智能建筑能源管理技術研究現狀與發展綜述

趙光輝

ZHAO Guang-hui

（中國建筑上海設計研究院有限公司）

（China Shanghai Architectural Design and Research Institute Co., Ltd.)

1 引言

近年來，隨著我國城鎮化速度的加快和綜合經濟水平的提高，住宅建筑與公共建筑的面積不斷增長，建筑能耗在社會總能耗中的比重越來越大。迄今為止，我國建筑能耗占社會總能耗的比例約為33%左右，而按照國際經驗和國內當前建筑用能水平發展可以預測，到2020年我國建筑能耗占社會總能耗的比例將達到35%，從而超越工業成為用能第一領域。顯然，我國建筑尤其是公共建筑能耗過大的問題日益突出，對量化降低能耗的要求變得越來越迫切。

因此，為了對公共建筑進行能效管理，降低其整體能耗，業內知名企業如施耐德、西門子等相繼推出建筑能源管理 系 統（Building Energy Management System，BEMS）并在國內外一些大型公共建筑案例中得以應用，取得了一定成效。然而，縱觀國內建筑能耗現狀以及現有建筑能源管理系統應用情況，BEMS在諸多技術領域還存在較大的改進和提升空間。

為此，主要對建筑能源管理系統中尤其是典型設備能源管理和控制所涉及的關鍵技術及已取得的研究成果進行了梳理和綜述，并結合當前智能控制領域相關技術的發展對未來建筑能源管理系統的研究及應用方向進行了展望，以期為建筑能源管理系統進一步應用于大型公共建筑的可行性分析提供應用參考，也為相關人員進一步研究建筑能耗優化節能控制策略提供理論依據。

2 建筑能源管理系統基本架構

BEMS主要通過對建筑物整體的能耗設備進行統合監控、自動控制以及最優化管理，以實現高效節能；同時采用以智能建筑為核心的節能技術，通過網絡對空調、電力、照明等設備實現一元化管理。

一般地， BEMS系統可采用圖1所示的分層分布式架構進行設計。在該系統結構中，BEMS系統主要包括三層：操作層、管理層、決策層。操作層終端儀表采集數據并通過網絡發送給管理層的能源管理專家進行現場分析，再將處理好的數據發送到決策層的能源優化中心，在該層通過優化方法得到節能方案后，再進一步通過Internet把遠程優化指令發送給能源管理專家，籍此將接收到的優化指令通過各類設備控制器對操作層的空調、電梯、照明、安防等設備系統進行控制。

圖1 BEMS系統整體架構

3 建筑能源管理技術研究現狀

實際應用中， BEMS的能耗管理所涉環節較多，其中暖通空調、安防、電梯、照明等主要耗能系統的運行會對整體建筑能耗水平起到主要的影響作用，尤其暖通空調系統相比其它系統復雜程度和能耗水平都均為最高，是公共建筑中的用能大戶。多年來國內外諸多研究人員對暖通空調系統設備的能耗管理技術進行了較為全面的研究，取得了一定的成果。下面以暖通空調為主要研究對象，從能耗預測、能耗控制和系統整體優化3個方面對建筑能源管理中所涉及的關鍵技術以及最新研究成果進行綜述。

3.1 能耗預測

建筑能耗預測是指根據建筑的歷史能耗數據建立起相應的數學模型描述建筑能耗的發展規律并對未來的能耗水平做出預測。目前國內外常用的建筑能耗預測方法主要包括工程方法、統計學方法、人工智能方法等[1]。而隨著業內專家對建筑能耗預測精確度要求的不斷提高，人工智能法相比其它方法已被越來越廣泛地應用在建筑能耗預測中。目前，常用的人工智能法主要有神經網絡法、支持向量機法和灰色系統理論預測法等。

1）神經網絡法

神經網絡法是在人類大腦神經網絡認識的基礎上、人工構造的用以實現某種功能的計算方法，具有分布式并行處理能力以及自行開展學習和組織的特點。近年來該方法被應用在各類建筑環境中實現能耗預測，達到了預期目標。如采用大樣本信息的基于神經網絡預測模型在夏熱冬冷地區辦公建筑能耗預測中的應用[2]，以及僅基于氣象參數及時間等小樣本數據而構建的神經網絡模型在一些特定的較為復雜環境中的應用[3]，更有甚者通過遺傳算法對神經網絡模型的權值和閾值進行優化后在實時性要求較高場合的應用[4]，均較好地實現了對建筑能耗的精確預測。

2）支持向量機法

支持向量機是基于統計學習理論的機器學習中的一種方法。該方法建立在結構風險最小化原理的基礎上，通過構造函數集合，選出置信區間最小的子集中風險最小的函數作為最優函數，來進行能耗預測；具有訓練樣本小、泛化能力強、實用性強等優點。相關以及人員憑借其在預測方面的優勢，結合大型公共建筑能耗特點，構建了基于支持向量機的大型公共建筑能耗預測模型，對建筑逐日能耗展開預測；同時在能耗預測基礎上，以測試集平均相對誤差與最大誤差作為判定標準進行能耗異常診斷，為建筑節能管理運行提供了參考[5]。

3）灰色系統理論預測法

該方法通過對原始數據的處理、加工和開發后，提取有價值的信息，將原本毫無規律的數據變得具有一定的規律，從而實現對系統變化過程的有效認識和控制，具有所需信息少、實現方法簡單等特點。近年來，相關學者根據負荷能耗影響因素和特定地區能耗系統歷史數據特點，提出了基于季節的優化灰色理論預測算法模型，并應用到山西公共建筑能耗預測系統中，達到了較高的預測精度[6]。

3.2 能耗控制

空調自動控制技術涉及暖通、自動控制、計算機技術、網絡通訊等相關知識。從最初的雙位（ON/OFF）控制發展到今天，已出現了多種智能控制方法，包括最優控制、自適應控制、模糊控制、多種方式聯合控制等方法。

1）最優控制

因為空調系統能耗占據建筑物總能耗的比例較大，研究人員嘗試將最優控制理論引入空調控制系統中，通過優化控制策略，盡可能地降低空調系統的運行能耗。相關學者先后將最優控制技術運用在空調冷凍水系統及制冷機組控制中，取得一定成果[7]。

2）自適應控制

自適應控制系統通常使用在具有時變特性的控制系統中。因此，相關學者針對空調系統的大時變、非線性及大滯后的特點，在空調設備的控制中運用了最小方差自適應控制，得到了較滿意的節能優化效果。

3）模糊控制

隨著人們對室內舒適性要求以及對暖通空調控制效果的不斷提高，相關研究人員利用神經網絡和模糊數學方法對空調系統能耗進行了有效控制。該方法根據室內溫度偏差和偏差變化率確定水閥占空比與風機的檔位，實現對系統的模糊邏輯控制，大大降低了空調的運行能耗，調高了運行效率[8]。

4）多種方式聯合控制

空調系統結構復雜，控制過程干擾多，而且由于空調系統的多輸入多輸出、大滯后、強耦合的非線性時變系統特性，很難建立其精確的數學模型，因此采用多種方式對空調進行聯合控制就顯得十分必要。近年來有學者提出在空調的溫度控制系統中采用模糊PID雙模分段控制器，即在大偏差范圍內采用比例控制，而在小偏差時運用模糊控制，由此取得了較好的效果。但是當系統模型參數受到干擾或大時變時，由于傳統PID算法不能及時有效地進行控制，故可將神經網絡技術引入并將其與模糊控制技術相結合形成模糊神經網絡，通過神經網絡的自學習能力不斷完善模糊控制算法的輸出結果，進而提升中央空調末端控制器的智能化程度。該方法已在實際應用中取得了較好的節能效果[9]。

3.3 系統整體優化

為了實現整個系統總體能耗的最優控制，除了對單一設備、環節進行節能控制外，還應該在系統層面綜合考慮，找到最優的整體節能方案。

根據現場實際系統的應用現狀，基于整體優化控制的BEMS系統可按照圖2所示結構進行設計。該系統由智能工作站、本地監控站和遠程控制站三部分組成，連接著各種末端的智能工作站直接提供多種控制策略給本地監控站，本地監控站通過分析數據，得出最優化節能控制策略控制智能工作站，從而控制末端設備，達到節能的效果。基于該整體優化控制結構，研究人員針對空調系統一方面提出了系統容錯控制的最優化控制方法，以滿足 ASHRAE 標準對室內空氣品質和室內溫濕度的要求[10]；同時又基于通風控制提出了一種連續分段控制策略，使得在提高室內空氣品質的同時降低空調能耗[11]，達到了預期的節能效果。

4 智能建筑能源管理技術未來發展趨勢

隨著物聯網、云計算、人工智能等新技術的興起，建筑能源管理系統相關技術也在不斷地向前發展。

1）基于物聯網技術的應用與發展

物聯網是通過射頻識別、傳感器、全球定位系統等信息傳感設備，按約定的協議，把任一物品與互聯網連接起來，進行信息交換和通信，以實現智能化識別、定位、跟蹤、監控和管理的一種網絡。顯然，隨著大型公共建筑物理空間的不斷擴大以及所接入各類智能設備數量的日益增大，建筑能源管理系統中以物聯網數據中心為核心的信息系統的構建，是解決建筑運行能耗管理問題的關鍵所在。基于此，BEMS系統將更好地進行全面和深入的數據挖掘，為未來能源規劃和決策提供依據；并通過建立專家系統為提升現代化管理水平打下基礎；同時與其他信息系統相結合，發揮數據聚合的作用，提高管理能力和效率。此外，物聯網技術在BEMS系統中的應用將完全改變傳統管理模式，成為中國物聯網產業發展的新方向，為可持續發展及低碳經濟創造新模式[12]。

圖2 基于整體優化控制的BEMS結構圖

綜上，可得基于物聯網架構的BEMS系統如圖 3所示。該系統采用六層的分層結構形式，分別為：感知控制層、網絡傳輸層、信息匯聚層、數據加工層、診斷決策層和信息輸出層。各層之間相互獨立，層之間僅通過層接口提供信息互通。其中，感知控制層將采集到的數據通過網絡傳輸層傳輸到信息匯聚層，匯聚的信息再被傳輸到數據加工層進行加工，加工后的數據再被傳輸到診斷決策層由系統進行診斷并作出決策，最后通過信息輸出層將節能控制信息反饋回感知控制層對系統各設備進行控制。

圖3 基于物聯網技術的BEMS架構圖

圖4 基于云計算技術的BEMS信息處理架構圖

2）基于云計算技術的應用與發展

云計算是一種基于互聯網的新型計算模式，它借助網絡平臺將大型程序拆解成無數多的子程序，再通過龐大的多個服務器組建搜索系統，將各子程序分析結果反饋給用戶，可以在很短時間內處理龐大的計算信息，擁有類似超級電腦一樣的網絡計算能力。

為有效解決建筑能源管理系統中日趨龐大的信息處理問題，可采用云技術構建圖4所示BENMS信息處理系統[13]。該系統可以滿足跨區域城市級別建筑群的管控需求，實現無限量用戶登陸；同時后臺存儲可采用云存儲方式以滿足隨需隨加的無限量后臺存儲空間，從而減少并降低后臺投入、維護、管理等成本。

3）基于人工智能技術的應用與發展

人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的科學技術。隨著AI技術的不斷發展及其在其他各個領域的深入應用，其在大型智能建筑系統的諸如智能照明、智能安防、智能環境等場景互聯和場景交互系統逐步得以應用。基于此，BEMS系統將采用機器學習等人工智能方法利用大數據運算進行建筑能耗分析與優化。一方面系統可根據現有的數據預測將來的行為、結果和趨勢，對企業、家庭提供針對性的節能策略；另一方面，系統采用優化方法，提升建筑能源管理的效率，改善生態環境，促進社會可持續發展。

5 結束語

隨著建筑能耗尤其是大型公共建筑能耗比例的增加，建筑能源管理系統的重要性日益體現，其不僅能降低建筑物自身的能耗及管理成本，還能為節能減排工作的開展與生態文明的建設起到引領和助推作用，具有重大的社會、經濟效益。目前，我國在BEMS領域技術還相對落后，尤其是能耗預測、能耗控制和系統整體優化的應用還比較少，但是隨著物聯網、云計算、人工智能技術的興起，BEMS在我國智能建筑節能領域仍有廣闊的發展空間。

[1] 顧中煊,楊石,羅淑湘,劉麗莉,武艷麗.區域建筑能耗預測模型和方法研究[J].建筑技術,2017,48(12):1240-1243.

[2] 施劍鋒,楊陽,馬志榮. 夏熱冬冷地區辦公類建筑能耗預測模型研究[J].安徽建筑,2016,23(05):56-58+66.

[3] 陳彥熹,劉建華,李旭東,尹寶泉,伍小亭. 基于ANN的綠色辦公建筑HVAC系統運行能耗預測[J].建筑節能,2017,45(10):1-5.

[4] 胡亞南,寧奎偉,豐會萍,王鵬文. 基于GA-BP神經網絡算法的造紙企業能耗預測的研究與應用[J].中華紙業,2017,38(20):30-36.

[5] 周峰,張立茂,秦文威,吳賢國,林凈怡.基于SVM的大型公共建筑能耗預測模型與異常診斷[J/OL].土木工程與管理學報:1-7[2018-01-09].

[6] 張偉. 基于季節灰色預測理論的公共建筑節能領域能耗監測研究[D].天津:河北工業大學,2011.

[7] 徐小艷,管曉宏,李黎. 建筑空調系統最優停機時間預測與控制[J].西安:西安交通大學學報,2013,47(10):31-36+61.

[8] 岳子豐. 空調機組節能優化控制策略研究[D].北京:北京林業大學,2013.

[9] 李慧靜. 基于智能控制算法的中央空調變風量控制系統研究[D].長春:吉林建筑大學,2017.

[10] Xinqiao Jin, Zhimin Du. Fault tolerant control of outdoor air and AHU supply air temperature in VAV air conditioning systems using PCA method [J]. Applied Thermal Engineering, 2006(26): 1226-1237

[11] Shengwei Wang, Zhongwei Sun, Yongjun Sun. Online optimal ventilation control of building air-conditioning systems [J]. Indoo-r Built Environment, 2011(20): 129-136

[12] 陳永攀. 建筑能源系統物聯網架構與實現技術研究[D].哈爾濱:哈爾濱工業大學,2011.

[13] 姜永東. 利用云計算改進建筑能源管理控制平臺[J]. 建設科技,2012(04):62-63.