第七章綠色低碳建筑的智能設計7.1|智能設計概述智能設計的基本內容建筑外殼的智能設計綠色低碳智能建筑管理系統7.2|全生命周期綜合解決方案全生命周期BIM模型的構建全生命周期數據的整合與分析運營維護和使用后評估7.3|性能預測的人工智能方法建筑能源消耗預測室內熱舒適度預測室內空氣質量預測空間占用率預測目錄CONTENTS智能設計的基本內容建筑外殼的智能設計綠色低碳智能建筑管理系統7.1|智能設計概述7.1.1智能設計的基本內容智能設計的基本內容

綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能設計是指利用先進的計算機技術、數字化技術以及各種信息技術手段來模擬、分析和優化建筑設計的過程。建筑智能控制系統是智能設計的實施手段之一，主要包括能源管理系統、智能照明系統、智能空調系統、智能窗戶系統等。這些系統在不同領域的應用正在逐步擴大，為建筑、工業、交通等行業帶來了更高效、便捷、舒適的智能化體驗，同時也為節能減排和可持續發展做出了積極貢獻。能源管理系統智能照明系統智能空調系統智能窗戶系統能源管理系統

綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計能源管理系統構成建筑能源管理系統一般指使用計算機的單個建筑物或建筑物群組的控制系統以及用于監控、數據存儲和通信的分布式微處理器，它通過監測、控制和優化建筑內部能源使用，實現對建筑能源的高效利用和管理。能源管理系統信息展示與管理界面1）數據采集設備由建筑系統內部具有通信能力的計量設備組成，包括風量計、智能電表等。2）能源監測與分析系統負責接收并分析能耗數據，為智能控制系統提供決策依據。通過明確并匯總各個項目的能源消耗情況，實現建筑能源的精細化管理。3）智能控制系統基于能源監測與分析結果，對建筑內部的能源設備進行智能控制，包括智能調光、智能空調控制、智能供暖等，以實現能源使用的最優化。4）信息展示與管理界面：用于提供給建筑管理員和用戶查看能源使用情況、設置能源管理策略能源管理系統構成綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計能源管理系統功能建筑能源管理系統能夠控制建筑內各種設備的運行狀態，使建筑內部各種節能設備協同工作，從而提高整體能效，構建節能、環保、智能化的建筑環境。建筑能源管理系統的主要功能有以下幾點：能源管理系統功能1）數據采集及分析：依據計量標準和用戶管理需求，采集并記錄系統的能源計量點位和主要用能系統的設備運行數據，例如能耗總量走勢分析、總能耗差分析等。2）指標計劃與預警：對重點用能設備、系統的能耗指標和能效指標等參數進行實時監控，對規定的節能目標設置警戒線，對未達目標的指標進行預警和動態實時監測。3）能耗預測：對建筑的能耗數據進行分析，建立能耗計算模型并進行能耗預測，如用電負荷預測、用電負荷趨勢預測等，為節能提供有效的數據支撐。4）數據上傳：按照規范要求，將建筑的能源消費數據準確、完整、及時接入到上級平臺，同時確保內部系統安全和數據安全。能源管理系統

智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統構成照明系統是指通過燈具、控制器和電力設備等組成的整體系統，用于在建筑物內外提供適當的照明。基于計算機技術、網絡通信技術、自動控制技術及嵌入式軟件等多種技術，通過數據采集、分析和智能控制，實現對照明設備的自動化管理、優化的系統。智能照明系統架構1）傳感器：用于收集環境信息，并將檢測到的信號傳輸給控制系統，從而使照明系統能夠響應環境和用戶需求的變化。2）控制器：根據預設的程序和控制策略，自動對燈具進行智能化控制，是智能照明控制系統的核心組成部分。3）執行器：驅動燈具進行開關、亮度調節、顏色調節等操作，是智能照明控制系統的終端組成部分。智能照明系統的組成綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統應用場景智能照明系統通過根據需求精確調節照明亮度和開啟時間和優化建筑照明管理，有效減少能源消耗，助力建筑實現綠色低碳目標。智能照明系統的應用包括但不限于以下場景：智能照明系統應用場景商業建筑城市照明應急照明教育建筑住宅建筑智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統商業建筑商用智能照明案例：杭州綠城創意園辦公空間

智能照明系統的應用類型較為豐富，包括室內智能照明系統、舞臺智能照明系統、多媒體智能照明系統等，能夠滿足多種場景需求。如杭州綠城創意園辦公空間的照明系統注重通過現代化的光源和智能控制，實現舒適、高效的工作環境，同時也增強了空間的創意氛圍。智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統住宅建筑智能照明住宅建筑

通常用于結合各種生活場景，打造更加人性化的照明環境。智能照明系統還可以與安防、暖通等控制系統聯動控制。常見的現代住宅建筑智能照明系統，如私人住宅和商業住宅，均通過利用智能感應器和可調節光源，結合居住設計風格進行照明參數設計，從而進一步提升視覺感知舒適度并優化能源使用。智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統教育建筑

智能照明系統可以根據光照強度和色度進行智能調節，減少不良光線對學生視覺的刺激。智能照明系統還可以與其他控制系統連接，形成智能網絡。進一步實現對學習環境的優化，同時實現節能減排，通過集中管理和場景預設提升教學空間的靈活性和效率。教育建筑智能照明智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統城市照明智能照明系統可以針對突發天氣、季節更替等狀況，進行精細化照明策略設定。還可以與物聯網技術結合，從而建立智能照明、監控、播放系統一體化的解決方案。智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能照明系統應急照明智能照明系統可以準確定位火災位置和影響區域，通過應急照明光源指導疏散逃生方向。還可以與語音提示系統相結合，為受困人員提供指示并疏導逃生。智能照明系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能空調系統構成空調系統是一種專門設計用來控制和調節室內環境的設備集合，主要目的是為了保持室內空氣的溫度、濕度、潔凈度和氣流速度在理想的范圍內，以滿足人體舒適度要求或者特定生產過程的需求。一般分為集中式（服務于整個建筑）、半集中式（服務于建筑的一部分區域）和局部式（獨立服務于單個房間或小區域）。

智能空調系統是通過集成傳感器、數據分析和自動化控制等技術，實現對空調設備的智能調節，以適應用戶需求和環境變化的系統。1）傳感器：

對建筑中冷暖系統的運行狀態、運行參數及屋內外環境溫濕度實行全天候的自動監測，并將數據傳遞給控制器部分。2）控制器：

負責按照預先設定的指標對傳感器所傳來的信號進行分析、判斷，同時根據室外溫濕度變化在不同季節自動改變溫度設定值。3）執行器：

通過接收智能控制中心的指令，實現空調的調節和控制，例如及時自動打開制冷、加熱、去濕及空氣凈化等功能，包括空調主機、風口控制器等。智能空調系統組成部分智能空調系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能空調系統功能暖通空調系統是建筑能源消耗和碳排放的主要源頭，提高空調系統能效是降低建筑能耗和實現建筑碳中和目標的重要手段。智能空調系統通過智能調節和管理優化，在保障室內舒適度的前提下，有效提高空調系統能效，實現能源的節約。其主要功能有：1）能源管理與節能優化：根據室內外溫度、人員活動情況等因素自動調節空調溫度和運行模式，并基于能耗數據提供節能優化方案。2）故障診斷與維護：

實時監測空調的運行狀態，發現故障隱患，并及時發出警報，提醒用戶進行維修。有助于及時進行維修和保養，確保設備穩定運行。3）遠程控制與監測：

管理者可以通過手機或電腦遠程監控和控制空調系統，隨時隨地對室內環境進行調節。智能空調系統功能智能空調系統智能空調系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能窗戶系統構成智能窗戶系統是指能根據環境條件或用戶設置自動調節窗戶狀態的智能化系統，它通過集成傳感器感知的環境信息進行智能控制，以達到安全、節能和舒適的目的。智能窗戶系統（示意）1）傳感器：

用于感知環境的溫度、光照、空氣質量等信息并傳輸至控制器。包括紅外線感應器、氣體傳感器、遙控器、溫度傳感器、雨水探測裝置等。2）控制器：

用于對傳感器提供的數據進行處理分析，再對執行器輸出控制指令，或根據用戶界面傳輸的用戶指令進行控制。3）執行器：

用于接收控制器的控制信號并做出相應調節。包括用于實現窗戶自動開合的機械或電動裝置、實現室內采光調節的遮陽裝置和實現空氣凈化的通風裝置等。智能窗戶系統組成部分智能窗戶系統綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能窗戶系統功能智能窗戶系統能夠根據環境數據實時調整窗戶的開合狀態，實現有效的通風換氣和自然采光，減少對空調和照明系統的依賴，降低能源消耗。其主要功能有：智能啟閉、智能遮陽、智能凈化通風等。除此之外，還包括對于可持續材料的選擇、水資源管理以及施工與運維管理等多方面的內涵。智能窗戶系統功能智能啟閉智能遮陽智能凈化通風系統對室內溫度、室外噪聲、室內外PM2.5的數值分析，并綜合現時室外天氣情況，做出外窗的開啟或關閉動作，從而實現通風換氣、噪音隔離和節能保溫。通常分為中空玻璃百葉遮陽和調光玻璃遮陽兩種。通過對遮陽百葉或調光玻璃進行智能控制，達到調節室內采光和隔離太陽輻射熱及保護室內隱私的目的。根據室內及室外環境條件，自動進行室內外換氣通風，并自動濾除室外粉塵，使室內達到潔凈、舒適的居住環境條件。智能啟閉系統原理框圖智能遮陽系統原理框圖智能凈化通風系統原理框圖智能窗戶系統7.1.2建筑外殼的智能設計建筑外殼節能技術概述綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計建筑外殼，即建筑外圍護結構，指圍合建筑空間的屋頂、外墻、門窗等，用以抵御風雨、溫度變化、太陽輻射等，其節能措施在綠色低碳建筑技術設計中十分重要。外墻體節能技術又分為單一墻體節能與復合墻體節能。單一墻體節能技術，指通過改善主體結構材料本身的熱工性能來達到墻體節能效果，常用加氣混凝土和空洞率高的多孔磚或空心砌塊。復合墻體節能技術，指在墻體主體結構基礎上增加復合絕熱保溫材料改善墻體的熱工性能。根據復合材料與主體結構位置的不同，又分為內保溫技術、外保溫技術及夾心保溫技術。外墻體節能技術外墻體節能技術（示意圖）綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計窗戶的節能技術主要從減少滲透量、減少傳熱量、減少太陽輻射能三個方面進行設計。主要方式有：采用斷橋節能窗框材料、采用節能玻璃和采用窗戶遮陽設計幾種方式，其中窗戶的遮陽設計方式主要有外設遮陽板和電控智能遮陽系統。窗戶節能技術建筑外殼節能技術概述窗戶節能技術應用（示意圖）綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計屋面節能設計除保溫、隔熱的常規方式外，結合雨水回收的種植屋面設計也是減少建筑能耗的有效方式。屋面節能技術建筑外殼節能技術概述屋面節能技術應用（示意圖）綠色低碳智能建筑外殼的發展方向綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計屋面節能設計除保溫、隔熱的常規方式外，結合雨水回收的種植屋面設計也是減少建筑能耗的有效方式。自動化控制數據監測與分析可持續發展可互動性自動化控制技術應用（示意圖）綠色低碳智能建筑外殼的發展方向綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計通過物聯網技術，智能建筑外殼能夠實時監測建筑運行狀態和能耗數據，為節能優化提供數據支持。一旦發現異常或故障，可以迅速通知管理人員進行維護，確保建筑系統的長期穩定運行。自動化控制數據監測與分析可持續發展可互動性數據監測與分析（示意圖）綠色低碳智能建筑外殼的發展方向綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能建筑外殼結合太陽能光伏板、生物發電等可再生能源技術，為建筑運行提供能源支持。同時，通過雨水收集、立體綠化等設計促進可持續發展和生態保護。自動化控制數據監測與分析可持續發展可互動性新加坡海軍部村莊立體綠化雨水回收設計建筑外殼可持續發展應用（示意圖）綠色低碳智能建筑外殼的發展方向綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計可互動性分為兩方面。一是智能建筑外殼能夠根據用戶的需求和偏好進行個性化設置，用戶可以通過智能手機、平板電腦等終端設備實現對建筑外殼的控制，同時，外殼還能夠根據用戶的生活習慣和行為模式，學習并優化自身的控制策略。二是智能建筑外殼基于體感信息，對用戶的行為、動作做出相應，發生變化，實現人與建筑的互動。自動化控制數據監測與分析可持續發展可互動性建筑外殼可互動性發展應用（示意圖）智能建筑外殼實踐綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計當前，智能建筑外殼相關實踐處于探索中，現有實踐項目以智能遮陽系統、智能表皮等為主。智能遮陽系統通過自動化和智能化手段實現了更高效、便捷的遮陽效果和能源管理，可根據季節、氣候、朝向、時段等條件的不同進行陽光跟蹤及陰影計算自動調整遮陽系統運行狀態。控制系統軟件包括監控軟件和智能節點控制軟件兩部分功能模塊。智能遮陽系統智能表皮智能建筑外殼實踐綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能遮陽系統可分為人工電動控制及感應智能控制：1）人工電動控制可根據一天內太陽光的照射角度及強弱人工對遮陽系統進行角度的調節。2）感應智能控制通過傳感器檢測太陽照射高度和角度，根據太陽光強弱自動調節遮陽板的遮陽方位和遮陽面積大小等，以達到遮陽的目的，該系統可有效用于屋面采光遮陽。目前智能遮陽系統大多采用人工控制結合自動控制的方式。如華為杭州生產基地改擴建項目的智能遮陽系統可實現手動與自動控制，能自動跟蹤太陽軌跡并自動調節遮陽葉面。智能遮陽系統智能表皮華為杭州生產基地改擴建項目的智能遮陽系統智能建筑外殼實踐綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能表皮是一種能對環境、人的行為等因素變化做出響應，同時考慮節能、舒適度等參數的建筑圍護結構。其相關概念包括自適應建筑表皮、互動式建筑表皮等。自適應建筑表皮：自適應建筑表皮以提高整體建筑性能為目的，通過可逆性地調節自身功能、特征或行為，適應環境變化或使用者需求。其特性包括：①環境可響應性②資源可利用性③用戶可交互性智能遮陽系統智能表皮阿拉伯世界研究中心南立面表皮基弗技術展廳立面表皮的不同形態AlgaeFa?ade藻類動力建筑表皮智能建筑外殼實踐綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計互動式建筑表皮：互動式建筑表皮系統通常由信號感應器、微型處理器和動態執行器三大部分組成，通過一系列傳感器拾取體感信息，作為交互的觸發因子。2008年薩拉戈薩世博會的“水幕墻”可以通過傳感器探測到游客的動向，在水幕墻上形成出入口（見上圖）。AegisHyposurface由一個交互式機械表面組成，可以根據各種環境刺激（包括人的聲音和運動、天氣和電子信息）實時變形（見下圖）。智能遮陽系統智能表皮薩拉戈薩世博會“水幕墻”AegisHyposurface交互式表面7.1.3綠色低碳智能建筑管理系統綠色低碳智能建筑管理系統概述綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能建筑管理系統是依靠各子系統的上位管理主機采用以太網和數據交互技術進行互連、實現各子系統間部分數據的傳遞的系統。它適應TCP/IP化趨勢，具有開放性和廣泛接入性的特點，因此容易完成各種系統之間的互聯互通。智能建筑管理系統一般由三部分組成：具有Web功能的集成化監視平臺、監控服務器和協議轉換網關。其由一系列子系統集成成為一個“有機”的統一系統，包括樓宇自控系統、火災報警系統、安保管理系統、廣播系統、停車場管理系統、一卡通系統等。綠色低碳建筑管理系統的技術，主要參照互聯網技術，在數據庫和管理軟件層面進行功能開發，本質上是一個面向管理的分時信息交互管理系統，解決了信息集成管理問題。其通過不同子系統開發通用的TCP/IP數據通信接口，完成各個專業子系統與上層的智能建筑集成管理系統的通信。原本各自獨立的子系統，通過智能建筑管理系統構筑了一個統一的操作監測平臺，如同一個系統一樣。總體而言，建筑實現綠色低碳，可從基礎設施節能、能源效率和運營管理等方面來進行，而智能建筑管理系統在其中發揮不可或缺的作用。具有Web功能的集成化監視平臺監控服務器協議轉換網關智能建筑管理系統的組成綠色低碳智能建筑管理系統功能綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計綠色低碳智能建筑管理系統的強大功能助力實現建筑的綠色低碳、可持續發展，實現建筑內部各個設備的集中管理和監控，實現設備的運行效率最大化與能耗的降低，以及設備運行的安全可靠。其功能具有智能化、集成化、自動化、精細化、可靠性。

智能化智能建筑管理系統可以對建筑物內部的各項業務進行實時監測和分析，及時發現能源浪費的問題，提出相應的節能措施，降低建筑物的能源消耗。它能夠將收集到的有關樓內外資料，分析整理成具有高附加值的信息，運用先進的技術和方法使建筑物的管理系統的作業流程更有效，運行成本更低，競爭力更強。

集成化智能建筑管理系統可以將建筑物內部的各個子系統高度集成，做到安保、防火、設備監控三位一體，集成在一個圖形操作界面上，以實現整個建筑的全面監視、控制和管理，從而提高建筑物全局事件和物業管理的效率、綜合服務的功能。信息在智能建筑管理平臺上實現共享和交互，為建筑管理的決策提供更加科學和準確的數據支持。

自動化智能建筑管理系統可以實現自動化控制和管理，支持多種節能控制策略，如能源監測、節能分析、優化控制，減少人工干預和失誤，提高管理效率和管理質量。

精細化智能建筑管理系統可以對建筑物內部的各項業務進行精細化管理，實現能源的按需分配和優化利用。

可靠性智能建筑管理系統具有高度的可靠性和穩定性，可以保證建筑物內部各項業務的正常運行和能源利用效率的提高。12345綠色低碳智能建筑管理系統功能綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能建筑管理系統的功能應符合下列規定：應以實現綠色建筑、低碳建筑為目標，同時滿足建筑的物業運營及管理模式的需求。應采用智能化信息資源共享和協同運行的架構形式。應具有實用、規范和高效的監管功能。宜適應信息化綜合應用功能的延伸及增強。川建院大源國際中心辦公樓（簡稱SADI大樓）就是綠色智能建筑管理系統的優秀實踐案例。（圖7-21）該建筑位于四川省成都市武侯區，總建筑面積4.66萬㎡，地上24層；2010年開始建設，2014年建成投入使用，2022年公司在利舊基礎上以“綠色、低碳、智慧”為目標，結合物聯網、大數據、數字孿生等數字化技術，啟動自用樓層智慧低碳微改造。創新地構建既有建筑智能化改造、綠色建筑、光伏一體化、健康建筑、建筑節水、高效能源、建筑碳管理、建筑的運維和運營管理8大特色板塊，打造了“既有建筑改造綠色低碳智慧改造樣板”。當前已獲得智慧辦公建筑金級預評價、WELL金級認證，正在申請綠色建筑三星與健康建筑金級。川建院大源國際中心辦公樓智能建筑管理系統設計及標準化原則綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計智能建筑管理系統對建筑內部各項業務進行統籌，其設計包括以下要點：1）具有虛擬化、分布式應用、統一安全管理等平臺支撐作用，應形成對智能化相關信息采集、數據通信、分析處理等支持能力。2）滿足對智能化實時信息及歷史數據分析、可視化展現的要求。3）滿足遠程及移動應用的需要。4）應符合實施規范化的管理方式和專業化的業務運行程序。5）具有安全性、可用性、可維護性和可擴展性。6）順應時代，適應標準化信息集成平臺的技術發展方向，綜合運用物聯網、云計算、大數據、智慧城市等信息交互多元化技術和新應用。智能建筑管理系統的設計原則智能建筑管理系統設計及標準化原則綠色低碳智能建筑管理系統智能設計的基本內容建筑外殼的智能設計

要實現綠色建筑的智能化運作，需要實現各類物聯監測數據的有效傳輸以及控制反饋。目前國內外已有許多智能建筑管理系統品牌，并應用于項目實踐，但當前主流的各類系統品牌各自獨立，之間存在通信壁壘。因此，智能建筑管理系統如何實現標準化，打破通信壁壘，建立統一的通信協議，實現通信互聯，是未來亟待解決的關鍵問題之一。智能建筑管理系統通信互聯應符合下列規定：智能建筑管理系統的標準化原則1）應具有標準化通信方式和信息交互的支持能力。2）應符合國際通用的接口、協議及國家現行有關標準的規定。全生命周期BIM模型的構建全生命周期數據的整合與分析運營維護和使用后評估7.2|全生命周期綜合解決方案7.2.1全生命周期BIM模型的構建

建筑全生命周期概念闡述

運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析建筑全生命周期即BLM（BuildingLifecycleManagement），簡單的說是指從材料與構建生產、規劃與設計、建造與運輸、運行與維護直到拆除與處理（廢棄、再循環和再利用等）的全循環過程。建筑項目的復雜性和長周期使得全生命周期的劃分至關重要，一般可分為規劃、設計、施工和運營四個階段。BIM技術是“建筑信息模型”的簡稱，指的是建筑信息模型技術，主要是把計算機技術作為輔助技術，將其運用到建筑設計中的一種工作方法。從建筑規劃到設計，再到施工等，都應用了信息模型技術，該技術已經貫穿了整個建筑周期。BIM技術最初源于石化、汽車和造船行業，上世紀70年代美國的查克伊士曼博士首次提出。隨著計算機軟硬件的進步，BIM在理論和實踐上得到了廣泛應用。BIM技術BIM技術在全生命周期管理體系中的應用運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析BIM技術在綠色低碳建筑項目全生命周期中的管理體系應用旨在精確控制質量、進度和安全，通過模擬優化方案以節省工期和降低成本。該管理體系涵蓋了開發管理、業主方項目管理和物業管理三個階段，并通過引入BIM技術實現集成管理和信息共享。在不同階段，BIM技術的應用內容和深度都有所不同：（1）策劃階段在策劃階段，BIM技術可以用于建立方案模型、進行場地分析和總體規劃等。通過BIM軟件建立模型，并結合GIS軟件進行數據分析，為最優方案決策提供數據和技術支持。（2）設計階段包括設計準備和設計兩個階段。在這一階段，BIM技術的可視化、協同性、動態多維和參數化等特點能夠為設計階段提供支持。（3）施工階段包括施工準備和施工兩個階段。在這個階段，BIM技術可以將管理精細化，通過將二維拓展到三維、四維甚至多維模擬，實現施工組織模擬和方案模擬，從而避免交叉作業、降低安全質量隱患，為業主提供更好的進度控制工具。（4）運營維護階段傳統的運營維護階段存在信息凌亂不全、信息分離等問題，增加了運營管理的難度。BIM信息模型的引入可以有效管理設施信息，避免信息的分散或丟失，并實現信息的實時反饋，為運營管理提供科學、合理的支持。綠色低碳建筑全生命周期BIM模型構建流程運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析BIM技術在綠色低碳建筑項目全生命周期中的管理體系應用旨在精確控制質量、進度和安全，通過模擬優化方案以節省工期和降低成本。該管理體系涵蓋了開發管理、業主方項目管理和物業管理三個階段，并通過引入BIM技術實現集成管理和信息共享。在不同階段，BIM技術的應用內容和深度都有所不同：綠色低碳建筑全生命周期BIM模型構建原則建筑全生命周期BIM模型構建的基本思路是隨著工程項目的進展和需要分階段創建BIM子模型，即從項目規劃到設計、施工、運營不同階段，針對不同的應用建立相應的BIM子集，其構建原則包括以下幾個方面：1）全生命周期考量：BIM模型應該覆蓋建筑項目的全生命周期，從規劃、設計、施工到運營和維護階段，BIM模型需要持續更新和演進。2）集成和交互性：BIM模型應該是一個集成的系統，能夠容納各種數據來源，并支持不同軟件和工具之間的交互。3）標準化和規范化：在構建BIM模型時，需要遵循相應的標準和規范，有助于確保不同軟件和系統之間的兼容性，并提高數據的一致性和可比性。4）信息共享和透明度：BIM模型應該促進信息的共享和透明度，確保各個利益相關者都能夠獲取到他們所需要的信息，并參與到決策和執行過程中。綠色低碳建筑全生命周期BIM模型構建流程運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析1）需要進行實際業務流程的分析，以確定需要構建的BIM模型的范圍和內容。在這一步中，選擇與業務流程相適應的BIM數據標準的子集，即子模型視圖。如果現有的子模型視圖不滿足需求，則需要根據建模規范或其他方法創建符合要求的子模型視圖。2）利用選定的子模型視圖，進行BIM子模型的提取工作。這一步驟涉及將相關數據從BIM數據庫中提取，并導出為IFC文件，以增加系統對這些數據的利用便捷性。3）將導出的IFC文件移入應用系統中，構建工程信息共享平臺。通過這一平臺，促進信息的更新迭代，同時將新產生的工程信息與舊有的IFC文件導出。4）利用集成的BIM模型將數據信息歸入數據庫中。基本思路是根據項目的進展和需求分階段創建BIM子模型，從項目規劃到設計、施工、運營不同階段，建立相應的BIM子集。隨著項目的進展，不斷對上一階段模型進行數據提取、擴展和集成，形成本階段的信息模型。建筑全生命周期BIM建模步驟7.2.2全生命周期數據的整合與分析全生命周期數據的整合與分析運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析全生命周期的BIM數據分析是以BIM模型為基礎，通過借助各類分析軟件以及地理信息，對建筑場地、日照、風環境、熱環境、聲環境、建筑能耗及施工進行具體的分析、模擬及預測。其中數據的獲取除BIM模型中建筑及場地信息外，可將地理信息（GIS）數據、現場調研數據導入各類分析軟件，包括Revit中內置的GoogleEarth、各類CFD流體力學模擬分析插件、EcotectAnalysis、CadnaA聲環境分析等軟件。全生命周期的BIM數據整合分析主要覆蓋了綠色建筑全生命周期的決策、設計、施工階段，旨在協助設計師在各個階段高效地選擇最佳方案，以智能手段輔助建筑的綠色設計。由于運營與維護階段涉及數據分析的內容較少，本文暫不予討論。決策階段

設計階段

施工階段

決策階段

運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析利用建筑信息模型（BIM）進行環境生態數據的收集與分析，是一種高效且精準的分析方法。在決策階段的綠色建筑數據分析直接關系到建筑在未來運行中的能耗、環境適應性以及可持續性。該階段中的數據分析以場地環境要素分析為主，其中場地環境要素包括當地的能源條件、氣候條件、場地地貌與植被、可利用的舊建筑、潛在災害，協助建筑師在場地決策階段做出合理的場地設計、交通流線組織與建筑物布局等。BIM與地理信息系統（傳統設計行業升級背景下的BIM正向設計研究）設計階段

運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析BIM環境模擬日照分析風環境與熱環境分析聲環境分析通過BIM模型可對街道建筑進行建筑遮擋與日照分析，通過選擇場地地理位置以及日照研究的重點時間節點，模型會自動模擬太陽高度角和太陽運行軌跡，模擬計算建筑各個立面的日照時長，并生成可視化日照路徑成果。根據不同地區的日照條件調整建筑設計策略，以達到舒適綠色的設計目標。日照分析通過在BIM中內置CFD流體力學模擬分析插件，可自動獲取氣象數據，包括風速、風向、溫度變化頻率、相對濕度等，結合BIM模型中的邊界條件及地形地貌、植被覆蓋、水體分布等信息，可生成場地空氣分析、建筑表皮風壓、干球溫度、濕球溫度、直射太陽能、散射太陽能等數據，進行可視化表達。CFD風環境模擬在BIM模型中進行的聲環境分析，目的是檢測聲線的數量和強度，以便針對不同聲源提出有效的設計策略，從而確保建筑空間的聲學環境達到最優狀態。對聲環境的分析需要將現場調研的生源數據和BIM模型導入環境噪聲評估軟件，并對各項屬性進行精確定義，包括地勢高差、交通量、點聲源位置、地面吸聲系數、晝夜時間范圍，從而對建筑里面及建筑空間內接收點聲壓級進行評估城市噪聲地圖設計階段

運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析建筑能耗與碳排放分析

BIM模型與綠色建筑能耗計算軟件相結合可以對建筑能耗及碳排放量進行預測。建筑能耗的影響因素主要包括窗地比、外窗傳熱系數、外墻傳熱系數、屋頂傳熱系數、采暖制冷的設置溫度等，可將BIM模型導入能耗計算軟件，軟件內數據庫中包含大量建筑材料熱工性能及構造方式，通過選擇建筑所在地、建筑材料及構造做法，可自動計算建筑能耗和碳排放量，并生成檢測報告。能耗模擬應用施工階段

運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析（1）管線綜合調控（2）BIM模型碰撞參數檢測與核算BIM模型可整合項目中建筑、結構、給排水、電氣、消防、暖通及景觀等多個專業的三維模型，并優化各系統之間的平面與空間布局關系。同時優化各系統與永久性構件在平面和空間上的協調排布。通過反復修改與調整降低項目成本并提升施工圖圖紙的質量和準確性，以確保項目的順利進行和高效實施。施工碰撞檢查主要分為軟碰撞和硬碰撞。硬碰撞指實體之間存在交叉和碰撞；軟碰撞指在施工中兩個構件之間預留空間無法滿足構件的施工和檢修運維等要求。利用Navisworks軟件選擇碰撞檢查的類型，包括硬碰撞、間隙碰撞或副本碰撞等，通過設定構件碰撞參數，自動查找BIM模型中的碰撞點并生成檢測報告。Navisworks碰撞檢查7.2.3運營維護和使用后評估項目運營維護管理運營維護管理可以簡稱為運維管理，運維管理是基于傳統的房屋管理經過演變而來。近幾十年來，隨著全球經濟的快速發展和城市化建設的持續推進，特別是隨著人們生活和工作環境的豐富多樣，建筑實體功能呈現出多樣化的發展現狀，使得運維管理成為一門科學，發展成為整合人員、設備以及技術等關鍵資源的管理系統工程。使用后評估使用后評估（POE）是建筑投入使用一段時間以后，對其使用狀況和性能表現進行評估的一個過程。國際通用的建筑使用后評估的基本方法來源于普萊策于1988年出版的《使用后評估》一書。普萊策將使用后評估分為描述式、調查式和診斷式三種類型，它們之間的關系是由淺到深的關系。使用后評估包含三個主要步驟，即計劃準備階段、數據收集階段和數據分析階段。運營維護和使用后評估運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析隨著工業4.0時代的發展，用新興科學技術交叉來拓展智慧化技術與運維的研究逐漸增多，表現在信息工程領域應用虛擬現實技術對建成環境空間進行認知和探索。斯坦福大學CIFE應用多學科方法實現產品模型的3D可視化及施工過程模擬，將虛擬性建造（信息模型）與物質性建造（物業）結合；清華大學互聯網產業研究院超智能城市研究中心基于Multi-Agent強化學習理論支撐構建智慧城市多智能系統，提供多種條件下空間認知與建筑疏散管理，為優化建筑環境管理提供決策依據。概念闡述概念闡述運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析概念闡述步驟工作重點方法成果計劃階段收集與建筑相關的文字、照片、圖紙、文件等資料實地勘察、網上搜索、檔案室調檔、詢問設計施工方等一份詳細的實施后評估計劃書和相關資料附件包溝通與建筑相關的所有利益方，如委托方、管理方、設計方、施工方和使用方等訪談、電話、電郵、介紹信等數據收集主觀評價收集由評估者通過觀察發現的問題和使用者對建筑使用、運營、維護方面的主觀評價信息步入式觀察（初步觀察、現場測繪、空間觀測、行為觀測等）、訪談法（一對一訪談、深度訪談等）、問卷調查等觀察和訪談信息被整理成描述性報告和主要問題清；問卷調查結果和客觀測量數據被輸入EXCEL軟件準備導入SPSS數理統計軟件進行分析客觀測量測量室內環境質量數據（溫濕度、光、聲環境、空氣質量等）和能耗數據（用水量、用電量等）儀器測量、用水用電量審計、能耗感應器記錄等數據分析應用統計學和評價學的分析方法，試圖在建筑性能和使用的表層現象中挖據深層關聯性和規律性，揭示問題的本質提出評估結論和改善建議失敗樹分析、對比評定、清單列表、語義學解析、多因子變量分析、層級分析、社會網分析、生命周期評估、質化分析等一份配有文字、圖片、數據圖表的使用后評估結論報告表使用后評估的步驟基于BIM5D的項目運營與維護運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析BIM5DBIM5D在運營維護中應用BIM5D是建筑信息模型（BuildingInformationModeling）技術的一種高級應用形式，它在傳統的三維（3D）建筑模型基礎上，集成了第四維度——時間（4D），以及第五維度——成本（5D）。通過融合這些多維度信息，BIM5D為建筑項目提供了一個全面的數據驅動平臺，使項目團隊能夠在設計、施工和運營階段進行精細化管理。參與方都能夠在模型中操作信息，通過該技術可顯著提高建筑項目的工作效率、工程質量，有效規避錯誤，預防風險。總體上說BIM5D有如下內容：1）依托三維數字技術而發展起來的BIM5D集成了與建筑工程有關的信息、數字化表達工程項目實施實體與功能特性，使項目在運維過程中清晰、明了，更加有針對性。2）BIM5D能夠連接整個建筑項目各階段的數據，完整的描述工程對象，可實時獲取自動技術、組合拆分等各類工程數據。3）作為單一工程數據資源BIM5D不僅可動態的創建建設項目工程信息，實現信息共享，深化質量管理，同時可有效的促進異構工程、分布式數據共享，提高施工過程中的一致性水平，通過該共享數據平臺可實現實時的共享項目情況。基于BIM5D的項目運營與維護運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析BIM5DBIM5D在運營維護中應用1）進度管理：將BIM5D技術引入進度管理，形成一套獨特的項目管理方法，能夠很好地把控整個工程的進度情況。BIM5D以一個項目為中心，以精益管理為切入點落實全過程管理，充分發揮團隊的協作作用，采用同一進度管理法完成進度計劃，充分發揮網絡協同的作用對進度進行有效地動態管理。它在工程項目進度管理的應用體現在進度計劃編制、施工進度模擬、施工安全與沖突分析、建筑施工優化、三維技術交底及安裝指導、云端管理等方面。2）質量管理：基于BIM5D的工程項目質量管理主要包括技術質量管理和產品質量管理兩方面。涉及建模前期協同設計、碰撞檢測、大體積混凝土測溫、施工工序管理、高集成化方便信息查詢和搜集等。3）成本管理：BIM5D在項目成本控制中的應用主要包括快速精確的成本核算、預算工程量動態查詢與統計、限額領料與進度款支付管理、以施工預算控制人力資源和物質資源的消耗、設計優化與成本管理、造價信息實施追蹤等。4）安全管理：BIM5D在安全管理應用包括施工準備階段的安全控制、施工過程中的仿真模擬、模型試驗、施工動態監測、防墜落管理、塔吊安全管理、災害應急管理等。5）物料管理：基于安裝材料建立的模型數據庫可作為項目采購材料的依據。具體體現在安裝材料BIM模型數據庫、裝材料分類控制、用料交底、物資材料管理、材料變更清單等方面。基于前沿技術的使用后評估運營維護和使用后評估全生命周期BIM模型構建全生命周期數據整合與分析

對于使用者行為、使用者心理感受和空間體驗等軟性的評估內容在普萊策的經典理論中被放在與建筑性能和能耗表現同等重要的位置，但并沒有得到同等的重視和發展。當前，在信息時代，GIS、大數據技術、BIM、空間句法等技術的出現，為研究使用者行為、空間體驗和心理感受等提供了有力的技術支持。123……………………GIS獲取地理信息和使用者信息大數據獲取使用者行為軌跡網絡平臺獲取評價信息

傳統的收集建筑場地特征和使用者信息的方法是觀察、拍照、訪談和問卷調查。GIS的引用不僅可以更快更全面地收集到這些信息，還可以將建筑的特征屬性（規模、功能布局、空間績效等）與使用者的特征屬性（使用者數量、使用者偏好、行為模式等）進行關聯分析，進而評估建筑的使用和運維情況。大數據技術使得對使用者行為觀察變得更加高效和準確。如基于大數據技術的Wi-fi室內定位技術通過對大型公共場所人流分布和行為模式進行長期、穩定、可靠的數據監測，可獲取使用者在建筑室內的行為模式信息。麻省理工學院無線網絡和移動計算中心提出了一系列基于射頻信號的人員識別、動作和表情捕捉、追蹤定位等算法。作為公眾使用后評價方法更新的其中一個方向，網絡信息以其渠道眾多、內容多樣、采集靈活等特點成為快速準確收集公眾使用后評價的最有力支持。目前，網絡評價信息采集的渠道主要有三類：第一類是設有評價板塊的網站，主要是旅游、點評網站；第二類是社交媒體；第三類是其他有評價內容的網站。建筑能源消耗預測室內熱舒適度預測室內空氣質量預測空間占用率預測7.3|性能預測的人工智能方法7.3.1建筑能源消耗預測建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測建筑占用全球總能源消耗的約1/3，在全球碳排放中占比約40%。通過人工智能方法分析歷史能耗數據和外部環境變量，可以更加準確預測建筑未來的能源需求。這種預測使得建筑管理者能夠提前調整能源使用策略，如調節供暖和制冷系統的輸出，以實現最優化的能源利用效率。此外還可以通過優化機電設備選型和配置來降低建筑能源消耗，如選擇高效電機、變頻器等，且利用合理的配置組合來避免過度或不足的設備選用，從而進一步在設備使用方面落實低碳建筑的設計應用，這也是優化建筑設計和運營管理的重要前提。數據采集方式機電設備效率與建筑能耗典型算法、模型舉例建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例

可利用的能耗數據包括現實測量數據、軟件模擬數據（如EnergyPlus、DeST、Ecotect等）、標準數據庫數據（通常用于比較研究）。現實能耗數據的測量方式分為人工收集與自動收集：自動收集有固定設備的物聯網與傳感器收集、移動設備收集。每種方法都有其獨特的優勢和限制，因此選擇適當的方法應根據具體的建筑特性和監測需求來決定。123人工收集物聯網與傳感器收集移動設備收集包括現場調查和數據記錄、居民和用戶反饋等。該方式簡單易行，不需要復雜設備，提供使用習慣和偏好信息，有助于優化能源使用策略。但耗時且勞動強度大，數據主觀性較強，可能需要額外時間和資源來收集，缺乏實時數據。包括方法智能樓宇系統、能耗監測系統、遠程監測和物聯網技術。具有高度自動化和集成優勢，能夠收集和分析大量數據，提供詳細的能耗分析報告，并能實時遠程監控。，單獨安裝費用和維護費用較高，復雜的系統可能需要專業人員管理和維護。移動和便攜式監測設備具有便攜、靈活的特點，適用于介入性測量，例如被試穿戴設備測量，通常不適用于長期監控。建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例建筑的機電設備效率是指建筑中各種機電系統（如供暖、通風、空調、照明、電梯等）的能源使用效率。它衡量這些設備在提供相應功能或服務時所消耗的能量與實際輸出之間的比率。高效的機電設備能夠在保證性能的情況下，最大限度地減少能源消耗。建筑機電設備的效率直接關系到建筑的能源消耗和碳排放、運營成本及建筑的舒適度等多個方面，現有的效率指標有能效比、季節性因子、加熱性季節性能因子、光效、能源使用強度及系統整體效率等。指

標內

涵能效比（EER）用于衡量空調和制冷設備的能效。計算方式是設備制冷能力（以BTU/小時為單位）與功耗（以瓦特為單位）的比值。EER值越高，設備越高效。季節性因子（SEER）是另一種衡量空調和制冷設備的效率的指標，考慮了設備在不同季節的性能。SEER值高表示設備在整個冷卻季節內的能效更高。加熱性季節性能因子（HSPF）用于衡量熱泵系統的加熱效率。計算方式是設備在加熱季節中的總加熱輸出（以BTU為單位）與總能量輸入（以瓦特為單位）的比值。HSPF值高表示設備的加熱效率更高。光效（LumensperWatt）用于衡量照明設備的能效，表示每消耗一瓦特電力所產生的光通量（以流明為單位）。光效越高，照明設備越高效能源使用強度（EUI）表示建筑每單位面積的能源消耗量（通常以千瓦時/平方米/年為單位）。EUI值較低表示建筑能效較高。系統整體效率涉及多個設備和系統的綜合效率。例如，HVAC系統的整體效率不僅包括單個設備的效率，還包括系統的整體設計和運行方式。常見效率指標建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例建筑機電設備是建筑降低碳排的核心組成部分，通過提升機電設備的效率來降低建筑能耗是一個多方面、系統性的工程。關鍵措施有供配電系統優化、設備效率提升、智能控制系統的建設、照明系統優化、對機電設備的定期維護與監測、熱回收系統設置、可再生能源集成、及用戶教育與參與等方面。供配電系統優化方面，主要關注對高效、經濟供電方案的設計；使用電容器等設備及逆行無功補償，提高電網的功率因數，減少電能浪費；優化負荷分布，避免高峰時段過載減少能源浪費。設備效率提升方面，一是選擇高效率的暖通空調（HVAC）、照明、電梯等設備；二是應用變頻驅動器（VFDs）控制電機轉速，按需調節，節省能源；三是利用熱回收系統，如能量回收通風機（ERV）和熱輪（HRV），回收排出空氣中的能量。智能化控制系統控制方面，主要是利用樓宇自動化系統（BAS）實現對機電設備的集中監控和智能控制；利用傳感器與自動化技術監測環境參數，自動調節設備運行狀態；同時利用能源管理系統（EMS）實時監控能源使用情況。照明系統優化包括高效光源設備的選擇和智能分區、定時控制，減少不必要的照明。此外，要定期對機電設備進行定期檢查和維護，確保其高效運行和性能穩定運行。可再生能源——太陽能和地熱能的集成利用同時可降低建筑能耗。最后，提高使用者的節能意識，鼓勵采取節能措施，如關閉未使用的設備等，可在用戶使用的末端為建筑的節能減排提供卓有成效的幫助。機電設備對建筑節能減排的關鍵措施建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例（1）常規統計分析方法建筑能耗預測的統計分析方法易于實現且計算速度快，能夠識別時間序列數據集中的趨勢和季節性組成部分，并通過繪圖呈現模式、異常觀測和隨時間變化的能力。然而，這些方法難以處理建筑能耗的非線性變化，當時間序列數據集出現快速變化時難以應用，對數據集中的異常值高度敏感，長期預測的準確性較低，有可能對復雜預測任務提供過于簡化的答案。典型算法、模型例如：多元線性回歸（MLR）、時間序列ARIMA模型等。以下簡要列舉其中幾種方法的特點：多元線性回歸（MLR）在建筑能耗預測領域，多元線性回歸（MLR）作為一種統計分析方法，因其快速簡單和易于解釋的結果而廣受歡迎。然而，它在處理建筑負荷數據時存在局限性，尤其是無法捕捉數據中的非線性特征，這限制了其在長期和短期能耗預測中應用的可靠性。多元線性回歸（MLR）模型示意圖建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例（2）機器學習傳統機器學習類算法一般適用于較小規模數據。典型算法、模型例如：支持向量回歸（SVR）、淺層神經網絡（ShallowNN）、K-means聚類、K近鄰回歸器（KNNRegressor）、隨機森林（Randomforest）、回歸樹（RegressionTrees）、決策樹（DecisionTree）、極致梯度提升樹（XGBoost）等。以下簡要列舉其中幾種方法的特點：支持向量回歸（SVR）是一種強大的方法，可以將輸入訓練集轉換到高維特征空間，即使在訓練集數量有限的情況下也具有高泛化能力，并解決全局最小化問題。但是，當使用大數據集進行訓練時，支持向量回歸（SVR）的計算復雜度較高，其解釋性相比決策樹和回歸分析模型較差，且需要正確選擇核函數。對于能耗預測，相比之于人工神經網絡（ANN），支持向量回歸（SVR）方法訓練時間短很多，而預測準確度與人工神經網絡（ANN）接近。支持向量回歸（SVR）原理隨機森林（RF）結構建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例（3）深度學習深度學習模型能夠自動從原始數據集中提取有意義的特征，無需人工干預，更適合處理復雜和非線性問題。其中LSTM網絡特別適用于建筑能耗的時間序列數據。此外，深度學習模型可以考慮多種影響建筑能耗的因素，如人員流動和室外氣象數據。然而，深度學習需要顯著的計算能力，依賴于大型數據集和大量輸入來達到高預測精度。通常模型結構復雜，難以解釋，且存在大量需要微調的參數，導致訓練期可能較長。盡管存在這些挑戰，該技術的強大功能使其在建筑能耗預測等領域具有巨大的應用潛力。典型算法、模型例如：循環神經網絡（RNN）、卷積神經網絡（CNN）、長短時記憶網絡（LSTM）、Transformer模型、及復合模型CNN-RNN、CNN-LSTM、RNN-LSTM等。以下簡要列舉其中幾種方法的特點：循環神經網絡（RNN）通過反饋循環學習序列數據點之間的時間相關性，允許輸入和輸出向量的長度變化。但是它存在梯度消失和爆炸問題，缺乏長期記憶保持能力，網絡中參數數量大，且使用相對不夠直觀。循環神經網絡（RNN）結構長短期記憶網絡（LSTM）結構建筑能源消耗預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測數據采集方式機電設備效率與建筑能耗典型算法、模型舉例（3）深度學習Transformer模型示意圖Transformer模型并行能力比LSTM更強，拋棄了循環神經網絡（RNN）循環結構，通過自注意力機制，進一步加強全局信息捕捉能力。建筑能耗數據通常具有非線性和非平穩的特點，Transformer模型由于其在處理序列數據方面的優異表現以及能夠捕捉到長遠依賴關系的特性，比起傳統的人工神經網絡（ANN）類模型，能更好地分析建筑能耗數據中的復雜關系，從而提高預測的準確性和效率。在能耗預測領域，注意力機制的引入不僅提高了能耗模型的可解釋性。并且其在短期預測領域表現出優于LSTM的F1分數和性能7.3.2室內熱舒適度預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測室內熱舒適度預測通過分析室內外溫差、濕度、空氣流動、人體主觀感知、人體生理指標等因素預測室內熱環境對人的影響，又能將結果反饋給供暖、通風和空調（HVAC）系統，并自動調節建筑內部的溫度和濕度。這樣不僅提高了人們的舒適感，還有助于減少因不適當溫控造成的能源浪費。過往的室內熱舒適度的評價通常基于預測平均投票指數（PredictedMeanVote，PMV）及其相關的預計不滿意者的百分數（PredictedPercentageDissatisfied，PPD）。預測平均投票指數（PMV）適用于測量群體目標，環境穩定且均勻分布的熱環境，對于自然通風等動態變化和不均勻分布的熱環境效果不佳。新的數據收集手段提供了粒度更細微、更廣泛特征的多模態數據，提升了室內熱舒適度預測的準確度。數據采集方式典型算法、模型舉例室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測數據采集方式典型算法、模型舉例

在傳統的室內熱舒適度調查中，問卷調查是一個重要方法。常見主觀量表包括：熱舒適度投票（TCV）、熱感覺投票（TSV）、熱滿意度投票（TSaV）、熱偏好投票（TPV）。但其數據及時性不佳，被試完成表格問答需要投入精力較多，而且問答反饋主觀性較強（不是指主觀感知數據價值低）。（1）穿戴式傳感器

可穿戴式傳感器能夠直接捕捉皮膚溫度、核心溫度、心率等生理信號，可以根據用戶的生理數據預測熱體驗或滿意度，這使得收集生理數據變得越來越方便。例如：一些神經信號類傳感器能夠精確地捕捉心電圖、腦電圖、肌電圖等信號，相比預測平均投票指數（PMV）而言，這對于個人化熱舒適度評價更準確。將紅外傳感器集成在眼鏡中，可以捕捉被試臉部皮膚溫度。智能腕帶、手環則可以便捷的測量手腕部的皮膚溫度、心率（HR）、心率變異（HRV）等指標。穿戴式傳感器示意圖室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測數據采集方式典型算法、模型舉例（2）成像類設備紅外熱成像（InfraredThermography，IRT）設備屬于非接觸式測量設備，較為適合多人的房間測量，能夠滿足實時的溫度、定位和行為檢測，設備隱蔽性較好。紅外熱成像能夠很方便的實時測量皮膚溫度，但缺陷也在于只能測量表面的皮膚和衣服，無法深層探測。而且熱成像設備通常成本較高，近年來有下降的趨勢。應用場景也日趨多元化，例如：車艙環境、睡眠環境、室外環境等。視頻攝像機通過新的視頻處理手段也能發揮熱舒適度測量功能。例如：歐拉視頻放大技術（EulerianVideoMagnification，EVM）是一種增強視頻中微小運動變化的技術，它可以將視頻中的微小變化放大，使得肉眼難以察覺的波動變得明顯。其在室內熱舒適度檢驗中對生理反應、行為姿態、心率、局部血流變化等均有幫圖像傳感器熱感照相機壓力傳感器室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測數據采集方式典型算法、模型舉例（3）多模態結合采用多種設備結合，形成多模態信息采集，通過算法融合，能夠達到降低成本、提高準確率的目的。例如：采用Kinect傳感器通過捕捉運動圖像來檢測用戶的身體運動，同時結合可穿戴傳感器測量被試的心率以估計代謝率，進而通過深度學習更準確預測代謝率進而提高熱舒適度預測效果。采用Kinect傳感器通過捕捉運動圖像來檢測用戶的身體運動室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測數據采集方式典型算法、模型舉例（1）支持向量機（SVM）支持向量機的原理是找到一個滿足分類要求的最優超平面，該超平面不僅能分離樣本，而且能最大化兩類樣本的差距。對于線性不可分樣本，則可以通過升維到高維特征空間再進行分類。在室內熱舒適度預測中，通常基于室內溫濕度、空氣流速、衣物特征、主觀感知、人體生理指標等數據開展訓練，進而調整懲罰參數、核函數參數等參數優化模型性能。支持向量機（SVM）原理示意圖室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內熱舒適度預測數據采集方式典型算法、模型舉例（2）長短期記憶網絡（LSTM）長短期記憶網絡模型是一種特殊類型的循環神經網絡（RNN），解決了傳統RNN在處理長序列數據時遇到的梯度消失或梯度爆炸問題，適用于學習長期依賴關系。其實LSTM的本質就是一個帶有tanh激活函數的簡單循環神經網絡（RNN），遺忘門決定什么時候將之前的狀態遺忘，輸入門決定什么時候將引入新的狀態，輸出門決定什么時候需要把狀態和輸入放在一起輸出。一些研究中采用遷移學習能夠解決目標域中建模數據的稀疏性問題，進而通過卷積神經網絡與長短期記憶神經網絡結合（CNN-LSTM）能夠實現有效的熱舒適度建模。BiLSTM（Bi-directionalLongShort-TermMemory）將前向LSTM與后向LSTM結合，能夠進一步提高預測準確率。長短期記憶網絡（LSTM）原理示意圖7.3.3室內空氣質量預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內空氣質量預測室內空氣質量（IAQ）是影響人們健康和生活舒適度的關鍵因素。污染物如甲醛、苯、PM2.5、細菌和病毒等，若長時間吸入，會對人體健康構成嚴重威脅，可能誘發呼吸道疾病、心血管疾病等。空氣質量的優劣不僅關系到人體的健康，也與用戶舒適度與建筑能耗密切相關。通過室內空氣質量預測，我們可以提前了解室內空氣狀況的變化趨勢，及時調整空氣凈化與新風系統，降低污染物濃度，保障居住環境的健康舒適。數據采集方式典型算法、模型舉例室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內空氣質量預測常規的空氣質量測量對象包括：固體顆粒物，如細顆粒物（PM2.5）、粗顆粒物（PM10）等；揮發性有機化合物（VOCs）和半揮發有機化合物（SVOCs），如室內常見的苯類、烴類、醛類等；無機化合物空氣成分，如氧氣、一氧化碳、二氧化碳、二氧化硫等；以及細菌真菌等。通常配合室內溫濕度、氣壓、空氣流速、光照強度、用戶行為（如開窗等）等數據共同構建數據集。室內空氣質量預測常與熱舒適度預測結合在一起，構成了居住者整體舒適度的預測。數據獲取的方式除了公開或商業數據集外，收集設備主要由研究者自行設計和開發。環境檢測設備通常結合樹莓派（RaspberryPi）、Arduino等開源微控制系統，搭建物聯網（IoT）或無線傳感網絡（WSN）架構，結合用于數據采集的低成本傳感器，及電池供電提高設備布置靈活性。數據采集方式典型算法、模型舉例室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內空氣質量預測回歸類模型擅長處理數據集中連續及分類變量，主要用于建立響應變量與一個或多個預測變量之間的關系。例如：多元線性回歸、廣義線性模型、正則化回歸、偏最小二乘和主成分回歸等。多元線性回歸（Multiplelinearregression）應用最為廣泛，用于確定最佳預測因子，模型簡單易用，但受限于數據需線性關系，且對異常值敏感。正則化回歸（Regularizedregression）包括LASSO回歸、嶺回歸等，通過收縮估計系數來防止過擬合并處理多重共線性問題，但其變量選擇能力受限。偏最小二乘法和主成分分析（PCA）能有效處理多重共線性和少量觀測值的問題，前者還能處理多個響應變量和缺失數據，后者則在選擇主成分時不考慮響應變量。回歸類模型的可解釋性有助于理解數據結構，進行特征有效預測，選擇時需考慮數據特性和研究目的。數據采集方式典型算法、模型舉例（1）回歸類統計模型室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內空氣質量預測基于決策樹的模型適用于處理連續和分類響應變量，且能夠管理線性和非線性關系。優點在于無需預先選擇變量，能處理缺失數據，并適用于各類響應變量，盡管需要大量數據來提高穩健性且容易過擬合。主要包括：梯度提升樹（GBDT）和隨機森林（RF）。此處介紹較常用的隨機森林。其作為集成方法通過構建多個決策樹來提高預測的準確性和減少過擬合，支持并行處理，但相比單一決策樹，其預測因子的解釋性較差，且需要調整多個參數。例如：將室內空氣質量（IAQ）參數作為主要特征，將自我報告的室內空氣質量（IAQ）滿意度和睡眠質量作為目標變量，在多種模型對比中，隨機森林分類器在室內空氣質量（IAQ）滿意度和感知睡眠質量分析方面均具有突出的表現，不僅準確度高，還提供了對室內空氣質量（IAQ）參數特征重要性的價值研判。數據采集方式典型算法、模型舉例（2）決策樹類模型室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測室內空氣質量預測神經網絡類模型仍然是目前最強大的預測方法。常用的包括：人工神經網絡（ANN）、反向傳播神經網絡（BP）、門控循環單元（GRU）等。這些算法模型對于非線性數據有較好的處理能力。室內空氣質量預測的數據包含了氣體成分、物理環境、用戶行為以及空氣調節系統（Heating，Ventilation，Air-conditioningandCooling，HVAC）系統控制等諸多方面，應用神經網絡方法時需要特別注意過擬合問題。這些模型的選擇與具體數據特征關系密切，并且通常采用主成分分析、偏最最小二乘法等方法對數據進行預探索，再傳入神經網絡模型中進行分析。這雖然能夠降低運算量、優化輸入特征，但這種預處理的前提是默認了數據間的線性關系，所以需要格外注意。數據采集方式典型算法、模型舉例（3）神經網絡類模型7.3.4空間占用率預測室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測空間占用率預測建筑使用者的在室內空間的數量和行為對建筑的能源效率和整體性能有著顯著的影響。空間占用狀態預測是利用傳感器和智能算法預測建筑各部分的使用情況，從而實現照明、空調等設施的智能化控制。例如：在辦公室環境中，沒人辦公時仍然有設備運行會導致能源浪費；根據人員的實際分布和活動模式調整室內環境參數，如溫度和照明，能夠提供更舒適的居住和工作環境；精準的空間占用率預測有助于調整供暖、通風、空調和照明等系統的運行，從而減少不必要的能源消耗。數據采集方式典型算法、模型舉例室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測空間占用率預測基于機器學習的空間占用率統計依賴于廣泛的數據收集。通常需要各類傳感器的協同工作來自動收集數據。收集的主要三個維度的數據：空間（是否被占用、多少人等）、時間（節假日、晝夜、長期季節等）、行為狀態（誰在做什么）。從總體數據功能類別可分為以下幾類：數據采集方式典型算法、模型舉例（1）定位類數據較為便捷的空間占用率計數工具包括：全球定位系統（GPS、北斗等）、射頻識別（RFID）、熱釋電紅外傳感器（PIR）（圖7-40a）、WIFI、藍牙等，有穿戴式的，也有作為固定設施使用的。這些采集方式更適合于單純人員空間占用狀態計數。具有基礎設備更加普及、便捷容易操作、隱蔽性好、準確率高等特點，對被試隱私影響較小。（2）行為捕捉類數據視頻攝像機在我國普及率很高（圖7-40b）。視頻數據具有準確率高的特點，不僅能夠實現大視野的計數人群分割與定位，并且能夠進一步捕捉行為姿態特征，幫助開展更進一步的行為特征分析。但是其限制也是非常明顯的，拍攝視頻對于隱私保護十分不友好。并且當向被試解釋隱私保護措施之后，常會導致被試的格外擔憂，進而導致被試的不自然行為，影響數據收集準確度。常見的保護隱私方式是添加部分屏蔽、添加噪聲等，但這并不能完全打消被試的擔憂。通常只有在公共建筑的公開視頻采集區域，人們才較少擔心攝像頭的采集。類似的熱成像傳感器通常用于環境和人體溫度變化的特定研究。超聲波、聲學等運動捕捉傳感器對隱私保護稍好。超聲波能夠檢測到微小的運動，但容易收到干擾。聲學捕捉對于靜止狀態被試捕捉不準確，并且難以對空間占用人員具體數量檢測。而且與攝像頭類似，當被試知道被監測時也容易導致行為不正常。（3）物理環境類數據常見的溫、濕度、二氧化碳等傳感器價格便宜（圖7-40c），普及率高，在很多暖通空調設備中均有此組件，便于直接利用。但是容易收到周邊環境影響，如移動熱源貼近、不規則的開窗通風、變化的濕度污染等。通常結合氣象數據，通過多元數據挖掘和清洗能夠達到更高準確性。在一些特定建筑類型中，如住宅、辦公等，各類智能電表、水表、燃氣表數據也能夠反應空間占用率情況。室內空氣質量預測空間占用率預測建筑能源消耗預測室內熱舒適度預測空間占用率預測

卷積神經網絡（CNN）在圖像處理任務中表現出色，但是不擅長處理長期依賴關系。對于長期的預測，回歸類模型十分有效，應用較為廣泛。對于短期預測，ARIMA和LSTM等神經網絡類分析更為顯著。前文已經提到LSTM善于處理時間序列數據。在空間占用預測中，LSTM對輸入序列中的時間間隔和持續時間敏感，能夠識別出不同時間步長的重要性，這對于預測空間占用的高峰時段和低谷時段非常有用。另一特色在于對不等長序列的處理，在空間占用預測中，不同位置的占用數據可能具有不同長度的時間序列。LSTM能夠處理這些不等長的序列，使得模型更加靈活。除圖像數據外，其他數據也能融合其中一并處理，例如通過二氧化碳濃度的測量值和預測值來預測建筑空間占用率。類似的，為了彌補卷積神經網絡（CNN）的缺陷，將卷積神經網絡（CNN）與Transformer模型結合也是可行的。Transformer模型憑借自注意力機制在捕捉序列數據的長期依賴關系方面表現出色，但在圖像處理任務中可能因高維度和局部結構特性而導致計算復雜度增加。可以通過卷積神經網絡（CNN）進行局部特征提取，有效捕捉圖像中的局部模式和特征。然后，這些特征合并多類傳感器數據傳入到Transformer模型中，利用其自注意力機制來捕捉全局的長期依賴關系。數據采集方式