基于 BIM 的綠色辦公空間智慧運行研究

楊將鐸，季 亮，葉從周，韓繼紅（. 上海市建筑科學研究院有限公司， 上海 008；. 上海建科集團股份有限公司， 上海 0003）

目前我國綠色建筑快速發展，人們對其運營階段的表現高度重視。有學者認為我國近零能耗建筑發展問題的主要解決思路之一在于主被動式技術產品開發與集成，其中包括各類基于用戶需求的軟硬件結合的精準控制和調試[1]。適應于智能化理論和工具的跨越式發展，建筑、環境和人所構成的多元復雜系統，將趨于實現互動響應的控制模式[2]。但是，實踐中綠色建筑辦公空間智慧運行優化的關聯模型仍然遵循主動式點對點控制邏輯，或采用固定搭配的場景模式邏輯，但這對能源節約、環境優化、用戶體驗都是目標模糊的。

在辦公建筑中，實際應用場景復雜，如圖 1 所示。由圖 1 可知，能耗、環境、人 3 個維度是在不同空間層級上相互交叉。例如，根據計算，滿意度采集點 1 上的人員（工位 1）對 CO2濃度（環境采集設備 1）是不滿意的，此時需要同時計算該樓層內其他人員（工位 2、3、4…）的滿意度才能對新風機功率（可調控設備 1）進行調控。如果室外環境（環境采集設備 2）是舒適的，可能建議開窗是更佳的選擇。因此，要在實踐中解決主動調控的問題，就需要做到動態獲取特定空間內人員滿意度樣本并引入盡可能多的關鍵影響因素，設置以應用場景為前提的判斷邏輯，引入以算法為驅動的綜合動態調控模型。

1 動態獲取樣本并引入影響因素

對于影響建筑室內環境品質（Indoor Environment Quality，IEQ）的室內物理環境，目前的認知基本統一，包括熱濕環境、空氣品質、光環境及聲環境等 4 類因素。但是，對每類因素的樣本選擇、評價方式、應對策略充滿分歧[3]。

本文認為，由于自然環境、建筑、人群、個體本身存在巨大差異，采用動態獲取滿意度樣本進行計算的方案，會比采用固定滿意度計算模型具有更高的實踐可信度。

在滿意度采集方法上，為了實現實時性、有效性和大數據特性，可以通過建筑信息模型（Building Information Modeling，BIM）平臺的空間概念（圖 1），根據工位生成滿意度采集點二維碼，并將可調控設備（如可記錄調控的空調末端面板）接入作為變相的滿意度采集。此時，每采集一個滿意度樣本，都將帶有一系列的背景數據輸入。滿意度樣本背景數據示意如表 1 所示。

表1 滿意度樣本背景數據示意

圖1 綠色建筑辦公空間智慧運行通用場景

圖1 中虛擬監測點的好處有：可以不受空間大小和形狀的限制選擇區域，可以根據輸入數據的匹配性區分空間，可以根據輸出數據時的計算能力和有效性劃分空間等。輸出場景不必要過于精確，即便是連續型參數也可以人為劃分檔位，如電動遮陽簾可以按照 25% 的間隔將遮陽面積劃分為5 檔。

2 特定應用場景的判斷邏輯

在綠色辦公空間場景下，個體的點對點控制邏輯有時會造成群體困擾，因此有必要加入目標調控，完成后群體滿意度計算的過程。為了避免個體頻繁投訴引起樣本權重傾斜，又需要對有效投訴間隔進行設置。在實踐場景下，獲取的樣本基本都為負面（不滿意），因此還需要設置正面樣本的獲取邏輯。同時，為了實現系統性主動調控，還需要設計動態調控方案。以上幾點基于應用場景的判斷邏輯，是算法發揮作用的前置條件。

綠色辦公空間應用場景的一種判斷邏輯如圖 2 所示。由圖 2 可知，個體、群體、時間、空間內的諸多判斷并非通用算法可以代替，而是需要人為的合理設定邏輯，保證個體的需求被正確表達，同時不對群體形成負面影響。

圖2 綠色辦公空間應用場景的一種判斷邏輯

同時，采用人工神經網絡算法和隨機森林算法對 5 000個樣本進行試驗，利用表 1 所示的輸入參數，群體滿意度計算在驗證集的準確率可以達到 85% 以上，測試集的有效性可以達到 75% 以上。因此，基于諸多背景數據的參與，滿意度計算無論采用哪種算法，都基本能夠表達個體和群體需求，即特定空間內的人員滿意度可以通過主要因素進行預測。

但是，如果希望由滿意度和調控的樣本數據形成當前環境的目標調控方案，則需要考慮更多復雜的因素。

3 動態調控算法

從前述的應用場景來看，綠色辦公空間可以采用 2 類動態調控邏輯。

（1）多目標優化。從理論上來說，建筑室內環境調控應同時實現人員滿意度最優、環境合適和能耗最低（根據實際情況，還有可能加入新的目標，例如設備損耗最低）的理想狀態。但是，這 3 個目標可能是相互沖突和影響的，因此必須取合適的折中解。另外，從模擬人為決策的角度來說，最優解并非唯一，人們希望獲取多種接近最優的解，以避免停留在一種狀態而造成環境疲勞。這是一個典型的多參數多目標優化問題。

近年來使用最多的是基于 Parato （帕累托）選擇的優化方法，如基于遺傳算法、粒子群算法、蟻群算法等進化算法的多目標優化方法及其改進方法[4]。DEB K 等人[5]改進了遺傳算法，提出了 NSGA-II （改進的自適應遺傳算法），谷歌學術顯示引用量達 3 萬多次，成為許多行業公認的成熟算法。

由于“環境合適”在此算法中是相對較弱的目標，因此建議采用限值方案，即各項環境參數值的范圍不超過特定區間。至于能耗計算，國內外對于建筑的冷熱電負荷預測方法主要分為數值模擬法和基于歷史數據外推法[6]。根據建筑情況選擇基于歷史數據的人工智能算法可以獲取很高的精度。這樣，形成一個事實上的兩目標問題（環境被取值區間約束）。

（2）深度強化學習。深度強化學習是一種結合了深度學習和強化學習各自特點的一種全新算法，由 MNIH V 團隊[7]首先提出，并設計了 DQN（Deep Q-Network，深度 Q神經網絡）算法。

強化學習系統如圖 3 所示。由圖 3 可知，一般的強化學習算法有一定的缺陷，即模型能代表的狀態 s 和動作 a 個數是有限的，而在實際環境中，可能存在狀態和動作組合數量過多，導致模型失效。由此，引入深度學習，將輸入的狀態和輸出的動作深度神經網絡化。

圖3 強化學習系統

在辦公場景下，需要控制多類型設備，如空調、新風、遮陽、燈光，甚至窗戶、風扇、抽濕機等，其中空調控制就包括溫度、風速、風向等的控制。這導致整個模型需要定義的組合動作 α 數量過多，需要采用 DQN，通過實時采集的主客觀數據計算滿意度與能耗的比值，將其作為輸入狀態s，以可控設備的可控參數作為動作 α，構建 DQN 網絡。

當計算狀態值（滿意度與能耗比值）不達標時，初始化狀態；當進行動作后，狀態值優化則獎賞r為 1，狀態值退化則獎賞r為 ﹣1，進行一系列調控后實現獎賞總和R=∑r最大以及狀態值達到理想水平。

4 結 語

我國綠色建筑在推進建筑生命周期的過程中，越發注重整合工具的開發和技術的集成應用[8]。如何將能耗、環境、人員滿意度統一起來，是未來綠色運維發展的關鍵問題之一。

本文基于綠色辦公空間進行場景化分析，提出了結合BIM 的自變量數據整合方式，提出了方便實現的滿意度采集方案，提出了作為前提算法的多人共用空間滿意度判斷邏輯，并推薦了合適的多維度自學習調控算法，明確了綠色辦公空間智能化運維的實現邏輯。

基于上述方法論的算法將能有效支撐更優化的建筑運營，為建筑全生命周期優化提供有力手段。本研究將進一步基于上述方法論，從具體實現的角度推動軟件實現，為綠色建筑實效化和品質化提供支撐。