AI背景之下的建筑节能技术展望

（一）全球变暖和极端天气频发，建筑空调负荷占比创新高，建筑用能系统需加强与能源供给侧的协同以提升城市能源系统韧性

根据世界气象组织报告，2024年是有记录来最热的一年，全球平均气温比工业化前（1850-1900年）平均水平高出约1.55 ℃（±0.13 ℃），其中2015-2024 年是有记录以来的“最热十年”。这造成全球极端天气频发，我国多省电网尖峰负荷和峰谷差也屡创新高，严重冲击了能源保供和电网安全。例如，近 3年浙江省的全社会最大负荷均出现在夏季，对应时刻的最高气温达到了38~40 ℃、建筑空调负荷占比则达到了全社会总用电负荷的33%~37%。

国际能源署（IEA）在《世界能源展望2025》中指出，全球能源体系正面临气候风险加剧与能源安全韧性的双重挑战，急需技术升级、政策协调和国际合作。因此，建筑用能系统将不仅仅是保障室内人员健康舒适、实现节能，作为消费侧更应该积极与能源供给侧协同提升城市能源系统的韧性。

当前，我国正处于新型能源系统建设的关键时期。随着新能源渗透率的不断突破，各省市的24h电力负荷和电价曲线已开始大幅改变，将对未来5~10年我国建筑节能技术路径带来颠覆性影响。例如，长三角某省份2025年1月末一周内，新能源出力最高时刻均处于10:00-17:00之间，最高新能源负荷渗透率（风光出力/（总负荷-储能功率））普遍处于50%~70%，造成本省电力负荷峰值逐步从白天向晚间转移，总体负荷特性呈现“峰值屡创新高、晚峰压力突出、形势复杂多变”的新特征。

目前，该省份已发布分时电价调整方案征求意见稿，白天从7:00-16:00全部是平段（不再有峰段），其中11:00-14:00是低谷段，高峰和尖峰全部发生在16:00-23:00，尖峰电价可达平段的2倍多，深谷电价则仅为平段的20%。这种变化必将引导建筑调整其空调等用能系统、蓄冷热等储能系统的设计以及24h运行策略以适应新的“移峰填谷”。

而对于电力供给侧而言，为应对“峰值屡创新高、晚峰压力突出”等挑战，也亟需加强对建筑空调负荷、储能系统时空特征的跟踪监测及对其调节能力的科学评价，并通过人工智能（AI）技术分析和预测气温、气象和空调负荷变化规律以开展供需匹配的精细化调度。

图1 人工智能应用于建筑性能优化的学术研究情况

图2 人工智能赋能建筑行业低碳转型路径

（1）关键技术1：AI支持的多尺度柔性能源系统构建

在建筑、园区、城市等多尺度柔性能源系统构建过程中，可用的柔性资源主要包括冷热蓄存、电动车储能、电化学储能等，需要人工智能技术支持的任务包括柔性资源潜力评估及柔性系统数据驱动建模、规划（设备选型等）与运行调度智能优化，如图3所示；相关方法工具包括智能优化算法赋能的多目标优化方法、博弈论等运筹优化方法，大语言模型、强化学习、智能体等人工智能技术，以及建筑、园区、城市多尺度实时仿真与控制等数字孪生技术等。

未来该技术方向应重点关注的研究包括：柔性资源的多目标价值（经济/碳减排/可靠性）挖掘、多时间-空间尺度能源柔性建模与解耦、电动车群体行为与交通-能源交互、储能全生命周期优化与退役利用、市场设计与灵活性补偿机制等。

图3 多尺度柔性能源系统的构建思路

随着空间尺度的增大（从建筑单体到园区、城市），柔性能源系统建设和运维涉及的物理要素和数据维度增多而时间尺度缩小、性能指标要求提升，相关技术发展阶段呈现明显梯度，如图4所示。

其中，柔性资源评估对象从电池、蓄冷热系统等单一要素，逐步拓展至电动车群体以及“建-车-网”交互的复杂系统；柔性系统建模从单能量流模型拓展至“供、储、充、用”等多能流耦合模型再到跨时空尺度、跨行业的联合仿真模型；柔性能源系统规划和运行优化，则从最初的“能否预测”逐步深化到长期稳定性预测并具备场景自适应能力，再到基于实时多模态数据的强化学习与决策支持。

图4 多尺度柔性能源系统构建技术发展成熟情况

（2）关键技术2：AI支持的建筑性能模拟与设计优化

自20世纪70年代起，以功能、结构、舒适等性能为导向，AI在建筑智能设计领域的应用不断演化升级（见图5）。从早期的计算性设计（ Computational Design）到生成式设计（Generative Design），AI始终与各时代技术前沿深度融合，其核心目的是为了探索建筑空间与性能的“关联基因”。

技术路线上，AI支持的建筑性能模拟与优化设计历经规则系统、专家系统到感知模型的迭代，从一维的功能拓扑智能设计发展为三维的全空间智能设计，呈现出“系统逐步高效化、指标逐步全面化、功能逐步精细化”的特点。

图5 AI在建筑智能设计领域的应用演变

在人工智能技术的支持下，建筑性能模拟技术的发展历程可归结为多尺度协同、全流程融合、多目标驱动与多要素耦合4个典型特点（见图6）。其中，借助AI强大的仿真模拟能力，建筑使用阶段的控制策略、数字孪生智能化管控等功能和目标要求，开始更多地介入到规划和设计优化阶段，以解决传统各阶段脱节等问题；基于强大的模型预测能力，结合物联网、具身智能等技术，AI可帮助建筑实现实时尺度的健康、低碳、经济等多目标耦合优化调控和管理决策。同时，能源、材料和信息等新技术正在颠覆建筑行业科学研究与工程建设范式，学科交叉融合已成为当前科研发展的重要趋势，并在解决复杂问题方面展现出显著优势，这要求建筑行业借助AI的知识储备与数据处理能力来尽快适应新的挑战。

图6 AI支持的建筑性能模拟技术发展特点

（3）关键技术3：AI支持的新型建筑材料研发

智能化是我国新型建材发展的一个重要方向。当前，传统绿色建材面临成本攀升与性能提升边际效应递减的双重压力，迫切需要向功能化、高性价比及环境自适应方向跃迁，相关研究也已经形成明确的政策导向，例如，科技部在“城镇可持续发展关键技术与装备”重点专项的“绿色建材” “围护系统” 等任务中已前瞻性地部署了高性能建材（包括高效能功能建材、生态型绿色建材、地缘性资源建材等）、建材性能提升、建材信息化、新材料构造（包括超高绝热性能、辐射制冷、气候适应智能可调等材料构造）等研发任务；专门部署了“高端功能与智能材料”领域交叉重点专项。

然而，当前人工智能在新型建材研发全流程中的渗透程度与支撑力仍极为有限。 近年有多篇国际顶刊论文已印证，人工智能具备将材料研发从“实验驱动”推向“数据驱动”的革命性潜力（见图7）。通过深度学习历史数据与高通量结构筛选，人工智能可协助压缩材料设计周期，更能有效提升新型材料的发现效率与研发精准度。

在AI赋能下，近十年全球新材料的增速相当于过去传统材料研发150年的积累，这凸显了人工智能在破解建筑材料行业节能降碳的核心潜力。其以可控成本获取卓越性能，有望推动新型建材从“静态被动”向“动态智能”跨越。

图7 国际新材料的研发历程及AI支持下的新材料研发特点

（4）关键技术４：AI支持的建筑智慧运维

建筑在使用阶段对智能化技术的应用相对普遍，且智能化深度和广度正逐步拓展，正沿着“智能感知-准确预测-精确诊断-优化控制”的全路径向自主智能演进，如图8所示。

其中，多模态传感与数据融合、计算机视觉等技术快速发展，推动建筑内人、环境、能耗等的实时感知装置向低成本、高时空颗粒度、人因化发展，让建筑运维人员和系统对建筑内外实时状态“看得”更清晰；AI通用模型与建筑领域物理模型相结合，大幅提升建筑性能预测的准确性、长期稳定性及场景自适应性；实时感知与性能预测相结合，推动建筑运行故障诊断从规则驱动走向数据与孪生融合，大幅提升诊断智能性与可信度；通用人工智能模型、强化学习、模型预测控制与建筑领域物理模型互补结合，推动建筑运维策略从“运维人员有限经验驱动”的粗放型调控到“全域数据感知与多元模型驱动”的精细化管控，实施模式从基于计算机结构化语言的规则驱动到基于人类自然语言的自主决策驱动。

图8 AI支持的建筑智慧运维路径

当前，在建筑性能智能感知与识别方面，计算机视觉算法、多模态传感融合等技术已相对成熟，机器人、具身智能等移动、主动式感知与识别新技术，可进一步实现建筑全时空、人与环境全覆盖的高频巡检，但目前成本仍较高，且其续航和性能稳定性挑战较大；在建筑运行故障诊断与分析方面，基于规则的专家系统已在常规的建筑智能管理平台中获得广泛应用，数据驱动的机器学习方法也正在逐步得到应用，而数字孪生与机理仿真系统则仍处于探索期，其中最大的挑战来源于如何维持孪生体与物理实体的全要素同步；在建筑性能预测方面，集成模型、时间序列模型等已发展较为成熟，学术界正在探索将物理定律作为约束条件加入到神经网络，以提高模型在极端工况下的泛化能力和鲁棒性；在自主优化与控制方面，新方法层出不穷，如模型预测控制、强化学习及多种控制模式的混合等均处于发展探索期，而以大语言模型智能体作为决策大脑、调动上述模型实现跨系统调控的控制模式，以及如何提升该模式调控能力的灵活性与可扩展性，则是近年的热点攻关方向（见图9）。

图9 AI支持的建筑智慧运维技术发展成熟情况

为应对建筑领域高质量基础数据缺失的挑战，我国住房和城乡建设部正在布局城乡建设领域七大高质量数据集建设，包括房建和市政工程建设项目全生命期数据集、建筑业经济分析及市场监管数据集、城乡建设自然灾害普查数据集、城乡勘察设计大数据集、城乡建设能耗与碳排放大数据集、城乡建设设备部品检测大数据集、城乡建设标准规范大数据集。

在建筑性能提升方面，亟需构建的高质量数据集包括气候数据集、建材数据集、围护结构数据集、负荷预测数据集、设备模型数据集、设备故障诊断数据集、室内环境数据集、城市信息数据集、能源数据集、建筑信息数据集（空间平面、图纸等）、室内人员时空数据集等，需要政府、企业、高校等行业各界的共同推动。

图10   “配置方案-控制策略”双层迭代循环的能源系统优化设计方法

基于上述成果，团队在主持的云南省重点研发计划项目“昆明长水机场改扩建工程能碳双控与环境品质提升关键技术”（202303AA080013）中，为昆明长水机场T2航站楼厂区（年旅客量接近7500万人次）设计了一套基于“大规模光伏（约175ＭＷ）—水蓄能、电动车+充电桩、储能站等多元储能系统—航站楼空调系统柔性运行—水蓄冷柔性调节—电动车柔性调度” 的供-储-用协同的近零碳能源系统，实现场区降碳率68％、光伏本地消纳率92％，达到国家近零碳区域建设标准（见图11）。

该项目作为交通领域过程降碳示范项目（机场）之一，入选了20255年4月28日国家发展改革委发布的《绿色低碳先进技术示范项目清单（第二批）》。

图11 昆明长水机场柔性能源系统运行情况示例

图12 建筑性能优化设计决策问答平台“Moosas”

（2）团队围绕传统空间设计和性能优化缺乏协同、存在脱节、效率低下等难题，提出将性能优化前置于方案设计阶段并与空间设计相融合的优化新思路：

1. 针对空间设计模型不能直接用于能耗模拟的难题，开发了基于模糊、闭合轮廓识别和非凸优化的建筑三维空间模型自动识别转换算法，可快速自动识别复杂形态空间、平面和构件，实现既有三维分析模型从物理模型到性能模拟模型的自动转换，进而能直接连接性能模拟工具，将建筑方案阶段的空间设计与性能优化相融合；

   
   

2. 针对传统采光模拟效率低、设计参数与性能关联复杂、现有采光性能预测模型通用性不足等难题，开发了基于CNN与GAN的室内采光性能高效分析方法，采光预测精准度可达95％；

   
   

3. 通过XGBoost模型预测建筑立面风压并结合CONTAM模型，替代高耗时的传统室外风环境场模拟，可将模拟时长缩减到仅为全模型内外部风环境场模拟的3.9％，换气次数误差可控制在10％以内（见图13）。

   
   

当前，团队正在围绕面向建筑设计与性能分析的通用图数据表示，重点研究建筑空间的图化表征、多源性能数据的统一嵌入及空间—性能耦合的可解释建模问题，旨在借助人工智能方法重新认识建筑空间与性能的“基因”特征。目前，相关研究已在建筑光环境预测中取得阶段性进展，验证了图表示方法的有效性。

图13 方案阶段设计优化相关难题探索

图14 基于模型预测控制（MPC）的建筑空调系统智能控制技术

（1）针对大型园区集中式冷热源设备系统高效调控难度大、节能潜力未充分挖掘等难题，提出了一种基于特定负荷工况、动态确定冷水机组与冷冻水泵最优设定值的方法，利用实际运行数据建立并验证了集中式制冷站内各设备的能耗模型，进而构建优化问题模型、求解不同负荷工况下各设备的最优设定值。团队将该方法应用于阿里杭州园区内某座集中式制冷站后，其整体能耗相较园区现有智能控制策略降低4％，相比于传统人工控制方法可降低15％以上。

（2）针对大型机场航站楼空调负荷动态特性多变及冰蓄冷系统运行优化技术难度大、调控机理复杂等问题，提出了一种结合空调长短期负荷预测模型、能源站物理模型与分布式最优化算法的模型预测控制框架，实现了复杂冰蓄冷系统的精准仿真与动态优化，从而提高能源利用效率、降低运行费用。成果应用于北京大兴国际机场能源站，所研究发的智能调控算法可有效应对气象预报误差和分时电价调整的影响，模拟测算可实现冰蓄冷系统综合运行效率提升8％，制冷季运行费用单月节省近30万元。

图15 建筑HVAC系统需求响应潜力评估框架

同时，针对其中建筑单体因本体性能及使用状况变化带来的差异，提出了一种计及建筑本体、设备特性、人员作息等多源不确定性的“区间-概率”空调负荷需求响应潜力多维评估方法，准确度达到95％，实现高精度强泛化的评估技术突破，并已落地部署至国网公司内网以辅助空调负荷调控决策。

同时，针对传统室内环境传感器固定于墙壁或天花板、难以支撑大空间人员活动区域环境感知与诊断难题，团队研发了集成图像、热成像、环境参数与时空标签多模态数据的建筑室内环境移动感知机器人系统，建立了固定和移动相结合的环境高效智能感知方法，并提出了融合空间-环境-人员多源异构数据的环境问题综合诊断方法（见图16(b)）。

在高频、多点位环境测量数据具备之后，团队进一步基于点位时间序列抽取可解释的物理知识，利用空间分布重建与数据驱动分析（如空间插值重构空间场、 聚类等方法识别典型环境模式），实现从“点测量” 到“场认知”，并以典型模式识别与异常偏离分析相结合的形式支撑运维诊断与运行优化决策，从而推动环境感知从数据采集走向知识发现（见图16(c)）。

成果应用于北京大兴国际机场航站楼、中国院BIM创新楼等多项大型公共建筑室内环境的智慧运维，涵盖交通、办公、展览、教学等多种空间功能，可生成精细化环境场，并对环境问题进行深入诊断。

图16 建筑健康环境和能碳多维数据智能化监测诊断设备与方法

（2）建筑环境营造系统是为人服务的，实时了解人员的时空分布特征能更精准地指导环控系统“按需供给”。同时，建筑行业作为空间营建行业，以图像与空间认知为核心的计算机视觉技术对建筑行业中时空监控、诊断与感知任务有很好的契合度。

为此，团队研发了基于计算机视觉技术的建筑人员时空分布特征识别方法，通过接入机场航站楼内覆盖旅客出行各类型流程（如值机、安检、出发、到达等） 的监控视频，基于图像识别算法实现轻量化、实时的人员时空分布信息提取，识别准确率超过83％，为大型机场航站楼“ 所供为所求” 的需求导向运维奠定基础（见图17）。

图17 基于计算机视觉技术的建筑人员时空分布特征识别

近年来，人工智能（AI）技术加速迭代创新，正在深刻重塑各行业科学研究与工程实践的底层逻辑与范式，不断印证“AI不仅仅是工具的革命，更是革命的工具”的论断。

在建筑行业，AI的应用仍应坚持以问题导向、工程导向为核心原则，超前布局、强化AI在建筑行业垂直细分领域各场景的应用，统筹建筑行业高质量数据集的构建与共享机制，规范构建统一共享的数据环境，探索数据共享协同科研的新范式并争取更多的国际话语权。

未来5~10年内，应尽快推动构建AI赋能的建筑性能跨尺度、跨领域、跨周期、跨目标的一体化模拟框架，重点任务包括AI驱动的建筑-园区-街区-城市跨尺度性能模拟、面向规划-设计-建造-运维全周期的性能预测与反馈优化、节能降碳与健康舒适的协同优化及AI驱动的可再生能源-新型材料-信息技术多物理域融合的性能提升技术体系，最终推动建筑行业性能优化进入可持续发展的新时代。