面向智能建筑自动化系统的预测性与情境感知时序建模

《Engineering Science and Technology, an International Journal》：Predictive and context-aware temporal modeling for intelligent building automation systems

　　

中文摘要翻译 传统楼宇管理系统固有的反应式、基于规则的控制方式导致了投机性能源消耗和室内环境质量受损。为解决此问题，本研究提出一种新颖的信息物理架构：面向智能建筑自动化系统的预测性与情境感知时序建模（Predictive and Context-Aware Temporal Modeling）。该研究引入了一个统一的双层控制引擎，将多智能体机器学习与深度序列建模同步化。在宏观层面，一个双智能体XGBoost（Dual-Agent XGBoost）框架最大化能源规避效果：前瞻性智能体提前15分钟预测居住者离开，以利用建筑热惯性；反应式智能体则对离开时长进行分类，以避免任意操作超时。与此同时，在微观层面，一个混合卷积神经网络-长短期记忆网络模型（Hybrid CNN-LSTM Model）从物联网（IoT）传感器网络中提取深层时序特征，以学习居住者特定的热舒适运行模式。热舒适智能体（Thermal Comfort Agent）通过执行“虚拟墙”（Virtual Wall）策略提供情境感知的热力编排，在ASHRAE（美国采暖、制冷与空调工程师学会）舒适标准范围内交付环境条件。该系统作为完全集成的边缘到云端基础设施部署，实现为实时信息物理控制架构，并使用真实世界物联网数据结合热力学仿真框架进行实验评估。此外，本研究明确量化了环境影响，将算法层面的节能转化为使用稳健热力学模型的运营碳足迹减少量。所提出的框架提供了一种模块化的、数据驱动的架构，展现出可扩展部署的潜力，有待多区域验证，成功弥合了积极脱碳与最佳居住者福祉之间的差距。

论文解读文章

1. 研究背景与问题

建筑环境与全球能源消耗之间的关系已成为21世纪的核心挑战之一。建筑物约占全球最终能源消耗的32%和能源相关二氧化碳（CO?）排放的34%。随着城市化加速，建筑相关能源需求的增长轨迹可能超过可再生能源转型带来的收益。传统的楼宇管理系统（BMS）依赖静态的、基于日程表的逻辑和固定的设定点，很少与实际人类行为一致，导致大量能源浪费于无人空间的调节和照明。

过去二十年占主导地位的节能建筑控制方法是基于规则或阈值驱动的自动化，这些系统本质上是反应式的，只能响应已经发生的状况，而非预测即将发生的情况。更先进的模型预测控制（MPC）虽能展示有意义的节能效果，但其部署受限于所需物理模型的复杂性、对高保真建筑模拟工具的依赖，以及获取可靠实时占用率预测的难度。

机器学习的发展开辟了新途径，但现有研究往往将预测任务孤立对待，缺乏将其集成到可部署、可扩展的系统架构中的能力。这种从优秀模型到端到端可运行系统的跨越，正是现有文献的主要不足之处。这种差距带来了可衡量的实际后果：反应式或不精确的控制引入了“投机性能源消耗”，即在可能不会实现的占用预期中消耗能源，或在居住者离开后长时间维持房间状态。据估计，仅在一栋办公楼中，此类低效就占总暖通空调（HVAC）能耗的20%至30%。

此外，还存在舒适度维度的问题：过于激进地追求节能的系统会产生令居住者不适的热环境或光环境，引发手动覆盖，从而抵消自动节省的全部效果。同时，许多研究报告节能百分比，但很少将其追溯至具体的碳足迹影响估算，这削弱了智能建筑系统作为气候缓解策略的可信度。

2. 研究内容与结论

针对上述缺陷，本研究提出并评估了一个集成的智能建筑框架，通过新颖的“预测性与情境感知时序建模”架构来解决投机性能源消耗与热舒适之间的矛盾。该系统作为一个统一的信息物理架构运行，基于低成本被动红外（PIR）、DHT22（温湿度传感器）和光敏电阻（LDR）传感器。在能源优化方面，部署了双智能体XGBoost（Dual-Agent XGBoost）框架：前瞻性智能体提前15分钟预测居住者离开以实现早期HVAC关闭，而反应式智能体在居住者离开后对离开时长进行分类以防止不必要的调节。同时，为确保最佳居住者福祉，系统采用了由混合卷积神经网络-长短期记忆网络（CNN-LSTM）架构驱动的热舒适智能体（Thermal Comfort Agent）模块。该模块执行新颖的预测性“虚拟墙”（Virtual Wall）策略，建立动态时间边界，从而在舒适带内提供情境感知的热力编排。

这一集成双层架构代表了从占用检测到情境占用预期的概念转变。与纯计算模型不同，该框架是一个可部署的信息物理系统（CPS），包含物联网（IoT）传感器网络、应用程序接口（API）驱动的数据管道、基于Docker的云部署和实时控制逻辑，提供了可作为未来多区域部署基础的模块化架构。该研究还致力于量化其控制决策的碳足迹含义。

研究人员假设，一个个性化、预测性的控制系统可以同时降低能耗和碳排放，同时改善或保持用户舒适度，这不是一种权衡，而是一种设计成果。

3. 关键技术方法

研究人员开发了一套完整的技术方案。首先，硬件层面采用分布式低成本IoT传感器网络，包括用于运动和占用的PIR传感器、用于热条件的DHT22传感器以及用于视觉舒适度的LDR传感器，并通过边缘计算单元（如ESP微控制器或树莓派）进行数据采集和本地控制。其次，构建了云端基础设施，后端使用.NET Core Web API开发并通过Docker容器化部署在树莓派5节点上，所有传感器遥测数据通过RESTful API传输并存储在PostgreSQL数据库中，前端则使用Angular框架和SignalR技术开发了实时监控仪表板。第三，数据预处理阶段，对从土耳其萨卡里亚大学（Sakarya University）办公室环境收集的约23.5万条原始观测数据（10秒间隔）进行了严格处理，包括结构时间间隙重建、双插补策略、滚动中值滤波去噪以及重采样为1分钟间隔。第四，提出了双智能体XGBoost架构，其中前瞻性智能体通过滑动窗口标记离开前15分钟时段来训练，以预测即将到来的离开；反应式智能体则对离开时长进行分类。第五，开发了混合CNN-LSTM模型作为热舒适智能体，用于提取复杂时间模式并动态编排HVAC在自适应舒适带内的运行。最后，整个系统被整合为一个统一的闭环信息物理系统。

4. 研究结果

宏观层面能源优化代理：双智能体XGBoost架构

• •
  前瞻性智能体：预期性HVAC关闭：该智能体在占用期间持续运行，识别即将离开的早期信号。它评估一个15分钟的预测窗口，通过识别离开的行为和环境前兆，在最优时刻触发早期宏观层面的HVAC关闭，无论这个时刻是在实际离开前的15分钟、10分钟还是5分钟。
• •
  反应式智能体：离开时长分类：该智能体在居住者离开后立即激活，对离开时长进行分类，区分短时离开和长时离开，从而防止不必要的系统关闭或重新开启，避免因任意操作超时导致的能源浪费。

微观层面热舒适代理：混合CNN-LSTM模型与虚拟墙策略

• •
  热舒适智能体：利用混合CNN-LSTM模型从IoT传感器网络中提取深层时间特征，学习居住者特定的热舒适运行模式。
• •
  虚拟墙策略：该智能体执行“虚拟墙”策略，建立动态时间边界，在ASHRAE（美国采暖、制冷与空调工程师学会）舒适标准范围内提供情境感知的热力编排，实现从固定设定点到自适应舒适带的转变。

系统集成与性能评估

• •
  该系统作为完全集成的边缘到云端基础设施部署，实现了实时信息物理控制架构。
• •
  使用真实世界IoT数据结合热力学仿真框架进行实验评估。
• •
  研究明确量化了环境影响，将算法层面的节能转化为使用稳健热力学模型的运营碳足迹减少量。

5. 讨论与结论

讨论部分总结：本研究提出的预测性与情境感知时序建模架构有效解决了传统反应式控制导致的投机性能源消耗问题。通过将控制逻辑严格划分为两个专用层次——宏观层面的双智能体XGBoost用于快速离开和缺席分类，以及微观层面的热舒适智能体（CNN-LSTM）用于情境感知热力编排——该架构实现了从占用检测到情境占用预期的概念转变。这种双层方法结合实时能源优化与运营碳影响量化，在一个模块化系统架构中实现，为向多区域建筑环境的可扩展部署建立了设计基础。该研究证明了通过个性化、预测性控制系统同时降低能耗、碳排放并维持用户舒适度的可行性，这不是一种权衡，而是一种设计成果。

研究结论翻译：本研究提出的框架提供了一个模块化的、数据驱动的架构，展现出可扩展部署的潜力，有待多区域验证，成功弥合了积极脱碳与最佳居住者福祉之间的差距。该论文发表在《Engineering Science and Technology, an International Journal》。