AI让楼宇自控从“被动响应”走向“预测节能

　　在传统楼宇自控系统中，HVAC控制长期遵循一个相对简单的逻辑：温度高了就制冷、温度低了就减少制冷；负荷上来了，设备再进行响应。

　　这种以传感器实时反馈和固定控制逻辑为基础的“响应式控制”，能够满足建筑基本的环境控制需求，但面对越来越复杂的建筑运行场景，其局限性也逐渐显现。尤其是在高温、强太阳辐射的炎热干旱地区，建筑冷负荷往往受到室外温度、太阳辐射、人员活动、建筑热惰性以及历史运行状态等多重因素影响，仅依靠当前时刻的温度变化进行控制，很难实现能源使用的最优。

　　人工智能正在改变这一模式。

　　近期一项针对沙特利雅得商业办公建筑的研究提出了一套“炎热干旱气候预测性能源管理框架”（Hot-AridPredictiveEnergyManagement，HAPEM）。研究通过机器学习预测建筑未来一小时的电力需求，并进一步将预测结果用于HVAC运行策略调整。

　　研究结果显示，在模拟条件下，该方法使建筑全年总用电量下降约14.26%，HVAC用电量下降约21.09%，峰值负荷下降约19.59%，同时98.94%的办公时间保持在设定的舒适温度范围内。

　　更值得建筑智能化行业关注的，并不是这些节能数字本身，而是研究所体现出的一个重要趋势：

　　楼宇自控正在从“感知—响应”模式，向“预测—决策—执行—持续优化”模式演进。

　　一、AI节能的关键，不只是“预测得准”，而是“预测之后做什么”

　　近年来，机器学习用于建筑能源预测已经不是新鲜事。通过分析室外温度、太阳辐射、人员数量、历史用电量等数据，机器学习模型能够建立建筑运行状态与能源消耗之间的复杂关系，并预测未来一段时间的能源需求。

　　但对于建筑运营而言，预测本身并不会直接产生节能效果。例如，如果系统预测下午15点建筑可能出现较高冷负荷，仅仅把这个预测结果显示在能源管理平台上，并不能降低任何一度电。

　　真正有价值的是：预测结果→控制决策→HVAC提前调整→改变负荷曲线→降低能源消耗或峰值需求。这也是HAPEM研究与单纯建筑能源预测研究的重要区别。

　　其核心控制逻辑可以概括为：建筑及环境数据→AI负荷预测→运行状态判断→HVAC控制策略→建筑运行结果→新数据反馈。这实际上形成了一个面向建筑运行的闭环。

　　传统BMS更多关注“现在发生了什么”，而预测型能源管理系统开始关注：“一个小时以后可能发生什么？系统现在应该提前做什么？”这也是AI进入楼宇自控之后最值得关注的变化。

　　二、为什么炎热干旱地区特别适合预测性能源管理？

　　该研究选择沙特利雅得作为典型应用环境，并建立了一个五层商业办公建筑模型。建筑面积约8400平方米，共5层，典型办公时间为8:00—18:00，HVAC制冷是主要可控负荷。

　　在这样的气候条件下，建筑能源消耗具有非常明显的季节性。夏季室外温度高、太阳辐射强，建筑围护结构不断吸收热量，同时人员和设备产生内部热负荷，导致空调系统成为建筑最大的能源消耗来源。

　　研究模拟结果显示：建筑年用电量约151.5万kWh；建筑能源使用强度（EUI）约180.37kWh/m²·年；HVAC用电约102.44万kWh；HVAC约占建筑总用电量的67.61%。也就是说，在这一类建筑中，HVAC本身就是最值得进行智能优化的能源负荷。

　　而且，建筑冷负荷并不是一个简单的线性关系。例如，同样是35℃的室外温度，如果前一天已经经历了高温天气，建筑围护结构和内部空间已经积累了大量热量，那么当前冷负荷可能与另一个35℃的运行场景完全不同。

　　同样，在下午太阳辐射最强的时间段，即使室外温度变化不大，建筑的冷负荷也可能快速增加。这意味着建筑能源消耗实际上是一个由气象、时间、人员、建筑热惯性和历史运行状态共同决定的动态系统。这正是机器学习比较擅长处理的问题。

　　三、研究比较了5种机器学习模型，ExtraTrees表现最好

　　该研究使用两年的小时级模拟运行数据，其中第一年用于训练模型，第二年用于测试。预测目标非常明确：预测建筑未来一小时的电力需求。

　　研究比较了5种机器学习方法：线性回归（LinearRegression）、支持向量回归（SVR）、随机森林（RandomForest）、梯度提升回归（GradientBoosting）和ExtraTrees回归。结果显示，传统线性回归的R²为0.941，而表现最好的ExtraTrees达到0.975。

　　ExtraTrees模型的R²达到0.975，意味着模型能够解释测试数据中约97.5%的电力需求变化。但从工程实践角度看，更重要的其实不是“哪个算法最先进”，而是研究得出的另一个结论：机器学习模型之间的性能差距并没有想象中那么大。

　　ExtraTrees虽然表现最好，但SVR、随机森林和梯度提升的预测性能都非常接近。这对建筑智能化项目具有现实意义。在实际项目中，模型选择不能只看预测精度，还需要同时考虑：算力需求；模型复杂程度；可解释性；数据质量要求；模型重新训练的频率；网络与系统安全；运维人员技术能力；与现有BMS的集成难度等等因素。

　　因此，“最复杂的AI模型”并不一定是最适合建筑项目的模型。

　　四、哪些数据最值得进入AI能源管理系统？

　　该研究进一步分析了影响短期建筑用电需求的关键因素。

　　结果非常有意思，排名第一的并不是室外温度，而是：前一天同一时刻的建筑用电量。其特征重要性达到33.04%。随后依次是：

　　室外温度：16.95%

　　前一小时用电量：16.80%

　　全球水平太阳辐射：8.46%

　　时间特征：6.19%

　　前一小时室外温度：5.70%

　　人员占用率：4.21%

　　前两小时用电量：3.47%

　　这一结果说明，建筑能源预测实际上高度依赖于建筑自身的“运行记忆”。换句话说：建筑昨天怎么运行，对今天怎么运行具有很强的参考价值。这也说明，未来建筑AI并不一定需要大量新增传感器才能发挥作用。

　　很多关键数据其实已经存在于现代BMS、能源管理系统和智能电表中，包括：室外温度；室内温度；湿度；太阳辐射；人员占用；HVAC能耗；建筑总电力；时间和日历信息及历史负荷数据。

　　因此，AI能源管理真正需要解决的并不是简单的“有没有数据”，而是：数据是否准确、是否连续、是否标准化，以及能否真正进入控制决策。

　　五、预测真正产生价值的地方：HVAC控制

　　该研究提出了四种主要HVAC运行模式。

　　模式一：正常运行

　　在办公时间、预测冷负荷处于正常水平时，系统维持正常运行，并采用相对合理的温度设定值。研究中采用约24℃作为典型设定点。这一模式本质上并没有改变传统BMS的控制方式。

　　模式二：无人状态回调

　　当建筑处于非工作时间，系统不再按照固定时间表维持较低温度。AI系统根据人员占用和室外环境，对温度设定点进行回调。

　　例如建筑已经无人，但传统定时控制仍然持续制冷。预测型系统则会判断：现在没人，而且未来一段时间也不会产生明显负荷，那么为什么还要维持同样的制冷水平？因此，可以适当提高设定温度，减少不必要的能源消耗。这实际上是传统“时间表控制”向“占用+预测控制”的升级。

　　模式三：预测性预冷

　　这是整个研究中非常值得关注的一项策略。假设系统预测：下午14:00—16:00将出现高冷负荷和高用电需求。

　　传统控制可能等到负荷真正出现后再增加制冷。而预测控制会提前行动，例如，在下午高峰到来之前适度进行预冷，让建筑内部结构提前储存一部分“冷量”。这样，到了真正的高峰时段，HVAC系统就不需要同时承担最大的制冷需求。

　　其本质是：利用建筑本身的热惰性，实现“虚拟蓄冷”。这非常重要，因为建筑的楼板、墙体、隔断以及室内物体本身就具有热容量。

　　因此，在一定条件下：建筑本身就是一个巨大的热储能体。无需增加额外的蓄冷设备，也可以通过智能控制把一部分冷负荷从高峰时段转移到低峰时段。

　　六、峰值负荷管理，是AI能源管理的另一个重要价值

　　该研究还设计了Peak-LoadRelief，即峰值负荷缓解模式。当系统预测未来某一时间段的冷负荷特别高时，系统可以在满足舒适性要求的范围内，临时提高室内温度设定值。

　　例如，不是让空调系统在最炎热的时段全功率运行，而是通过一定程度的温度设定调整，降低压缩机同时运行的概率和负荷。

　　这背后的逻辑已经从“节约多少电”扩展到“什么时候用电”以及“什么时候不要集中用电”。这意味着AI能源管理未来不仅可以服务于建筑节能，也可以与需求响应、分时电价、光伏消纳、储能、虚拟电厂和电力负荷管理进一步结合。

　　从这个角度看，预测性BMS实际上正在成为建筑参与新型电力系统的重要接口。

　　七、研究结果：建筑总用电降低14.26%，HVAC降低21.09%

　　将机器学习预测与HVAC预测控制结合后，研究得到了一组比较有代表性的结果。

　　其中最值得关注的是：总建筑节能14.26%，但HVAC节能达到21.09%。原因很简单，HAPEM主要控制的是HVAC系统，而照明、插座、电梯、ICT设备等其他用电负荷并没有被纳入主要控制范围。这也从侧面说明，如果未来将AI能源管理进一步扩展到照明、遮阳、储能、光伏、充电设施等系统，理论上还存在进一步优化的空间。

　　八、节能效果并不是全年平均的，越热的时候AI越有价值

　　研究的另一个发现是：AI预测控制在高温季节的节能价值明显高于冬季。模拟结果显示：

　　8月节能率最高，达到约16.7%。这进一步验证了研究提出的一个重要假设：建筑运行环境越严苛、冷负荷越高，预测控制的价值越明显。因此，对于中国建筑智能化行业而言，这一研究思路尤其值得在华南、西南部分地区以及西北干热地区进行验证。当然，中国不同城市的气候条件、建筑类型、电价机制和HVAC系统差异较大，因此不能直接套用上述节能比例。

　　九、真正值得行业关注的，是“AI+BMS”，而不是单独的AI模型

　　从工程角度看，这项研究最大的启示并不是开发了一个新的机器学习算法。真正重要的是它展示了一种比较容易理解的系统架构：

　　第一层：数据采集

　　采集：天气+室内环境+人员+HVAC+能耗数据。

　　第二层：AI预测

　　利用历史和实时数据预测未来：建筑电力需求和冷负荷趋势。

　　第三层：智能决策

　　判断未来属于哪一种运行状态：正常运行/无人回调/预冷/峰值削减。

　　第四层：BMS执行

　　通过BMS对：温度设定值、HVAC运行时间、设备启停、冷量分配进行调整。最终形成：感知→预测→决策→控制→反馈的闭环。

　　这与传统BMS最大的区别就在于：传统BMS主要基于“当前状态”做决定，而预测型BMS开始利用“未来状态”做决定。

　　十、这也意味着：AI能源管理必须从项目设计阶段开始考虑

　　该研究特别强调了一个容易被行业忽视的问题：AI能源管理不是项目竣工以后简单增加一个软件就可以实现的。

　　如果建筑项目在设计阶段没有考虑数据和控制需求，后期再部署AI系统可能会面临大量限制。例如：关键区域没有安装温度传感器；能耗计量没有分项；BMS点位不完整；设备数据无法开放；不同系统的数据命名不统一；人员占用数据缺失；历史运行数据没有保存；HVAC控制权限受到限制。

　　最终可能出现一个很尴尬的情况：AI模型很好，但没有足够的数据；或者数据很多，但没有控制权限。因此，未来的绿色建筑和智能建筑设计，除了考虑保温、遮阳、玻璃、HVAC效率、可再生能源等传统节能措施，还需要考虑：建筑未来如何产生数据、如何利用数据以及如何通过数据控制建筑。

　　十一、AI时代，调试（Commissioning）的重要性反而会上升

　　研究对建筑调试提出了一个非常值得工程行业关注的观点。如果传感器没有校准，或者HVAC系统本身没有调试好，那么AI模型可能会非常准确地预测一个“错误的建筑运行状态”。

　　也就是说AI无法弥补基础设施的数据错误。因此，AI能源管理反而会提高建筑调试的要求。未来的智能建筑调试应该更加关注传感器校准；HVAC系统平衡；BMS点位验证；控制逻辑验证；能耗计量验证；设备控制测试；季节性调试；实际运行数据验证。

　　对于建筑智能化工程而言，这意味着一个重要变化：

　　项目交付不应该只是“系统能不能运行”，还应该逐步转向“建筑能不能按照设计性能持续运行”。

　　十二、数字化交付将从“图纸+说明书”走向“建筑运行数据资产”

　　传统建筑项目竣工交付，通常包括图纸、设备清单、操作手册、质保资料等。但对于未来AI驱动的建筑运营而言，这些信息远远不够。

　　AI能源管理系统还需要知道：传感器安装位置；BMS点位；设备编号；数据命名规则；能耗计量层级；HVAC控制逻辑；设备运行参数；调试记录；建筑基准能耗；数据存储规则。

　　因此，未来建筑数字化交付应该进一步从：“交付建筑信息”走向：“交付建筑可计算、可分析、可持续运营的数据资产”。这也是BIM、IoT、BMS、数字孪生和AI最终可能融合的重要基础。

　　十三、AI预测模型甚至可以成为建筑“故障预警器”

　　研究还提出了一个非常有价值的延伸方向。如果AI模型长期预测建筑应该消耗多少能源，而实际消耗却持续偏离预测值，那么这种偏差本身可能就是一种异常信号。

　　例如，预测能耗正常，但实际能耗持续升高。可能意味着空调过滤器堵塞；风阀故障；传感器漂移；冷机效率下降；控制逻辑异常；设备老化或建筑人员使用方式发生变化等等。

　　因此，预测模型不仅可以回答“明天需要多少能源”，还可以回答“为什么实际能耗和正常状态不一样”。这使得AI能源管理开始与：预测性维护+故障诊断+资产管理发生融合。从长期看，这可能比单纯的节能更加具有商业价值。

　　十四、从“智能建筑”走向“智能建筑资产”

　　如果把上述技术放到建筑全生命周期中，可以看到一个更加完整的发展路径：设计阶段（BIM+建筑性能模拟）、施工阶段（设备数据+数字化交付）、调试阶段（BMS调试+计量验证+性能验证）、运营阶段（IoT+BMS+能源管理）、AI阶段（负荷预测+优化控制+异常检测）、数字孪生阶段（BIM+实时数据+AI模型）、资产管理阶段（能耗优化+设备维护+生命周期性能管理）。

　　这意味着，建筑智能化的价值正在从过去的“安装多少套系统、多少个点位、多少台控制器”，逐步转向：建筑在整个生命周期内能否持续保持高性能运行。

　　十五、但需要特别注意：14.26%的节能率不能直接复制到真实项目

　　对于行业人士而言，这项研究最需要理性看待的地方，就是它的研究数据来源。论文明确说明：研究使用的是基于建筑物理机理生成的模拟运行数据，而不是某一栋真实运营建筑的BMS和智能电表实测数据。

　　因此，研究结果更适合被理解为：验证“AI预测+监督控制”这一方法具有节能潜力。而不能简单理解为：所有商业建筑部署该系统都可以节能14.26%。

　　真实项目的节能率会受到大量因素影响，包括：建筑围护结构；HVAC系统形式；冷机效率；控制系统水平；建筑使用时间；人员密度；室外气候；电价机制；设备老化程度；BMS数据质量和运维管理水平等等因素。

　　因此，下一阶段真正有价值的工作，是将模型放到真实建筑中，用连续的BMS、智能电表和环境数据进行验证。

　　十六、对建筑智能化行业意味着什么？

　　从行业发展角度看，这项研究至少释放出三个值得关注的信号。

　　第一，BMS正在从“自动控制系统”向“智能决策系统”升级。过去BMS的核心能力是：监测+报警+联动+自动控制。未来则可能进一步变成：预测+决策+优化+自适应控制。AI并不是替代BMS，而是让BMS拥有预测和决策能力。

　　第二，建筑节能的竞争重点正在从“设备效率”转向“系统运行效率”，高效冷机、高效风机、高效水泵当然重要。但如果设备长期运行在非最佳工况，或者建筑无人时仍保持高负荷运行，再高效的设备也无法解决全部问题。未来建筑节能需要同时关注：设备效率×控制策略×运行方式×人员行为×能源价格，这也是AI真正能够介入的地方。

　　第三，建筑智能化的核心竞争力将越来越依赖“数据+算法+控制”。未来一个真正具有竞争力的智慧建筑平台，可能不再只是一个可视化平台。它应该能够回答：现在建筑怎么样？未来一小时会怎么样？为什么会这样？系统应该做什么？做完以后节省了多少？如果长期偏离，可能是哪台设备出了问题？这才是从传统“数字化建筑”走向“AI原生建筑”的关键一步。

　　结语：从“看见建筑”到“预测建筑”

　　这项研究最值得行业借鉴的地方，并不是ExtraTrees模型本身，也不是14.26%的模拟节能率，而是它展示了一种更加清晰的建筑智能化演进方向。

　　过去的BMS主要是：感知建筑→判断状态→执行控制。AI驱动的预测型能源管理则进一步变成：感知建筑→理解规律→预测未来→提前决策→自动控制→持续学习。尤其是在HVAC占建筑能耗比重较高的商业建筑中，AI可以通过预测负荷、优化设定点、预冷、峰值削减和无人状态回调等方式，在不进行大规模建筑改造的情况下，挖掘既有建筑的运行节能潜力。

　　而从更大的建筑全生命周期来看，真正值得期待的并不是一个“会节能的BMS”，而是一个能够连接BIM、IoT、BMS、能源管理、数字孪生、预测性维护和资产管理的建筑智能运行体系。这意味着，未来的智能建筑评价标准，也可能逐渐从“系统装得有多智能”，转向一个更加实际的问题：建筑能否在整个生命周期内持续以最优状态运行？

　　AI预测能源管理，可能正是建筑智能化从“自动化”走向“自主优化”的一个重要入口。