口架构[119]。——开发具备互操作性的知识图谱，用于编码建筑能源系统特有的设备类型、系统拓扑结构、区域关系、运行计划以及控制规则。这类表示形式有助于实现因果推理、故障诊断以及跨建筑的知识复用。一个重要的研究挑战在于如何从不同的建筑管理系统数据及设计文档中自动构建并维护这些知识图谱，从而在减少对人工专家输入依赖的同时，保持工程的合理性[120]。4.1.2 在关键基础设施中整合可解释性与信任性分析还表明，人工智能模型的可解释性有限，且决策逻辑缺乏透明度，这仍然是其在对安全性要求较高的建筑能源应用中应用的主要障碍。对于医院、数据中心以及大型商业建筑等系统而言，这一问题尤为重要，因为不当的控制措施可能导致用户舒适度下降、能源消耗异常或运营风险[121]。因此，未来的人工智能应用应整合可解释性、可追溯性以及人机协同机制，以提高操作人员的信任度并确保责任可追溯。例如，在处于监控或闭环控制模式下的暖通空调系统中，设施操作人员必须能够理解为何人工智能驱动的策略会调整温度设定值、阀门位置或设备运行状态，尤其是当这些调整导致用户舒适度问题、能源消耗异常或与既定运行策略冲突时。如果缺乏可解释的理由和可追溯的决策逻辑，操作人员就无法判断这些问题的根源是传感器故障、负载异常、模型漂移还是不当的控制决策，这无疑会大大降低人们对人工智能系统的信任度，进而影响其长期应用。——每一个自动化控制决策都必须提供人类可理解的依据。正是由于缺乏这种透明度，“黑箱控制”在现实工程实践中一直难以被接受[122,123]。一个很有前景的研究方向是开发可解释的控制框架，将这些框架明确地将人工智能生成的决策与可理解的物理变量（如负载变化、传感器偏差或设备限制等）联系起来，这样操作人员不仅能知道采取了何种行动，还能明白在特定运行条件下为何要采取该行动。——构建具备专家备用机制的人机协同控制层。在系统部署的初期，人工智能生成的决策应在执行前由操作人员审核批准，以确保运营安全。随着信任度的逐步建立，系统可以逐步向更高程度的自主化过渡。至关重要的是，一旦出现异常运行情况或系统故障，控制框架必须能够立即切换回预定义的基于专家经验或规则的备用策略，从而保障系统的稳定性与安全性。——需要具备事件后可追溯机制，能够记录哪些控制动作被修改、为何修改，以及涉及了哪些数据源和模型状态。从工程角度来看，这种可追溯性对于诊断控制故障、解决用户舒适度问题以及满足监管或合同规定的责任要求至关重要。未来的研究应致力于开发轻量级的日志记录与审计架构，这类架构能够无缝集成到现有的建筑管理系统中，而不会带来过重的计算负担或维护压力。4.1.3 全生命周期集成与多目标协同优化基于全生命周期的综合分析表明，现有的人工智能研究往往集中在一些范围狭窄且短期性的任务上，比如暖通空调系统设定值优化、故障检测或人员占用预测。然而，如果将优化范围扩展到整个建筑的全生命周期，让人工智能模型能够根据长期的运行数据不断进化，而非仅针对孤立的时间段或单一运行条件进行优化，就能实现更大程度且更具可持续性的性能提升[124]。——从单一目标优化转向考虑能源消耗、运营成本、碳排放、设备老化以及用户舒适度等多目标的、基于全生命周期的优化模型。从工程角度而言，对于暖通空调系统来说，过于追求短期的节能效果可能会加速部件磨损、降低系统可靠性，甚至增加长期的维护成本，因此这类优化模型尤为重要。——开发贯穿整个建筑生命周期的连续人工智能工作流程，能够在调试、日常运行、季节性转换、系统改造以及设备更换等不同阶段持续保存并更新所学到的知识。未来的研究不应在每个阶段都从头开始重新训练模型，而应着眼于开发能够随时间转移、调整和验证已学知识的机制，从而确保模型的长期有效性，同时减少部署与维护的工作量。4.1.4 交互式与模块化数字孪生前述分析表明，混合建模与数字孪生方法在提升可解释性和运营决策支持能力方面具有巨大潜力，但其实际应用往往受到巨大的建模工作量、繁琐的校准要求、互操作性障碍以及高昂的长期维护成本的限制。在现实中，目前许多应用于建筑领域的数字孪生系统仍然主要充当3D可视化平台或实时数据展示工具，其在直接支持或影响控制决策方面的能力十分有限。在建筑能源系统中，一个有用的数字孪生体应作为实时的决策支持与控制工具，而非仅仅是传感器数据的被动呈现[125,126]。同时，数字孪生体不应被当作与实际应用脱节的高精度复制品来打造。过于复杂的数字孪生体可能会带来过高的建模、校准和维护成本，而无法带来相应的能源性能或控制稳定性的提升。应从以可视化为主的数字孪生体转向与暖通空调控制逻辑紧密相连的交互式运营孪生体。这类孪生体应能支持假设分析、监管层面的控制优化以及自动异常检测，从而使操作员能够在将控制策略应用于实际系统之前对其进行评估。应采用目标导向且模块化的数字孪生体架构。未来研究不应致力于构建整个建筑的高精度模型，而应聚焦于仅包含特定任务所需的热工、水力及控制相关组件的模块化表示形式（如冷水机组顺序控制、区域温度调节或故障诊断），从而在建模工作量与实际运营价值之间实现平衡。

4.1.5 实时、轻量级及边缘人工智能部署
对人工智能范式的分析进一步表明，计算负担、对通信的依赖以及实时响应要求是将在建筑控制环境中部署先进人工智能模型的重要障碍。许多基于深度学习或优化的方法依赖于集中式或云端计算资源，而建筑能源系统则需要能够在时间、安全性和连接性限制下持续运行的可靠本地智能系统。这对于暖通空调和能源控制系统尤为重要，因为控制动作的延迟或缺失可能会直接影响使用者的舒适度以及系统的稳定性。因此，未来研究应注重轻量级架构、分布式处理以及针对建筑自动化环境量身定制的逐步采用策略[127,128]。

应在建筑控制器、网关或边缘设备上本地执行推理及有限的模型适配，而将云端资源用于离线训练、模型更新或性能基准测试。这种分离方式符合建筑能源管理系统中常用的监管控制与实时控制层级结构。应研究模型简化技术，包括模型压缩、剪枝、知识蒸馏和联邦学习等，以便让先进的人工智能模型在资源受限的建筑自动化系统控制器、DDC单元及嵌入式网关上运行，同时仍能满足实时控制要求。还应开发分布式、现场级的部署策略，让多个本地控制器协同执行优化或决策任务。从建筑能源管理的角度来看，此类架构能够提高系统的容错能力和运行稳定性，因为在单个控制器或通信链路出现故障时，控制功能依然可以维持，从而降低实际应用中的整体运营风险。

4.2 人工智能应用中的跨领域问题
除了上述领域特定的障碍外，隐私、伦理和数据治理等跨领域问题也影响着人工智能在建筑能源应用中的实际应用。当基于人工智能的能源优化依赖于用户行为、人员流动模式、视频流以及空间级传感器数据时，这些问题尤为重要。在实际部署中，隐私问题绝不能被忽视，而应纳入建筑数据工作流程和系统级设计之中。这要求未来的研究不仅要涉及算法开发者，还需有建筑运营者和政策制定者参与，以确保在现实法规约束下实现技术的有效应用。

敏感数据（如人员流动情况、视频流以及房间内的行为信息）在离开建筑网络之前应经过处理或匿名化处理。对集中式数据收集的依赖是阻碍在建筑中部署具备隐私保护功能的人工智能的主要因素之一。一个具体的研究方向是开发可部署的边缘数据处理流程，如实时过滤、掩码处理、数据聚合或特征提取等功能，这些流程能够在保留控制相关信息的同时避免原始敏感数据泄露[129]。

人工智能模型必须明确设计为能在数据不完整、存在噪声或受隐私限制的环境中运行，而非假设存在在真实建筑中极为罕见的完全可用、高质量的数据集。从工程角度而言，这就需要开发出能够容忍传感器缺失、测量延迟以及有意限制的数据流，同时仍能保持能源控制性能稳定的强大学习和控制方法。政策框架应明确区分对能源控制至关重要的数据（如汇总后的制冷负荷或区域状态数据）与可选或需获得用户同意的数据（如详细的人员流动信息或视觉数据）。这样的区分能为建筑所有者及运营者提供关于合规采用人工智能的明确指导，同时也能让系统设计者了解实现良好控制性能所需的最低数据标准[130]。

5 结论
本综述深入探讨了人工智能技术在建筑能源应用中的当前发展水平、实际作用以及未来的研究需求。它总结了当前基于人工智能的各种策略在建筑全生命周期中的应用情况，指出了阻碍其实际应用的诸多关键挑战，并分析了人工智能如何能更好地推动研究成果向可实际应用的建筑能源解决方案转化。现有研究显示，人工智能技术已在建筑的规划设计、运行控制以及维护故障诊断等多个领域得到广泛研究。人工智能被用于能量预测、基于替代模型的性能评估、设计空间探索、控制优化、提升能源灵活性、异常检测、故障诊断以及预测性维护等方面。在这些生命周期阶段中，人工智能在设计阶段的分析、离线优化以及故障检测等方面的应用相对更为成熟，因为这些阶段的计算延迟和运营风险相对较低。相比之下，实时控制技术的应用难度更大，因为它需要具备强大的稳定性、快速响应能力、安全保障机制，以及与现有建筑自动化基础设施的兼容性。

然而，对当前人工智能应用的分析也表明，许多研究仍局限于仿真环境、基准数据集或短期演示。人工智能在建筑能源系统中的实际应用规模有限，其主要原因并非算法能力不足，而是现有的人工智能理念与实际运营环境之间存在结构性差异。这种差异体现在对数据的强烈依赖、较高的计算负担、较差的可解释性、安全与责任问题、分散的系统架构以及高昂的实施和维护成本等方面。这些障碍正是导致许多具有出色性能的人工智能方法难以在真实建筑中得到大规模应用的原因。从这个角度看，所研究的那些应用其实更符合人工智能的广义定义：它们主要作为决策支持和优化增强工具，而非完全自主的智能系统。而严格意义上的人工智能，即那种强调在不确定性条件下具备自主推理、自适应学习及决策能力的智能系统，目前仍难以在真实的建筑能源系统中可靠实现。因此，未来的研究应从以算法为中心的开发思路转向以实际应用为导向的智能系统研发。关键的优先事项包括标准化且具有互操作性的人工智能框架、可解释性与信任建立机制、考虑全生命周期的多目标优化、模块化且目标导向的数字孪生体、轻量级的边缘人工智能架构，以及注重隐私保护的治理机制。解决这些系统层面的挑战对于将人工智能从一种具有巨大潜力的研究工具转变为一种可在现实中广泛应用、值得信赖且具有经济可行性的建筑能源管理解决方案至关重要。

谢凌云|单魁|唐宏|李航欣|王胜伟
中国香港香港理工大学建筑环境与能源工程系