基于文献计量学的智能建筑研究进展及前沿分析

2023-10-31陈栋才张思洪蔡永翔陈湘萍

智能计算机与应用 2023年10期

陈栋才，张思洪，蔡永翔，陈湘萍

（1 贵州大学电气工程学院，贵阳 550025； 2 贵州电网有限责任公司电力科学研究院，贵阳 550002）

0 引言

随着第五次信息革命，计算机技术得到高速发展。上世纪80 年代，Joanna Eley［1］提出了智能建筑的概念，美国的康州哈特福德市建造了第一座基于信息技术和物联网技术的智能建筑“都市办公大楼”。智能建筑通过使用系统集成技术，将计算机网络技术、现代通讯技术、现代自动控制技术等数字化技术与建筑技术等相关技术有机地结合一体，根据需求响应，将建筑的结构、系统、服务管理进行最优组合，所有的一切构成了安全、高效、方便和舒适的建筑物［2］。智能建筑系统由多个互相协同的部分组成，能够在任何情况下对建筑进行管理。通过对周围环境资源的合理利用，智能建筑依托现代化技术，实现了绿色环保、节能减排的目的，如今已经成为建筑行业和信息技术行业交叉发展的重要领域。

在人与建筑互动的过程中，建筑与人之间产生了大量的数据，因此可以把建筑看作一个具有感知能力的“生命体”。智能建筑拥有以下内涵特征：自感知，即可监测并收集建筑运行期间的历史数据等；自管理，即通过对历史数据信息的分析处理，完成建筑内基于大数据学习的自我行为管理等；自学习，即能够分析建筑物自身运行及环境相关的大量数据，进行自我学习；自呼吸，即使建筑物依托绿色技术，模仿自然循环，以达到减少能耗，节约资源，保护环境的目的。智能建筑典型特征如图1 所示［3］。

图1 智能建筑典型特征［3］Fig.1 Typical characteristics of intelligent buildings

对于智能建筑领域的研究，绝大多数学者选择从某一方面着手。如：改进群智能算法［4］、管理控制［5-6］、建立评价体系［7］、物联网集成［8］、建筑负荷预测［9］等方面，仅局限于方法层面或技术层面。现有的这些文章虽然具有一定价值，但未能客观揭示智能建筑研究的全貌，也未能适当关注探索过去几十年来的研究热点。在传统的评论文章中，很难在大时间尺度的大量研究中有效地组织、总结和定量分析某一特定领域的发展。

由于智能建筑是一个跨学科的研究领域，涵盖了建筑类、计算机类、能源类、控制类等学科，为了全面了解智能建筑的进展和热点，本文采用文献计量分析方法，利用可视化工具CiteSpace 对国内外众多有关智能建筑的文献数据进行分析处理，绘制发文情况、关键词、被引文献等知识图谱，从智能建筑全局出发，并结合相关文献资料研究解读，得到至今为止国内外智能建筑的研究现状及前言，并预测智能建筑的发展趋势。

1 数据来源和研究方法

1.1 数据来源

以Web of Science 数据库中的核心合集数据库作为数据来源，引文索引选择Science Citation Index Expanded（SCIE）和Conference Proceedings Citation Index-Science（CPCI-S），主题以“smart building*”OR “ intelligent building * ” AND “ artificial intelligence” AND “big data”进行检索，时间跨度选择2010 年至2022 年，并精炼检索结果，去重后得到2 997 篇文献。

1.2 研究方法

CiteSpace［10］是美国德雷塞尔大学陈超美教授基于Java 平台开发的一款文献计量可视化分析软件，其结合网络分析与关联规则分析等方法，绘制知识图谱，并通过图谱分析该领域的研究动态、研究趋势、研究热点，是近年来最具影响力的信息可视化分析软件之一［11］。当前， CiteSpace 软件已被广泛应用于诸多领域的研究综合分析［12］。通过知识图谱的形式，与传统文献相比，可以更加清晰地展示智能建筑研究领域的发展脉络、研究热点等。

CiteSpace 与3 个中心概念相关：异构网络、中介中心性和突变检测。这些概念可以解决3 个实际问题，即了解研究的现状和热点、研究的相关性以及及时发现新趋势和突变。在CiteSpace 中，当前的研究现状和热点是基于文献的标题、摘要和关键词等标识符中提取；研究的相关性通过识别具有高中介中心性的节点来确定，使用户更容易识别关键点，为了在可视化的网络中脱颖而出，关键点用紫红色外圈突出显示；突发检测算法可以适用于检测某个研究领域急剧增加的研究热点。

文献计量学是以文献计量特征为研究对象，采用数学与统计学的计量方法来描述、评价文献的分布情况、统计规律以及预测文献方向，是一门集合数学、统计学、文献学的交叉科学［13］。文章通过CiteSpace 的文献计量分析方法，来探索基于人工智能和大数据的智能建筑研究领域的相关知识图谱。首先，通过从WOS 数据库中收集与智能建筑相关的文献数据；将数据导入到CiteSpace 软件中，对文献的出版年份、国家与机构、作者共被引、共现关键词和聚类、文献共被引和聚类以及文献突变进行分析；最后得出智能建筑研究领域的知识图谱。

2 结果与分析

2.1 发文量分析

将收集到的2 997 篇文献做一个年发文量统计，如图2 所示。发文量的演变大致可分为3 个阶段：第一阶段始于2010～2012 年，期间智能建筑相关文献稀少且增长缓慢，反映出智能建筑处于起步阶段的事实；第二阶段始于2013 ～2019 年，在此期间，智能建筑论文的年度发表量激增，表明智能建筑受到越来越多的关注，也表明更多的研究得到了执行；第三阶段始于2020～2022 年，发文量开始下跌，表明研究热度有所下降，智能建筑的发展可能遇到了瓶颈。

图2 基于WoS 智能建筑研究年发文量统计Fig.2 Annual publication statistics based on WoS intelligent building research

2.2 发文国家与机构分析

发现重点关注的国家和机构评价其学术影响力，对于了解该研究领域的研究基础和研究动态具有重要意义。因此，可将CiteSpace 中节点类型设为“country”或“Institution”，得到发文国家与机构的共现网络。如图3 所示，节点越大，频次越大，代表发文数量越多，每个节点从中心沿半径方向到达边缘的颜色趋势表示了时间的演变，内圈的冷色代表早年，外圈的暖色代表近几年。

图3 发文分析共现网络知识图谱Fig.3 Publishing and analyzing the co-existing network knowledge graph

由图3 中可见，发文量排名前列的国家依次为美国、中国、意大利等。从图3 所显示的复杂连线可知，各个国家之间的合作关系较为不同。如：中国和美国发文量是最多的，但与其他国家节点的连线很少，说明与其他国家之间的合作不多；而欧洲国家之间连线密集，说明欧洲国家之间合作很密切。

值得指出的是，高中心性意味着节点的重要性。按中心度来排列，印度＜中国和法国＜美国＜英国＜意大利＜德国＜西班牙，西班牙的中心度最高，达到0.36，表明西班牙与意大利、德国、英国等许多国家保持着广泛的合作。表1 显示大多数国家节点的中心性较低，这意味着大多数国家之间的合作研究较为有限，各国和国际机构有必要加强合作与沟通。

表1 发文量前列的国家Tab.1 Countries with most publications

从表1 和表2 可以发现，中国、美国和意大利等发文量较多的国家，其发文并未集中在对应国家的国内某一机构，说明该国国内在该研究领域的研究势力比较分散，需加强学术交流，形成良好的学术团体。

表2 发文量前5 位的机构Tab.2 Top 5 institutions with most publications

2.3 关键词共现和聚类分析

2.3.1 共现关键词分析

对文献关键词进行分析，可对文章主题进行概括。一篇文献的几个关键词存在着某种关联，而不同的文献出现相同的关键词代表着文献间存在着某种关联，这种关联可以用异构网络来表示。频次较高的关键词可以反映该研究领域的研究热点，而高中心性关键词则反映了相应研究内容在该研究领域的地位和影响力［14］。关键词共现可视化结果如图4 所示，图中共有481 个节点，642 条连线，网络密度为0.005 6，说明智能建筑研究主题比较广泛，彼此之间较为松散。图谱中的节点表示关键词，节点的大小、颜色、色带宽度皆与关键词的性质有关。热门关键词在频次上的排序见表3。

表3 重点关键词Tab.3 Important keywords

图4 英文关键词共现网络知识图谱Fig.4 Knowledge graph of English keywords co-appear network

由表3 对关键词的出现频次和中介中心性进行统计，出现频次由高到低的关键词为系统（317）、模型（286）、管理（168）、优化（143）等，是智能建筑研究的基础，且研究成果较多，绝大多数研究主要是以搭建模型系统模拟建筑运行，以进行管理优化为主。而设计（0.33）、效率（0.23）、策略（0.26）、需求侧管理（0.27）、热舒适（0.17）、互联网（0.1）等中介中心性大于0.1 的关键词，在智能建筑的研究中起连接作用，是该领域研究的重点内容，包括依托互联网实现人、物和建筑之间的互联［15］；基于需求侧管理的建筑能效分析［16］；考虑建筑能耗和人员热舒适度的管理控制策略［17］等。

2.3.2 关键词聚类分析

由于未考虑到不同文献时效性所带来的影响，因此热点研究的薄弱程度不足以反映一个学术领域的研究趋势。为了克服这个弱点，对关键词进行聚类分析，以获得智能建筑研究的新兴趋势和前沿，集群的标签是LLR 集群的命名模式，不同集群之间的某些部分可能会重叠。聚类结果如图5 所示，得到了10 个聚类（仅显示最大连接组件），模块度Q为0.816，平均轮廓值S为0.928 6，且每个聚类的轮廓值都超过了0.5，表明结果是可靠且有意义的。

图5 2010-2022 年的文献关键词的聚类可视化Fig.5 Cluster visualization of literature keywords from 2010 to 2022

由图5 的聚类效果可见，＃2 edge computing（边缘计算）、＃5 wireless sensor network（无线传感网络）符合智能建筑的“自感知” 特征；＃ 0 anomaly detection（故障诊断）、＃1 energy management（能量管理）和＃3 smart building system（智能建筑系统）符合智能建筑的“自管理”特征；＃8 machine learning（机器学习）、＃9 data mining（数据挖掘）符合智能建筑的“自学习”特征；＃4 smart grid（智能电网）、＃6 thermal energy storage（热能存储）和＃7 life cycle assessment（生命周期评估）符合智能建筑的“自呼吸”特征。

聚类中出现频次较高的关键词system（系统）、neural network（神经网络）、energy forecasting（能源预测）、iot（物联网）、reinforcement learning（强化学习）、 predictive control （预测控制）、 energy management（能源管理）等，从总体上来看：智能建筑的研究热点主要集中于现代计算机技术、通信技术、电气能源技术以及现代控制技术在建筑领域上的交叉应用。

但是，新的控制和通信技术的引入，对建筑能源管理系统产生了深远影响，提供了更精确、高效的能源监测和控制手段，促进了建筑能源管理技术的不断发展和创新需求。模型预测控制（MPC）以其在能源管理方面的潜力，成为近年来的一项研究热门。国外学者Serale G［18］定义了MPC 制定框架，并讨论不同的现有MPC 算法用于建筑和HVAC 系统管理的结果，强调了应用MPC 在提高建筑物能源效率方面的潜在好处。先进的建筑能源管理技术的发展离不开建筑负荷预测的发展，然而建筑能耗具有非线性、时变性强和不确定等特点，主流的基于详细能耗模型模拟方法存在使用复杂，建模时间久，且存在性能差距等问题［19］。因此，基于数据挖掘与机器学习的建筑负荷预测研究的重要性日益提高。通过使用包括人工神经网络（ANN）、支持向量机（SVM）、梯度提升（XGBoost）、分类与回归树（CART）等方法分析数据关联关系，进行特征选择，挖掘影响建筑能耗的决定性因素，进行负荷预测［20］。以良好的建筑能源管理技术为基础，以新型传感器网络为骨干，以物联网集成系统为统帅，再辅以大数据、云计算等信息技术，即可实现绿色节能建筑［21］，实现智能建筑的“自呼吸”。在国内王宏等人［22］开展了针对人工智能和物联网等技术为基础的AIoT（Artificial Intelligence and Internet of Things）在实际绿色智能建筑楼宇自控中的融合应用研究。主要包括基于AIoT 的智能建筑楼宇自控系统总体层级架构、智能自动照明系统的节能优化控制及其故障诊断与预测等研究，基于物联网技术和神经网络的故障预测诊断也成为智能建筑较传统建筑的一大优点。

2.4 研究前沿分析

2.4.1 关键词突变分析

通过对关键词做突变分析，通过高频关键词的出现时间点，即可得到研究领域的热点变化，反应该领域的研究趋势，且突变强度的大小也反映了关键词在这一时刻的热门程度。使用citespace 的“burstness”功能，对智能建筑近些年的突变词分析见表4。

表4 根据爆发开始时间排序的关键词Tab.4 Keywords sorted by outbreak start time

根据突变爆发时间，可大致将智能建筑研究热点的演化过程分为两个阶段。

2.4.1.1 第一阶段（2012～2017 年）

从突变强度分析，早期的智能建筑以smart grid（智能电网）、wireless sensor network（无线传感网络）和energy efficiency（能效）为主，由于微电子技术的兴起，楼宇自动化、通信网络的系统集成达到进一步的发展，以及“电网2.0”的提出，即现有的传统电力系统升级为具备先进通信、控制和能源技术的智能电网，以应对日益增长的可再生能源（如太阳能和风能）接入，提高电网的稳定性、可靠性和能源效率。早期的智能建筑主要以建筑能耗管理策略、简单传感网络和电气自动化在建筑领域的［23］应用为主，后引入genetic algorithm（遗传算法）［24］等群智能算法，进一步优化建筑管理与控制策略。

2.4.1.2 第二阶段（2019～2022 年）

从突变强度分析，iot（物联网）作为计算机科学技术与互联网技术后的第三信息技术，从早期简单的传感网络到现在的“万物互联”，统协建筑的各个子系统，实现真正的智能建筑。传统物联网在智能建筑上的应用需要将设备产生的数据传输到云端计算再返回，以实现对设备系统的控制，为提高对数据的高效实时处理以及保证用户的数据隐私安全。如国内的Li Wenzhuo［25］以及国外的Yar Hikmat［26］等学者引入edge computing（边缘计算），一种靠近物或数据源头的网络边缘侧，通过融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务［27］的服务方式，可有效处理数据且减少对互联网带宽的依赖，进一步提高物联网的智能化。 reinforcement learning（强化学习）以及deep learning（深度学习）皆是人工智能研究在建筑领域上的应用，在大数据时代，分析并学习建筑历史运行数据，在建筑能源管理、楼宇自动控制系统等方面有着良好的应用前景，使用户获得更好的居住体验，使智能建筑“智慧化”。

2.4.2 被引文献突变检测分析

文献的突变检测能够发现该研究领域的新兴趋势，即在某一时间段内人们对某一特定出版物研究内容的关注突然激增。引文突发提供的证据表明，对出版物研究内容的关注与引用的激增相关联，表明相关文献在该研究领域已经受到了相应的关注。根据引用突变强度以及开始时间，选择了代表性参考文献见表5。

表5 根据爆发开始时间排序的代表性参考文献Tab.5 Representative references sorted by outbreak start time

根据被引文献的爆发时间，可把研究领域按时间分为两个阶段，与年发文量的分析相对应。

2.4.2.1 第一阶段（2011～2018 年）

从表5 可以看出，本阶段参考文献的爆发强度均超过10，代表着这个研究领域具有里程碑意义的参考文献。最早的Dounis AI（2009）［28］发表了突变强度最高的文献，主要介绍了以降低能耗和提高用户热舒适度为目的，在建筑环境中基于代理的智能控制系统的设计上。 Perez-Lombard （2008）［29］与Lu J（2010）［30］皆从暖通空调系统（HVAC）入手，讨论如何利用廉价且简单的传感技术来自动感知建筑HVAC 系统的使用和睡眠模式，以及如何使用这些模式通过自动关闭家中的HVAC 系统来节省能源。由文献突变分析得到的智能建筑早期研究热点与2.4.1节中关键词突变分析结果基本吻合。

2.4.2.2 第二阶段（2020～2022 年）

由突变文献分析可大致分为3 个研究方向：

（1）物联网技术在智能建筑上的集成应用。Minoli D（2017）［31］研究物联网在当今各个行业的应用，其中包括智慧城市、智能电网、智能家居、智能监控、能源优化、 BA 系统等。而 Plageras AP（2018）［32］研究将物联网技术、大数据、云计算、新型传感器有机结合，获取建筑节能建议方案，从而得到绿色智能建筑。

（2）基于数据驱动的建筑能耗预测。 Amasyali K（2018）［33］回顾了开发数据驱动的建筑能耗预测模型研究，重点回顾了预测范围、数据属性和使用的数据预处理方法、用于预测的机器学习算法，以及用于评估的绩效指标。在此回顾的基础上，确定了现有的研究空白，并强调了数据驱动的建筑能耗预测领域未来研究方向。

（3）建筑能源管理技术。为充分发展智能电网，考虑到建筑系统对全球总发电量的消耗占据了重要部分，因此建筑系统与电网系统之间的有效集成和协同运行变得至关重要。 Lawrence TM（2016）［34］提出建筑管理人员必须平衡电网运营商的需求响应，请求与维持建筑运营所需的能源。例如，维持占用建筑物内的热舒适性需要能源，因此需要一种优化的解决方案，来平衡能源使用与室内环境质量（足够的热舒适性、照明等），建筑物及其系统与电网的成功集成还需要可互操作的数据交换。Wei TS（2017）［35］开发了一种数据驱动的方法，使用深度强化学习（DRL）技术，学习操作建筑HVAC 系统的最佳控制策略。 Reynolds J（2018）［36］以英国卡迪夫的一座小型办公楼为研究对象，制定两种优化策略，基于启发式算法的日前优化和基于模型预测控制的日内逐时优化。优化策略成功转移负载与基准策略相比，价格更便宜，能源成本降低约27%。充分挖掘MPC 在建筑能量调节的潜力，是近年来一个重要的研究方法。

2.5 智能建筑发展与不足

自1984 年世界上第一座智能建筑——美国的“都市办公大楼”建成后，智能建筑的发展已经过了将近四十年的历史。时至今日，智能建筑在经历多项现代化技术的更新后，较传统建筑，拥有高效利用建筑面积、自动化程度高、数据可视化、绿色节能、可预测性维护、可实时控制和便捷程度高等优点，极大程度提高了用户的使用体验。以国内最新智能建筑之一的腾讯滨海大厦为例，其已经拥有了高效的能量利用效率，完善的数字化转型基础设施以及智慧化管理平台等多项智能建筑特征，深度融合了云计算、物联网、人工智能、信息安全等前沿技术。然而，目前智能建筑领域发展仍存在瓶颈与不足。以物联网的应用为例，当前物联网的应用场景过于广泛，导致存在碎片化问题，缺乏统一的连接协议和应用协议标准［37］；数据挖掘以及深度学习在智能建筑上的应用存在数据不规范，重量不重质的问题，神经网络属于黑箱结构，工作状态不稳定；智能技术的应用仍然以检查和监测为主，并多采用信号提示的方式与人工进行交互，而缺乏进一步自主的智能应对［38］；同时中国的智能建筑起步较慢，很多核心技术以及产品以国外市场为主流，冒失运用在国内智能建筑的实施可能存在“水土不服”的情况，需进一步推动国产技术的创新。