智能建筑能源管理技术研究现状与发展综述

赵光辉

ZHAO Guang-hui

（中国建筑上海设计研究院有限公司）

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

1 引言

近年来，随着我国城镇化速度的加快和综合经济水平的提高，住宅建筑与公共建筑的面积不断增长，建筑能耗在社会总能耗中的比重越来越大。迄今为止，我国建筑能耗占社会总能耗的比例约为33%左右，而按照国际经验和国内当前建筑用能水平发展可以预测，到2020年我国建筑能耗占社会总能耗的比例将达到35%，从而超越工业成为用能第一领域。显然，我国建筑尤其是公共建筑能耗过大的问题日益突出，对量化降低能耗的要求变得越来越迫切。

因此，为了对公共建筑进行能效管理，降低其整体能耗，业内知名企业如施耐德、西门子等相继推出建筑能源管理 系 统（Building Energy Management System，BEMS）并在国内外一些大型公共建筑案例中得以应用，取得了一定成效。然而，纵观国内建筑能耗现状以及现有建筑能源管理系统应用情况，BEMS在诸多技术领域还存在较大的改进和提升空间。

为此，主要对建筑能源管理系统中尤其是典型设备能源管理和控制所涉及的关键技术及已取得的研究成果进行了梳理和综述，并结合当前智能控制领域相关技术的发展对未来建筑能源管理系统的研究及应用方向进行了展望，以期为建筑能源管理系统进一步应用于大型公共建筑的可行性分析提供应用参考，也为相关人员进一步研究建筑能耗优化节能控制策略提供理论依据。

2 建筑能源管理系统基本架构

BEMS主要通过对建筑物整体的能耗设备进行统合监控、自动控制以及最优化管理，以实现高效节能；同时采用以智能建筑为核心的节能技术，通过网络对空调、电力、照明等设备实现一元化管理。

一般地， BEMS系统可采用图1所示的分层分布式架构进行设计。在该系统结构中，BEMS系统主要包括三层：操作层、管理层、决策层。操作层终端仪表采集数据并通过网络发送给管理层的能源管理专家进行现场分析，再将处理好的数据发送到决策层的能源优化中心，在该层通过优化方法得到节能方案后，再进一步通过Internet把远程优化指令发送给能源管理专家，籍此将接收到的优化指令通过各类设备控制器对操作层的空调、电梯、照明、安防等设备系统进行控制。

图1 BEMS系统整体架构

3 建筑能源管理技术研究现状

实际应用中， BEMS的能耗管理所涉环节较多，其中暖通空调、安防、电梯、照明等主要耗能系统的运行会对整体建筑能耗水平起到主要的影响作用，尤其暖通空调系统相比其它系统复杂程度和能耗水平都均为最高，是公共建筑中的用能大户。多年来国内外诸多研究人员对暖通空调系统设备的能耗管理技术进行了较为全面的研究，取得了一定的成果。下面以暖通空调为主要研究对象，从能耗预测、能耗控制和系统整体优化3个方面对建筑能源管理中所涉及的关键技术以及最新研究成果进行综述。

3.1 能耗预测

建筑能耗预测是指根据建筑的历史能耗数据建立起相应的数学模型描述建筑能耗的发展规律并对未来的能耗水平做出预测。目前国内外常用的建筑能耗预测方法主要包括工程方法、统计学方法、人工智能方法等[1]。而随着业内专家对建筑能耗预测精确度要求的不断提高，人工智能法相比其它方法已被越来越广泛地应用在建筑能耗预测中。目前，常用的人工智能法主要有神经网络法、支持向量机法和灰色系统理论预测法等。

1）神经网络法

神经网络法是在人类大脑神经网络认识的基础上、人工构造的用以实现某种功能的计算方法，具有分布式并行处理能力以及自行开展学习和组织的特点。近年来该方法被应用在各类建筑环境中实现能耗预测，达到了预期目标。如采用大样本信息的基于神经网络预测模型在夏热冬冷地区办公建筑能耗预测中的应用[2]，以及仅基于气象参数及时间等小样本数据而构建的神经网络模型在一些特定的较为复杂环境中的应用[3]，更有甚者通过遗传算法对神经网络模型的权值和阈值进行优化后在实时性要求较高场合的应用[4]，均较好地实现了对建筑能耗的精确预测。

2）支持向量机法

支持向量机是基于统计学习理论的机器学习中的一种方法。该方法建立在结构风险最小化原理的基础上，通过构造函数集合，选出置信区间最小的子集中风险最小的函数作为最优函数，来进行能耗预测；具有训练样本小、泛化能力强、实用性强等优点。相关以及人员凭借其在预测方面的优势，结合大型公共建筑能耗特点，构建了基于支持向量机的大型公共建筑能耗预测模型，对建筑逐日能耗展开预测；同时在能耗预测基础上，以测试集平均相对误差与最大误差作为判定标准进行能耗异常诊断，为建筑节能管理运行提供了参考[5]。

3）灰色系统理论预测法

该方法通过对原始数据的处理、加工和开发后，提取有价值的信息，将原本毫无规律的数据变得具有一定的规律，从而实现对系统变化过程的有效认识和控制，具有所需信息少、实现方法简单等特点。近年来，相关学者根据负荷能耗影响因素和特定地区能耗系统历史数据特点，提出了基于季节的优化灰色理论预测算法模型，并应用到山西公共建筑能耗预测系统中，达到了较高的预测精度[6]。

3.2 能耗控制

空调自动控制技术涉及暖通、自动控制、计算机技术、网络通讯等相关知识。从最初的双位（ON/OFF）控制发展到今天，已出现了多种智能控制方法，包括最优控制、自适应控制、模糊控制、多种方式联合控制等方法。

1）最优控制

因为空调系统能耗占据建筑物总能耗的比例较大，研究人员尝试将最优控制理论引入空调控制系统中，通过优化控制策略，尽可能地降低空调系统的运行能耗。相关学者先后将最优控制技术运用在空调冷冻水系统及制冷机组控制中，取得一定成果[7]。

2）自适应控制

自适应控制系统通常使用在具有时变特性的控制系统中。因此，相关学者针对空调系统的大时变、非线性及大滞后的特点，在空调设备的控制中运用了最小方差自适应控制，得到了较满意的节能优化效果。

3）模糊控制

随着人们对室内舒适性要求以及对暖通空调控制效果的不断提高，相关研究人员利用神经网络和模糊数学方法对空调系统能耗进行了有效控制。该方法根据室内温度偏差和偏差变化率确定水阀占空比与风机的档位，实现对系统的模糊逻辑控制，大大降低了空调的运行能耗，调高了运行效率[8]。

4）多种方式联合控制

空调系统结构复杂，控制过程干扰多，而且由于空调系统的多输入多输出、大滞后、强耦合的非线性时变系统特性，很难建立其精确的数学模型，因此采用多种方式对空调进行联合控制就显得十分必要。近年来有学者提出在空调的温度控制系统中采用模糊PID双模分段控制器，即在大偏差范围内采用比例控制，而在小偏差时运用模糊控制，由此取得了较好的效果。但是当系统模型参数受到干扰或大时变时，由于传统PID算法不能及时有效地进行控制，故可将神经网络技术引入并将其与模糊控制技术相结合形成模糊神经网络，通过神经网络的自学习能力不断完善模糊控制算法的输出结果，进而提升中央空调末端控制器的智能化程度。该方法已在实际应用中取得了较好的节能效果[9]。

3.3 系统整体优化

为了实现整个系统总体能耗的最优控制，除了对单一设备、环节进行节能控制外，还应该在系统层面综合考虑，找到最优的整体节能方案。

根据现场实际系统的应用现状，基于整体优化控制的BEMS系统可按照图2所示结构进行设计。该系统由智能工作站、本地监控站和远程控制站三部分组成，连接着各种末端的智能工作站直接提供多种控制策略给本地监控站，本地监控站通过分析数据，得出最优化节能控制策略控制智能工作站，从而控制末端设备，达到节能的效果。基于该整体优化控制结构，研究人员针对空调系统一方面提出了系统容错控制的最优化控制方法，以满足 ASHRAE 标准对室内空气品质和室内温湿度的要求[10]；同时又基于通风控制提出了一种连续分段控制策略，使得在提高室内空气品质的同时降低空调能耗[11]，达到了预期的节能效果。

4 智能建筑能源管理技术未来发展趋势

随着物联网、云计算、人工智能等新技术的兴起，建筑能源管理系统相关技术也在不断地向前发展。

1）基于物联网技术的应用与发展

物联网是通过射频识别、传感器、全球定位系统等信息传感设备，按约定的协议，把任一物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。显然，随着大型公共建筑物理空间的不断扩大以及所接入各类智能设备数量的日益增大，建筑能源管理系统中以物联网数据中心为核心的信息系统的构建，是解决建筑运行能耗管理问题的关键所在。基于此，BEMS系统将更好地进行全面和深入的数据挖掘，为未来能源规划和决策提供依据；并通过建立专家系统为提升现代化管理水平打下基础；同时与其他信息系统相结合，发挥数据聚合的作用，提高管理能力和效率。此外，物联网技术在BEMS系统中的应用将完全改变传统管理模式，成为中国物联网产业发展的新方向，为可持续发展及低碳经济创造新模式[12]。

图2 基于整体优化控制的BEMS结构图

综上，可得基于物联网架构的BEMS系统如图 3所示。该系统采用六层的分层结构形式，分别为：感知控制层、网络传输层、信息汇聚层、数据加工层、诊断决策层和信息输出层。各层之间相互独立，层之间仅通过层接口提供信息互通。其中，感知控制层将采集到的数据通过网络传输层传输到信息汇聚层，汇聚的信息再被传输到数据加工层进行加工，加工后的数据再被传输到诊断决策层由系统进行诊断并作出决策，最后通过信息输出层将节能控制信息反馈回感知控制层对系统各设备进行控制。

图3 基于物联网技术的BEMS架构图

图4 基于云计算技术的BEMS信息处理架构图

2）基于云计算技术的应用与发展

云计算是一种基于互联网的新型计算模式，它借助网络平台将大型程序拆解成无数多的子程序，再通过庞大的多个服务器组建搜索系统，将各子程序分析结果反馈给用户，可以在很短时间内处理庞大的计算信息，拥有类似超级电脑一样的网络计算能力。

为有效解决建筑能源管理系统中日趋庞大的信息处理问题，可采用云技术构建图4所示BENMS信息处理系统[13]。该系统可以满足跨区域城市级别建筑群的管控需求，实现无限量用户登陆；同时后台存储可采用云存储方式以满足随需随加的无限量后台存储空间，从而减少并降低后台投入、维护、管理等成本。

3）基于人工智能技术的应用与发展

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的科学技术。随着AI技术的不断发展及其在其他各个领域的深入应用，其在大型智能建筑系统的诸如智能照明、智能安防、智能环境等场景互联和场景交互系统逐步得以应用。基于此，BEMS系统将采用机器学习等人工智能方法利用大数据运算进行建筑能耗分析与优化。一方面系统可根据现有的数据预测将来的行为、结果和趋势，对企业、家庭提供针对性的节能策略；另一方面，系统采用优化方法，提升建筑能源管理的效率，改善生态环境，促进社会可持续发展。

5 结束语

随着建筑能耗尤其是大型公共建筑能耗比例的增加，建筑能源管理系统的重要性日益体现，其不仅能降低建筑物自身的能耗及管理成本，还能为节能减排工作的开展与生态文明的建设起到引领和助推作用，具有重大的社会、经济效益。目前，我国在BEMS领域技术还相对落后，尤其是能耗预测、能耗控制和系统整体优化的应用还比较少，但是随着物联网、云计算、人工智能技术的兴起，BEMS在我国智能建筑节能领域仍有广阔的发展空间。

[1] 顾中煊,杨石,罗淑湘,刘丽莉,武艳丽.区域建筑能耗预测模型和方法研究[J].建筑技术,2017,48(12):1240-1243.

[2] 施剑锋,杨阳,马志荣. 夏热冬冷地区办公类建筑能耗预测模型研究[J].安徽建筑,2016,23(05):56-58+66.

[3] 陈彦熹,刘建华,李旭东,尹宝泉,伍小亭. 基于ANN的绿色办公建筑HVAC系统运行能耗预测[J].建筑节能,2017,45(10):1-5.

[4] 胡亚南,宁奎伟,丰会萍,王鹏文. 基于GA-BP神经网络算法的造纸企业能耗预测的研究与应用[J].中华纸业,2017,38(20):30-36.

[5] 周峰,张立茂,秦文威,吴贤国,林净怡.基于SVM的大型公共建筑能耗预测模型与异常诊断[J/OL].土木工程与管理学报:1-7[2018-01-09].

[6] 张伟. 基于季节灰色预测理论的公共建筑节能领域能耗监测研究[D].天津:河北工业大学,2011.

[7] 徐小艳,管晓宏,李黎. 建筑空调系统最优停机时间预测与控制[J].西安:西安交通大学学报,2013,47(10):31-36+61.

[8] 岳子丰. 空调机组节能优化控制策略研究[D].北京:北京林业大学,2013.

[9] 李慧静. 基于智能控制算法的中央空调变风量控制系统研究[D].长春:吉林建筑大学,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] 陈永攀. 建筑能源系统物联网架构与实现技术研究[D].哈尔滨:哈尔滨工业大学,2011.

[13] 姜永东. 利用云计算改进建筑能源管理控制平台[J]. 建设科技,2012(04):62-63.