1、1 低碳智慧建筑技术创新发展白皮书 2024（运行管理篇）Low-Carbon Smart Building Technology Innovation and Development White Paper 2024 (Operation and Management Chapter)2024 年 5 月 1 低碳智慧建筑产业技术创新战略联盟简介 为贯彻党中央关于“碳达峰、碳中和”、“数字中国”的发展战略，以及“十四五”建筑业发展规划、数字经济“十四五”发展规划、数字中国建设整体布局规划等发展规划，积极响应国家关于推动产业技术创新战略联盟构建的指导意见、国家科学技术进步法关于产业技术创新战略

2、联盟的倡议，进一步推动建筑领域“绿色低碳化”与“数字智慧化”两化深度融合，并为低碳智慧建筑产业链相关企业发展提供良好创新合作平台。在中国产业技术创新战略联盟协同发展网的指导下，清华同衡规划设计研究院联合二十余家产业知名科研院所及企事业单位于 2023 年 4 月正式缔约成立了“低碳智慧建筑产业技术创新战略联盟”。联盟的目标是成为低碳智慧建筑产业国家级智库以及国内一流的产业技术协同创新平台。联盟是由致力于推进我国低碳智慧建筑及园区应用技术、标准和软件协调配套发展，实现技术成果的产业化和标准化，提高产业核心竞争力的企业、高校、科研机构和其他机构自愿组成，以企业的发展需求和各方的共同利益为基础，以低

3、碳智慧建筑技术创新为目标，以具有法律约束力的契约为保障，形成的联合研发、优势互补、利益共享、风险共担的国家级技术创新合作组织。1 指导委员会 王清勤、林波荣、李丛笑、李百战、冯国会、朱能、杨建荣、于兵、李楠、狄彦强 编写组成员 李晋秋、徐思婷、刘魁星、窦强、喻伟、张伟荣、应小宇、耿阳、沈启、谭杨 杜晨秋、白一飞、赵雪园、刘哲、王欣、石轶趺、游伟洁、袁灿 主编单位 低碳智慧建筑产业技术创新战略联盟 参编单位 北京清华同衡规划设计研究院有限公司、清华大学、天津大学、博锐尚格科技股份有限公司、北京工业大学、重庆大学、浙大城市学院、阿里云计算有限公司、腾讯云计算（北京）有限责任公司、北京云栋科技有限公

4、司 鸣谢支持 1 合作联系 低碳智慧建筑产业技术创新战略联盟秘书处 版权声明 本研究报告版权属于低碳智慧建筑产业技术创新战略联盟，并受法律保护。转载、摘编或利用其它方式使用本研究报告文字或者观点的，应注明来源。免责申明 本白皮书呈现内容仅供行业参考，报告内容不代表任何出版方意见或建议，主编单位不对任何单位或个人在本白皮书基础上做出的行为承担责任。1 报告摘要 低碳智慧建筑技术创新发展白皮书 2024（运行管理篇）深入探讨了在全球气候变化背景下，建筑行业向低碳化、智慧化转型的必要性和紧迫性。报告指出，低碳智慧建筑结合了低碳建筑和智慧建筑的优势，通过集成先进的信息技术、物联网、自动化控制技术等手段

5、，实现能源的高效利用和减少温室气体排放。报告首先强调了低碳智慧建筑的概念内涵，提出了这一概念在建筑材料选择、设计、施工、运行维护以及拆除再利用的全生命周期中的应用。报告进一步分析了低碳智慧建筑技术在运管阶段的应用现状及挑战，包括数据不准确、能耗管理效果差、智慧运维系统安全性不健全以及技术成熟度不完善等问题。在建筑运维相关标准梳理方面，报告详细介绍了国内外在建筑智能化运维方面的标准和规范，并指出现有标准体系尚不完善，需要进一步完善以适应新的需求和挑战。报告深入探讨了低碳智慧建筑技术创新面临的挑战，包括技术层面的集成与优化、智能化与自动化水平的提升、数据获取与处理、网络安全与隐私保护等问题，以及政

6、策与法规层面的支持与制定、标准规范的完善、碳排放核算与交易机制等挑战。同时，报告也提出了市场与投资层面的问题，如投资回报周期长、市场需求与供给不匹配、融资渠道有限等，并强调了人才培养与交流层面的挑战。报告展望了低碳智慧建筑技术在运管阶段的创新方向，重点讨论了物联网技术、数字孪生技术、数据挖掘技术、能源微网技术以及大模型技术在建筑运维中的应用前景和发展趋势。报告强调了这些技术在提升建筑能效、优化能源管理、增强安全性和提升用户体验方面的潜力。最后，报告提出了一系列发展策略与建议，包括加强政策支持与标准引导、1 深化产学研合作、推广示范工程与应用、培育专业人才与团队等，以促进低碳智慧建筑技术创新和行

7、业健康发展。1 目录 1 引言.1 1.1 报告背景.1 1.2 报告目的.2 2 低碳智慧建筑概述.4 2.1 低碳智慧建筑概念内涵.4 2.2 低碳智慧建筑发展意义.5 3 低碳智慧建筑技术在运管阶段的应用现状及挑战.8 3.1 建筑运维技术应用现状及问题.8 3.1.1 建筑运维技术应用现状.8 3.1.2 建筑运维面临的问题及痛点.9 3.2 建筑运维相关标准梳理.15 3.3 低碳智慧建筑技术创新面临的挑战.20 3.3.1 技术层面的挑战.20 3.3.2 政策与法规层面的挑战.20 3.3.3 市场与投资层面的挑战.21 3.3.4 人才培养与交流层面的挑战.22 4 低碳智慧建

8、筑技术在运管阶段的创新方向.24 4.1 物联网技术.24 1 4.1.1 物联网技术概述.24 4.1.2 物联网技术在建筑运维中的应用.26 4.1.3 物联网技术未来发展方向.31 4.1.4 物联网技术创新发展关键问题及建议.33 4.2 数字孪生技术.35 4.2.1 数字孪生技术概述.35 4.2.2 数字孪生技术在建筑运维中的应用.36 4.2.3 数字孪生技术未来发展方向.38 4.2.4 数字孪生技术创新发展关键问题及建议.40 4.3 数据挖掘技术.44 4.3.1 数据挖掘技术概述.44 4.3.2 数据挖掘技术在建筑运维中的应用.46 4.3.3 数据挖掘技术未来发展方

9、向.51 4.3.4 数据挖掘技术创新发展关键问题及建议.52 4.4 能源微网技术.54 4.4.1 能源微网技术概述.54 4.4.2 能源微网技术在建筑运维中的应用.57 4.4.3 能源微网技术未来发展方向.61 4.4.4 能源微网技术创新发展关键问题及建议.63 1 4.5 大模型技术.65 4.5.1 大模型技术概述.65 4.5.2 大模型技术在建筑运维中的应用.68 4.5.3 大模型技术未来发展方向.73 4.5.4 大模型技术创新发展关键问题及建议.76 5 低碳智慧建筑技术创新发展策略与建议.77 5.1 加强政策支持与标准引导.77 5.2 深化产学研合作.77 5.

10、3 推广示范工程与应用.77 5.4 培育专业人才与团队.78 5.5 加强市场机制和技术创新.78 6 低碳智慧建筑优秀案例.79 6.1 北京微构工场智慧工厂数字化管理平台.79 6.2 Thundercomm 智慧办公项目.84 6.3“光储直柔”建筑示范项目.97 6.4 上海市莘庄科技园区 10 号楼.101 6.5 北京中海安贞门环宇荟、北京中海国际中心.106 6.6 融科资讯中心智慧低碳运维项目.110 6.7 海尔 C02 空气产业大楼绿色低碳能源管理项目.115 1 6.8 利星行中心物业可持续运维项目.125 7 结论.132 7.1 报告总结.132 7.2 展望未来.

11、132 8 参考文献.134 1 1 1 引言 1.1 报告背景 随着全球气候变化问题的日益严峻，低碳化已成为各行各业发展的重要议题，建筑行业作为全球能源消耗和碳排放的主要来源之一，其向低碳化转型的必要性不言而喻。低碳化不仅有助于减少温室气体排放，缓解全球变暖，还能提高能源效率，降低运营成本，对环境和社会的可持续发展具有重要意义。首先，低碳化建筑通过采用高效的建筑材料、设计和施工技术，最大限度地减少能源和资源的消耗。其次，智慧化是实现建筑低碳化的关键技术支撑。智慧建筑通过集成先进的信息技术和自动化系统，实现能源管理的智能化和自动化。智慧化不仅提升了建筑的能源效率，还带来了更高的居住和工作舒适度

12、。通过智能设备和系统的集成，用户可以根据自己的需求定制室内环境，享受更加便捷和舒适的生活体验。同时，智慧建筑还能通过数据分析预测和识别潜在的维护问题，减少故障发生，延长设备寿命，从而降低维护成本。中国城镇化比例的快速上升推动了城市建筑面积的大幅增长。居住建筑以及公共建筑的规模也随之水涨船高，其内部机电设备系统的复杂性、运行模式的多变性都随之增加。在传统人工运维管理模式下，运维的投入成本较高且管理低效，已难以符合当今大规模建筑的运维管理需求。随着传感器技术、计算机技术、物联网技术的迅速发展，将建筑低碳运维与先进的智能化技术深度融合，成为了提升建筑综合运行性能，降低建筑碳排放的关键技术路径。1 2

13、 事实上，中央政府高度重视建筑运维的低碳化与数字化，在 2021 年“十四五”规划和 2035 年远景目标纲要中提出了要“坚持创新驱动发展，全面塑造发展新优势”做出重大部署。提出加快数字化发展，加强数字化在建筑领域的应用、提高数字政府建设质量，提升公共服务、社会治理等数字化智能化水平；李克强总理代表国务院在十三届全国人大四次会议上作政府工作报告提出，要“大力促进科技创新，产业转型升级步伐加快。推动产业数字化智能化改造，战略性新兴产业保持快速发展势头；2024 年国家发展改革委、住房城乡建设部发布 加快推动建筑领域节能降碳工作方案，要求加快推动建筑领域节能降碳，降低碳排放水平，提升建筑领域绿色低

14、碳发展质量；中国科技部与住房和城乡建设部联合发布的“十四五”城镇化与城市发展科技创新专项规划中明确提出要求，“以数字化、智能化技术为基础，开展智能建造与智慧运维基础共性技术和关键核心技术研发与转化应用，促进建筑业与信息产业等业态融合，显著提高建筑工业化、数字化、智能化水平。综上所述，低碳化和智慧化是建筑行业发展的必然趋势。低碳化有助于减少环境影响，智慧化则提高了建筑的能源效率和用户体验。两者相结合，不仅能够响应全球气候变化的挑战，还能推动建筑行业向更加高效、可持续的方向发展。随着相关技术的不断进步和成本的降低，未来的建筑将更加绿色、智能，为人类社会创造更加美好的居住和工作环境。1.2 报告目的

15、 低碳智慧建筑技术创新发展白皮书 2024（运行管理篇）旨在明确阐述低1 3 碳智慧建筑在运行管理领域的创新技术及其对行业未来发展的深远影响。本报告的目的是为了提供一个全面的视角，分析和评估当前低碳智慧建筑运行管理的关键技术、成功案例、面临的挑战以及潜在的解决方案。我们将探讨如何通过集成创新技术，例如物联网、人工智能、大数据分析等，来优化建筑的能源使用效率，减少运营过程中的碳排放，并提升居住和工作环境的质量。此外，报告还将着重讨论低碳智慧建筑运行管理的最佳实践，以及如何通过政策激励、市场机制和技术创新来推动低碳智慧建筑的广泛应用。我们的目标是促进行业内部的知识共享，激发新的思考和讨论，最终实现

16、建筑行业在环境保护、经济效益和社会效益三方面的协调发展。总而言之，通过这份白皮书，我们希望为建筑行业的政策制定者、决策者、技术开发者、运营管理者以及所有推动建筑行业可持续发展的人士，提供一个清晰的指导框架和行动蓝图。1 4 2 低碳智慧建筑概述 2.1 低碳智慧建筑概念内涵 本报告首次明确提出“低碳智慧建筑”这个概念。低碳智慧建筑、低碳建筑和智慧建筑这三个概念虽然在某些方面有所重叠，但它们各自侧重点不同。低碳建筑主要关注的是减少建筑在其生命周期中的碳排放，包括设计、建造和运营阶段；它侧重于使用低碳或可再生材料、提高能源效率、减少能源消耗和温室气体排放；低碳建筑的设计和实施通常遵循特定的绿色节能

17、标准和规范，以确保建筑的环境影响最小化。智慧建筑则侧重于利用先进的信息技术、物联网、人工智能等技术来提高建筑的运营效率和用户体验；它涉及到建筑内部环境的智能监控、管理和优化，如智能照明、温度控制、安全系统等；智慧建筑的目标是通过自动化和数据分析提高能源使用效率，减少浪费，并为用户提供更加舒适和便捷的环境。低碳智慧建筑是低碳建筑和智慧建筑的结合体，它不仅追求减少碳排放，还利用智能化技术来实现这一目标；这种建筑类型在设计和运营中融入了节能降碳的策略，并通过智慧化手段进行能耗监测和管理，以实现精细化的能源管理；低碳智慧建筑还可能包括对建筑用能设施的智能规划、能耗监测系统、楼宇自动控制系统等，以确保在

18、满足舒适度的同时，实现能源的高效利用。总的来说，低碳建筑侧重于环保和能效，智慧建筑侧重于智能化技术的应用，而低碳智慧建筑则是二者的综合，旨在通过数字智慧化手段实现建筑的低碳运行和高效管理。因此，本报告所定义的低碳智慧建筑，是指在建筑设计、建筑材料选择、施工、运行维护以及拆除再利用的全生命周期中，通过集成先进的信息技术、物联1 5 网、自动化控制技术等手段，实现能源的高效利用和减少温室气体排放，以达到节能减排、保护环境、提高居住和工作舒适度的建筑。这种建筑不仅注重减少对环境的影响，还强调提高居住和使用的舒适度，以及提升建筑的整体性能和经济效益。低碳智慧建筑通常涉及到建筑信息模型（BIM）、物联网

19、（IoT）、大数据分析、云计算、人工智能等先进信息技术的应用，以实现能源管理、环境监测、安全监控、设备维护等方面的自动化和优化。2.2 低碳智慧建筑发展意义 大力发展低碳智慧建筑是贯彻党中央关于“碳达峰、碳中和”、“数字中国”的发展战略的重要抓手，是积极响应我国“十四五”建筑业发展规划、数字经济“十四五”发展规划、数字中国建设整体布局规划等重大发展规划的重要举措。是推动我国建筑领域“绿色低碳化”与“数字智慧化”两化深度融合的重要载体。低碳智慧建筑技术本质上也是新质生产力。本报告认为低碳智慧建筑技术与新质生产力的关系主要包括以下几个方面：（1）技术创新与突破 低碳智慧建筑技术是新质生产力中的一个

20、关键组成部分，它代表了建筑行业在技术创新方面的突破。这种技术通过采用高效的能源管理系统、可再生能源利用、智能控制系统等，显著提高了建筑的能源效率和环境友好性。这些技术的应用不仅减少了对传统化石燃料的依赖，还推动了建筑行业的可持续发展。（2）生产要素创新性配置 1 6 低碳智慧建筑技术要求对生产要素进行创新性配置，包括使用新型环保材料、高效的能源设备、智能传感器等。这种配置不仅提高了建筑的能效，还促进了相关产业的发展，如智能设备制造、可再生能源产业等，这些都是新质生产力的重要组成部分。（3）产业深度转型升级 低碳智慧建筑技术的应用推动了建筑行业的深度转型升级。传统的建筑行业向更加智能化、绿色化的

21、方向发展，这不仅提升了建筑质量和居住舒适度，还促进了产业结构的优化和产业链的延伸。（4）全要素生产率提升 通过采用低碳智慧建筑技术，建筑项目可以在设计、施工、运营等各个阶段实现资源的高效利用，减少浪费，从而提升全要素生产率。这种提升不仅体现在经济效益上，还体现在环境效益和社会价值上，符合新质生产力追求高质量、高效能、质优的发展方向。（5）推动新兴产业和未来产业 低碳智慧建筑技术的发展和应用，促进了新兴产业如智能控制系统、大数据分析、云计算等的发展。同时，它也为未来产业的发展提供了技术基础和市场需求，如能源管理服务、环境监测服务等。（6）促进数字经济和实体经济融合 建筑领域绿色低碳技术与数字智慧

22、技术的结合，是数字经济与实体经济深度融合的典型例子。通过物联网、云计算、人工智能等技术，建筑变得更加智能，能够实现能源的精细化管理和优化使用，这不仅提升了建筑的性能，也为数字经1 7 济的发展提供了新的增长点。综上所述，低碳智慧建筑技术是新质生产力发展的重要组成部分，它通过技术创新和生产要素的创新性配置，推动了建筑行业的转型升级，提升了全要素生产率，并为新兴产业和未来产业的发展提供了动力和方向。1 8 3 低碳智慧建筑技术在运管阶段的应用现状及挑战 3.1 建筑运维技术应用现状及问题 3.1.1 建筑运维技术应用现状 信息化与智能化的普及对建筑绿色低碳运维管理提出了更高的要求。建筑运行阶段的智

23、慧运维是建筑全生命周期管理的关键部分，它涉及建筑使用过程中各项设施和系统的维护、管理、优化等工作，旨在提高建筑运行效率、降低运营成本、减少能源消耗，同时保障建筑的舒适、低碳和可持续性。核心在于利用先进的信息技术和智能化手段，对建筑运行数据进行实时采集、分析、处理和优化调控。同时，通过实时监测建筑设施的运行状态，及时发现潜在问题，并采取相应的措施进行预警维修，从而避免故障的发生或降低故障影响建筑运行。总体上，建筑运维涵盖能源管理、设备维护与预警、环境舒适度调控监控、数据分析和系统优化等多个方面。通过这些方面的智慧化管理，提高建筑的运行效率、降低能耗和成本，同时提升使用者的舒适度和安全性。（1）能

24、源管理是现阶段建筑智能化运维的最常见功能。通过安装智能传感器和监控设备，实时监测建筑的能耗数据，包括电力、燃气、水资源等。利用大数据分析技术，对能耗数据进行深度挖掘和处理，找出能耗高峰和潜在节能点，进而制定节能策略和优化措施。例如，根据实时天气和室内人员活动情况，自动调节空调温度和照明亮度，实现能源的高效利用。（2）其次为室内环境监测、照明管理以及空调系统调控。通过实时监1 9 测建筑内的温度、湿度、空气质量、照度等环境参数，自动调节空调、新风设备、照明系统等，为使用者提供舒适、健康的室内环境。同时，还可以根据使用者的反馈和习惯，智能调整环境参数，满足不同人群的需求。（3）再者是建筑监测数据分

25、析与决策。依靠运维系统生成各种报表和可视化图表，帮助管理者全面了解建筑的运行状况、能耗情况、设备状态等。通过 5G、物联网、大数据等科技手段，将设备设施运行信息数字化，通过采集、清洗和分析数据，结合特定算法，形成系列智能运行和维护策略，提高管理效率和质量。同时，还可以预判设备潜在故障，辅助预测性维护、能源审计等高级功能，为管理者提供决策支持。（4）最后涉及建筑设备的维护与预警。通过物联网技术，将建筑内的各种设备与系统连接到统一的运维平台上，实现设备的远程监控、故障诊断和预警。一旦设备出现异常或故障，系统能够及时发现并通知维修人员进行处理，避免设备故障对建筑运行的影响。同时，还可以对设备的运行数

26、据进行分析，预测设备的维护周期和更换时间，实现设备的预防性维护。3.1.2 建筑运维面临的问题及痛点 3.1.2.1 数据采集与管理问题（1）建筑运维管理过程中数据不准确、不及时、不完整 建筑运维管理中存在大量运行、维护、能耗等数据，现行的建筑运维管理缺乏有效的措施和技术手段，一些依然依靠技术人员手工抄写记录，无法及时、完1 10 整和准确的采集这些数据。同时，采集的有限数据由于样本不丰富，不准确和非结构化，不足以支持管理者对设备运行情况进行准确而全面的掌握，无法及时发现设备运行过程中能源浪费、管理不当等问题1。78%的用户反馈系统数据准确率80%，也有 37%的能源管理平台表具投入使用后不再

27、进行任何标定。数据的准确性和低故障率是系统能够长期发挥作用的关键，因此，应加强对系统设备数据监测时效性和准确性的要求2。（2）信息孤岛，难以实现信息高效管理 低碳智慧建筑技术在建筑运维管理过程中，同一设备的信息在不同系统中分散存储，且各个位置存储的信息未建立关联，难以实现信息高效管理。分散的存储方式，既造成管理上的混乱，且信息检索效率低，各类信息之间出现孤岛效应而无法互为所用，影响建筑运维管理的整体工作效率。并且分散存储和管理会加大信息丢失的风险，极易出现信息不完整的现象。导致系统维护成本高。较多项目在运营阶段都找不到齐全的设计资料和产品样本，造成设计建造与运营脱节，严重影响建造运维管理的工作

28、效率和质量7。（3）数据未有效利用 现阶段多数智能化系统有数据记录功能，但无自动分析功能，运维管理人员对专业数据的处理能力有限，大量极具价值的运行数据无法有效用于指导运行，造成运行数据的严重浪费5。3.1.2.2 能耗监管与节能效果问题（1）能耗、碳排放管理功能缺失，自动分析功能有待完善 1 11 能耗定额、碳排放管理是节能降碳的重要关注点，自动分析功能是帮助建筑能源管理平台使用者实现异常数据报警、能耗预测、提供节能策略和自动出具数据报表的重要决策辅助工具。现阶段，仍有 64%的能源管理平台不具备能耗定额管理功能,75%的能源管理平台不具备碳排放管理功能。随着 AI 算法的快速发展，基于既有数

29、据进行能耗预测、节能诊断等的功能还有待加强2。（2）建筑能耗管理办法简单、效果差 能源管理是建筑低碳运行管理的重要工作之一，直接影响到运行成本的高低。其中能耗管理系统也是应用最广的功能系统类型，在智能化运维平台具备的供能系统类型中应用比例达到 97%3。但目前由于数据采集的完整度与及时性不高，导致只能基于低质量的数据制定节能措施，效果不甚理想。同时，虽然有些设施设备具备电动控制和远程控制功能，但是单一的系统因为物联和彼此接口协议的限制，数据没有完全打通，只能保证单体设备的运行工况，并非为适应于整体项目的最佳运行方案1。（3）智能化系统点位监控不完善，且准确率低 目前建筑智能化系统点位监测不完全

30、，点位数据准确率低，计量系统不完善。以暖通空调自控系统为例，调研结果表明，平台的数据点位准确率低，且仅有 50%左右的点位参与到系统的日常运维。监控点位数据反映平台的运行情况，也为系统对设备控制和优化运行提供相关参数。基础数据缺失或者错误导致系统无法按照设计目标正常运行，还可能会提高系统或设备故障的风险4。1 12 3.1.2.3 系统安全性与运维水平问题（1）智慧运维系统安全性不健全、运维水平不高 智慧运维系统在应用于建筑运行阶段时，由于系统在于设备联通、监管、控制等方面的复杂性，会面临物理安全、控制网络安全、信息网络安全等一系列系统安全问题。现阶段的大部分运维系统在包括系统维护、网络安全防

31、范、信息加密等工作上都比较薄弱，对于系统正常运作、信息网络安全运行等都存在一定隐患。而且据相关研究结果显示，目前运维管理人员仅理解 50%左右的智能化平台点位含义由于知识水平有限，不同人员对系统理解不同，导致系统运维效果不高。（2）系统分散，难以实现系统智能联动，人工成本和系统维护成本高 低碳智慧建筑技术在运维方面涉及的系统种类繁多，如楼控、冷站群控、能源管理、工单管理、租赁管理等，每个管理系统都需要单独的专业物业人员来管理，并各系统都是相对独立，难以系统智能联动，使管理时效性低，人员成本越来越高，且难以实现系统智能联动。在建筑智能化应用现状调研白皮书中显示，超过 50%的集成商认为建筑所有者

32、希望智能化系统能够减少日常运维工作量提升可靠性、提高管理水平4。（3）智能化最新技术未得到应用 根据公共建筑智能化运维平台应用现状调研结果显示，36 个项目中目前仅有 17%的统计项目结合了人工智能技术的应用，60%的统计项目中未有人工智能技术应用，另有 26%的受访者不清楚平台的人工智能技术应用情况。可见，现阶段人工智能技术在智能化运维平台中的应用较为局限，人工智能、大数据、1 13 BIM 等新技术与现阶段智能化系统融合性较低，新技术未能发挥作用3。3.1.2.4 技术成熟度与培训问题 （1）不同设备或系统集成稳定性差 当不同子系统或设备采用不同通讯协议参与集成时，各子系统还需进行不同的参

33、数设置或配置，该项工作对集成人员专业能力要求较高。集成完成后，受到网络条件、各子系统自身运行情况影响，集成后的系统稳定性无法保障4。（2）系统故障率较高 约有 44%的系统运行不到 1 年时间便发生软件或硬件故障。系统高频次故障，增加运维管理人员工作量的同时降低运维人员对系统的信任度，长此以往，系统使用率会逐渐降低，如果运维管理保障不到位，系统很可能被弃用，造成资金、人员和时间投入的浪费，对智能化系统发展产生消极影响。现阶段建筑能源管理系统使用两年内故障发生率约为 65%，一年内发生故障的比例约为 44%，故障率高且频繁降低了平台的可靠性同时也增加了运维费用2。（3）培训深度不足 智能建筑通过

34、传感器、监控设备等获取大量数据，如何有效管理和分析这些数据，并确保数据的安全性和隐私保护是一个挑战；低碳智慧建筑的设备复杂度较高，需要专业的运维团队进行管理和维护，这对建筑管理人员的技术水平和专业知识提出了更高的要求。在针对 36 个应用智能化运维平台的公共建筑项目的问卷调研中显示，虽然有 86%的受访者在问卷中回答自己曾接受过关于智能化运维平台的管理使用培训，然而缺少自动化控制操作经验的比例却仍然高达1 14 36%，表明目前许多项目中的平台使用培训工作仍然存在缺失，未能达到预期效果3。同时智能建筑的建设和升级成本较高，建设初期需要大量资金投入，对投资回报周期和运营成本产生影响。3.1.2.

35、5 系统集成与稳定性问题（1）智能化系统总体集成程度不高 为了打破子系统相互独立，信息孤岛的问题，建筑智能化子系统通过数据接口或者通讯协议集成，通过数据交互实现多系统协同工作，保障智能化系统的高效、节能和安全6。各子系统并行并基于通讯协议的集成是目前采用较多的集成方式。建筑智能化应用现状调研白皮书中显示，在建筑智能化产品集成商、运维管理人员和建筑用户所反馈的 1068 份问卷中，由于对智能化系统集成概念的认知不同，建筑运维人员和集成商反馈的建筑智能化子系统集成程度有所不同但总体趋势较为一致，现阶段建筑智能化系统约有 30%左右实现集成，智能化系统总体集成程度不高4。（2）系统配置难度大，调试周

36、期长 在传统集中式智能化系统构架下，控制器和底层设备无标准化点位连接关系。对于不同系统需要工作人员现场根据项目点位对应部署，部署和调试难度大，大型系统安装和调试周期长达 46 个月。同时，施工现场条件环境较差，施工工期紧张，导致弱电系统安装和调试质量无法保障。智能化系统投入使用后，一旦系统或者设备出现问题或故障，建设方需要重新布线和调试，时间和人员成本投入较高，技术门槛高4。1 15 （3）建筑用户参与度低 现建筑智能化系统仅供专业人员使用，无普通用户交互接口，作为建筑的实际使用者，普通用户无法参与到整个建筑的运维过程中来7。3.2 建筑运维相关标准梳理 国际层面，ISO 19650 是国际标

37、准化组织（ISO）发布的建筑信息模型管理标准，涵盖了信息交换、协作和运营阶段的管理要求和指南，为全球范围内的建筑运维提供了统一的指导和标准。此外，ISO 55000 系列、ASHRAE 180 建筑运维手册、CIBSE（英国建筑服务工程师学会）发布的 TM31 建筑运维管理指南、NFPA（美国国家消防协会）NFPAP70B 电气设备维护标准等对于建筑不同方面的运维提出了具体要求。国家标准及行业标准层面，为实现建筑智能化系统的有效运行，住建部陆续发布了行业标准建筑智能化系统运行维护技术规范JGJ/T 417-2017 和绿色建筑运行维护技术规范JGJ/T 417-2017，为保障建筑智能化系统安

38、全、可靠高效运行，以及规范系统运维服务管理等提供了可借鉴实施的规范和标准。此外，针对一些具体环节和具体建筑，国家、行业层面也相继发布了一系列运维相关标准。例如，为保证建筑设备监控系统经济合理、安全适用、稳定可靠，同时提高公众健康、设备安全和建筑节能，发布了建筑设备监控系统工程技术规范JGJT334-2014。而空调通风系统运行管理标准GB 50365-2019 重点针对建筑空调系统的常规运行管理，以及在发生与空调通风相关的突发性事件时提出的运行管理措施，旨在贯彻节能、卫生、安全和经济适用原则，保障系统合1 16 理运行，节能运行能耗。建设工程信息模型运维规范GB/T 50308-2014 主要

39、指导 BIM 在建筑、结构和给排水等方面的设计、施工、运维等建筑全过程工作，涵盖了运维数据管理、运维模型维护、运维信息交互等方面，为建筑运维的信息化、智能化管理提供了重要依据。建筑节能工程施工质量验收标准 GB 50411-2019 则是重点针对施工环节中的节能工程的技术文件、围护结构现场实测以及不同分项节能工程的验收标准等等提出具体要求，是践行绿色建筑节能的必要措施。医院建筑运行维护技术标准 GB/T 51454-2023 作为最近发布的专门针对医院建筑的运行维护标准，详细规定了医院建筑在运维过程中的技术要求，以确保其安全、高效、可靠地运行。团体标准层面，如近零能耗建筑测评标准T/CABEE

40、 003-2019、居住建筑节能工程墙体施工质量验收规程T/CASME 1308-2024、屋顶分布式光伏运维技术规范 T/QGCML 2887-2023、既有建筑运维期结构安全评价标准T/CECS 1436-2023、工业建筑太阳能光伏系统评价标准 T/CECS 1431-2023、绿色建筑检测技术规程 T/ZZXJX 302-2023、建筑光储直柔系统评价标准T/CABEE 055-2023医院绿色低碳用能技术标准、T/CABEE 049-2023、建筑绿色运营技术规程T/CABEE 046-2023、建筑工程绿色施工技术标准T/CPPC 1075-2024，在不同层面、不同阶段也涉及了一

41、些关于建筑相关的运维管理条文，但相对较少，并不具有特别针对性。随着全球气候变化问题日益严重，低碳建筑智慧运维的未来发展将紧密围绕节能减排、提高能效和智能化管理展开。建筑运行阶段的智慧运维是建筑信息化和智能化发展的重要方向之一，可以为建筑的可持续发展和高效运营提供有力支1 17 持。目前已经发布的标准为建筑运维提供了一定指导，也促进了建筑行业的规范化发展。实际应用中，应遵循标准规范，并结合具体情况灵活应用，以确保建筑设施的安全、高效和可靠运行。同时，随着技术的不断进步和行业的发展，这些标准也会不断更新和完善，以适应新的需求和挑战。总体上，我国的建筑标准体系，无论是国家标准、行业标准，还是地方标准

42、、团体标准等，主要围绕建筑设计、施工、评价展开，单独针对或者涉及建筑运行阶段的运维管理的相关标准还较少，更缺少指导建筑智能化运维与人工智能技术结合的相关标准规范，整体标准体系尚不完善。此外，随着建筑智能化的理念和技术的迅速发展，建筑运维的可视化和自动化逐步实现，通过智慧化、数字化手段对建筑数据进行分析，助力建筑高效、节能运行，已成为智慧建筑的主要发展方向。但是目前建筑数据获取覆盖不全面、精度不足、数据采集方式不到位、数据处理方法不规范等问题导致智慧运维手段与绿色建筑无法较好结合，对绿色建筑落地性能的表现也难以进行评价。随着政策和市场的推动，低碳建筑和智慧运维的发展将得到进一步加速，政府也将出台

43、更多支持绿色建筑和节能减碳的政策措施，同时市场也将逐渐认识到建筑智慧运维的价值和潜力，推动相关技术和产业的快速发展。因此，建立立足国内需求、兼顾国际体系的低碳建筑智慧运维标准体系有助于明确下一步标准化工作的重点方向，指导关键性标准的研制，保障和提高标准编制、修订的科学性、前瞻性，促进标准的创新发展与国际化，推动我国标准上升成为国际标准，同时为我国智慧建筑开发建设和运营管理的顶层设计和发展思路提供参考，提升标准对建筑智慧运行管理的支撑作用，为建筑行业的绿色转型和可持续发展做出重要1 18 贡献。1 19 1 20 3.3 低碳智慧建筑技术创新面临的挑战 3.3.1 技术层面的挑战（1）节能降碳技

44、术的集成与优化：低碳智慧建筑需要集成多种节能技术，如高效能源系统、智能控制系统、可再生能源利用等。这些技术的集成和优化是一个复杂的过程，需要解决不同技术之间的兼容性和协同工作问题。（2）智能化与自动化水平的提升：低碳智慧建筑依赖于高度的自动化和智能化系统，这些系统需要不断更新以适应新的技术发展。同时，智能化系统的安全性和可靠性也是技术发展中需要重点关注的问题。（3）系统集成与兼容性：由于缺乏统一标准，不同厂家的硬件设备、软件平台之间存在兼容性问题，给智能化系统的集成带来了困难，影响了数据融合和协同优化。（4）数据获取与处理：低碳智慧建筑运维需要大量多源异构的数据支撑，如何高效地采集和整合各类数

45、据，并通过大数据分析挖掘有价值的信息，是一项技术难题。（5）网络安全与隐私保护：低碳智慧建筑涉及大量个人信息和运营数据，网络安全和隐私保护都是重大挑战。3.3.2 政策与法规层面的挑战（1）政策支持与法规制定：低碳智慧建筑的发展需要政府的政策支1 21 持和法规引导。目前，相关政策和法规尚不完善，需要制定更多激励措施和标准规范来推动行业发展。现有法律法规对建筑运维中的数据权属、隐私保护等问题缺乏明确规定，制约了技术创新。（2）标准规范健全性：目前还缺乏完善的低碳智慧建筑运行管理相关的国家和行业标准，不利于技术推广和产业发展。（3）碳排放核算与交易机制：建立合理的碳排放核算和交易机制对于低碳智慧

46、建筑的推广至关重要。这需要政府、企业和第三方机构共同努力，建立透明、公正的碳市场。（4）绿色金融与税收优惠政策：低碳智慧建筑项目通常需要较大的初期投资，政府需要提供绿色金融支持和税收优惠政策，以降低企业的财务压力。3.3.3 市场与投资层面的挑战（1）投资回报周期长：低碳智慧建筑项目往往需要较长的投资回报周期，这对投资者来说是一个挑战。如何平衡短期利益和长期可持续发展，是市场投资需要解决的问题。（2）市场需求与供给不匹配：虽然低碳智慧建筑的理念逐渐被市场接受，但实际需求与供给之间仍存在差距。如何提高市场认知度和接受度，是推动行业发展的关键。（3）融资渠道有限：低碳智慧建筑项目往往需要大量的资金

47、投入，而现有的融资渠道有限，如何拓宽融资渠道，降低融资成本，是行业发展面1 22 临的挑战。（4）商业模式单一：当前低碳智慧建筑运维主要采取增值服务模式，缺乏多元化商业模式探索，制约了市场规模扩张。3.3.4 人才培养与交流层面的挑战（1）复合型人才短缺：低碳智慧建筑领域需要跨学科的专业人才，包括建筑学、环境工程、信息技术等多个领域的专家。目前，这类人才相对短缺，需要通过教育和培训来培养。（2）学科交叉与产学研协同度低：跨学科交流互鉴不足，缺乏产学研用相结合的协同创新机制。（3）国际交流与合作：低碳智慧建筑的技术和理念在国际上已有较为成熟的实践，中国需要加强与国际先进水平的交流与合作，引进和吸

48、收国外的经验。（4）行业标准与认证体系：建立和完善人才培养行业标准与认证体系，对于提升人才的专业水平和行业整体质量具有重要意义，目前这方面的工作亟待加强。综上所述，低碳智慧建筑技术创新面临着技术层面、政策与法规层面、市场与投资层面、人才培养与交流层面等多方面的挑战。要解决这些挑战，需要政府、企业、高校和研究机构等多方合作，共同推动低碳智慧建筑的发展。政府应加大对低碳智慧建筑的政策支持力度，制定相应的法规和标准，提供资金支持和税收优惠等激励措施。企业应加强技术研发和创新，积极应用新的科技成果，提高建1 23 筑的智能化水平和运行效率。高校和研究机构应加强人才培养和交流，提供专业人才和技能人才支持

49、，促进建筑行业的可持续发展。同时，还需要加强市场推广和宣传，提高公众对低碳智慧建筑的认识和接受度，激发市场需求，推动建筑行业的转型升级。1 24 4 低碳智慧建筑技术在运管阶段的创新方向 4.1 物联网技术 4.1.1 物联网技术概述 物联网（Internet of Things，IoT）技术发展起源于 20 世纪末。其最早于1999 年由美国麻省理工学院（MIT）Auto-ID 实验室的 Kevin Ashtion 教授在移动计算和网络国际会议上正式提出，被称为是第四次工业革命的催化剂，同时掀起了第四次信息化、智能化的产业链浪潮。进入 21 世纪初，物联网的概念随着传感器技术、无线通讯技术、

50、边缘计算和云计算等关键技术的发展而逐渐成熟，并开始广泛应用于各个领域。根据市场分析机构 IoT Analytics 的统计，2023 年年底全球联网 IoT 设备数量是 167 亿个终端。狭义上讲，物联网是在互联网的基础上，通过射频识别（RFID)、智能定位、智能传感器等信息传感采集设备，按照约定的协议，通过信息采集、传递、智能处理把客观世界的物体参数与互联网进行无缝连接和信息交换，来实现信息网络对物体的智能化识别、定位、跟踪、监控和管理的网络技术8。广义上讲，物联网是通过有线或无线网络通讯方式，以物质世界的数据采集、信息处理和反馈应用为主要任务，以网络为信息传递载体，实现人与物（C2M）、人

51、与人（C2C）、物与物（M2M）间的信息交互、提供信息服务的智能网络信息系统。1 25 图 4-1 物联网技术架构图 物联网技术架构通常分为四层：感知层、网络层、平台层和应用层。感知层是物联网系统的基础，主要由各类传感器和执行器组成。传感器负责收集环境或物体的信息，如温度、湿度、位置等，而执行器则根据指令执行相应的动作，如开关设备。感知层的关键在于传感器技术的发展，它直接影响到数据采集的准确性和效率9；网络层负责将感知层收集到的信息传输到平台层，涉及到无线通讯技术，如 Wi-Fi、蓝牙、ZigBee、LoRa 等，它们使得设备能够在不同的环境和距离下进行稳定、高效的数据传输10；平台层也可称为

52、处理层或服务层，它对收集到的数据进行处理和分析，边缘计算在这一层扮演着重要角色，它可以在数据产生的源头进行初步的数据处理，减少数据传输的负担，提高响应速度，并增强数据的安全性11；应用层是物联网系统的最终目标，它根据平台层处理后的数据为用户提供具体的服务，例如智慧能源管理、设备运行自动化等12。1 26 上述物联网系统架构体现了物联网的三个重要特征，即有效感知、可靠传递与智能处理，其中智能处理的特征是指通过云计算、大数据云、蜂窝移动网络、移动技术、边缘计算、边缘云（MEC）、多种接入技术等智能计算技术与应用手段，对网络云中的各种大数据做以分析和智能化成像处理，来实现物体属性的智慧化管理和自动化

53、控制。结合上述对于物联网系统和性质特征的描述，可以将物联网技术体系分为如图 4-2 所示四大角度进行认识。图 4-2 物联网技术内涵 物联网技术作为信息时代的重要里程碑，标志着从传统互联网向万物互联的演进。其发展不仅推动了信息技术的进步，也为社会经济的发展带来了深远的影响。在低碳智慧建筑运管领域，物联网技术也发挥着无可替代的核心作用。4.1.2 物联网技术在建筑运维中的应用 在建筑低碳智慧运维场景下，物联网技术的应用已成为提升建筑能效和运维管理水平的关键。物联网技术通过其在数据采集、传输以及设备远程控制的能力，为建筑智慧运维管理和智能算法的实施提供了坚实的技术1 27 基础和数据支持。并进一步

54、助力建筑能耗分析、环境监控、节能诊断、故障预警、优化控制等低碳运维手段的落地实现。物联网技术的核心应用之一是实现低门槛低成本的数据采集和传输，这为建筑运维管理带来了全新的可能性。传统的建筑数据采集往往是通过施工布线铺设传感器、人工巡查记录、人工读取仪表数据、人工填写维护日志等方式实现，依赖于人力且成本较高，同时存在数据质量低、采集频率低、数据实时性差、数据价值低等问题。而如今，通过在建筑中的各个子系统如照明、暖通空调、安防系统装设物联网传感器，物联网技术可实现大规模高精度的数据采集和传输，显著降低了数据获取成本，建筑数据也呈现指数性的增加。根据国际能源署（IEA）的报告，通过物联网技术，建筑能

55、耗监测的准确性可以提高 30%以上，同时数据采集的成本可以降低约 20%。通过部署在建筑各个关键位置的传感器，能够获取的建筑数据主要可以分为三大类：包括室内温度、湿度、二氧化碳浓度等的室内环境参数；包括冷冻水温度、送风温度、水阀开度等的建筑设备运行参数，尤其是中央空调系统；包括用水、用电、用冷、用热等的能源系统数据。这些数据通过无线传输网络发送到智慧运维平台进行存储和分析，实现对建筑运行状态的全面监控，为建筑运维决策提供实时、准确的数据支持。物联网技术在建筑运管场景中的另一大基础应用是通过传感器、执行器、通信网络和智慧运维平台的协同工作，实现对建筑内设备的精确、实时的远程控制。待控制的设备，如

56、照明设备、空调设备等会与传感器和执行器相连，并通过网络接入物联网系统中，连接到智慧运维平台系统。运1 28 维平台可以发送开关控制、参数调整、状态查询等指令到目标设备，目标设备的控制单元接收到指令后进行解析、识别并执行对应的操作，例如打开或关闭设备、调整参数设置、启动或停止运行等。目标设备执行完指令后，可以通过物联网平台或者通信协议将执行结果反馈给运维人员，以确保操作的完成和结果的准确性。同时，设备的状态信息也会被更新到物联网平台上，为后续的监测和管理提供支持。通过远程控制，可以实时调节照明系统的亮度，或者根据室内外温度变化自动调节空调系统的运行模式，从而实现能源的有效利用和环境的智能控制。图

57、 4-3 物联网远程控制系统简图 基于上述两大应用的实现，物联网技术为建筑低碳运行管理的智能化、1 29 高效化提供了坚实的数据支撑和技术支撑。首先，物联网系统通过实时监测建筑内部各种环境参数和设备状态数据，为建筑智慧运维提供了数据基础。通过数据分析方法对这些数据进行深入挖掘，发现建筑运行的规律和潜在问题。如文献13中通过分析历史能耗数据，可以识别出能耗模式，进而为能源管理提供决策支持。同时，监测设备的运行状态数据，可以帮助建筑管理人员预测设备的寿命和维护周期，实现设备的预防性维护，提高设备的可靠性和稳定性14。其次，通过对建筑能耗数据的分析和比对可以识别建筑能耗的异常情况，找出能源浪费的原因

58、和来源。例如，发现某个区域或设备的能耗异常高，可以进一步分析该区域或设备的运行情况，找出存在的问题并提出相应的优化措施，以降低能耗成本，提高能源利用效率。在设备运行优化方面，得益于物联网技术的应用，基于数据驱动的设备运行优化策略或者智能算法模型得以落地实现。基于设备历史运行数据可以构建设备数学模型，通过机器学习或人工智能算法得到设备的运行优化策略，调整设备运行参数，从而提高设备的运行效率，降低能耗。例如基于中央空调系统的历史运行数据构建系统模型，通过优化算法寻找不同室内室外环境条件下空调系统的最佳运行模式，增强舒适度的同时提高能效比。同时，利用物联网系统实现对设备的远程控制，建筑管理人员可以随

59、时随地对设备进行调节和控制，实现设备的智能化管理，提高建筑运维的效率和便利性。1 30 图 4-4 建筑智慧运维平台架构简图 在既有建筑的自动化、智慧化节能改造项目中，物联网技术的应用同样具有重要意义。“十四五”建筑节能与绿色建筑发展规划中提到，到 2025年，我国计划完成既有建筑节能改造面积 3.5 亿平方米以上，建设超低能耗、近零能耗建筑 0.5 亿平方米以上。在既有建筑节能改造项目中，物联网技术相较于传统建筑改造技术能够极大降低改造的施工成本，同时构建的楼控系统更加灵活，且具备可调节、可迭代的特点。通过无线传感器和控制器的部署，可以快速实现建筑的智能化升级。改造过程能做到不拆改的同时，还

60、为建筑的长期运维提供了持续的技术支持。结合智慧运维后台对建筑数据的分析可以进行自动策略调优，实现能耗系统节能。以广州某改造项目为例，2022 年经改造后，项目建筑的年节能率达到 28.6%，全年实现节省电量约 50.6 万千瓦时，节省电费约 38.88 万元，实现二氧化碳减排 500 吨以上15。1 31 综合来看，物联网技术的应用为低碳智慧建筑运行管理带来了极大的积极影响。通过物联网技术实现的数据采集、传输和设备远程控制，大大提升了建筑运维的智能化水平和管理效率。基于物联网系统获取的大量数据，建筑管理人员可以进行能耗分析、环境监控、节能诊断、故障预警和优化控制等一系列低碳运维手段，为建筑的可

61、持续发展和环保目标的实现提供了重要支持。因此，物联网技术的创新发展在建筑行业的未来发展中具有重要意义，将持续推动建筑智慧运维向着更加智能、高效、低碳的方向迈进。4.1.3 物联网技术未来发展方向 在未来的低碳智慧建筑运维领域，物联网技术将迎来更加深刻的创新发展，从多个方面推动着行业向着智能化、高效化方向迈进。以下将从几个关键方向展开，探讨物联网技术在建筑智慧运维中的未来创新发展方向。（1）与人工智能（AI）、边缘计算等智能技术的深度融合 AIoT（AI-enabled IoT）是指在物联网设备中嵌入 AI 技术，使得设备不仅能够收集数据，还能够进行自主学习和决策。在建筑智慧运维中，AIoT 技

62、术发展可以使建筑设备具备自我优化的能力，根据实时数据和环境变化自动调整运行参数。更重要的是，AIoT 技术还提供了可解释性，即设备的决策过程和结果可以被运维人员理解和验证，这有助于提高运维决策的透明度和可信度。随着 5G、边缘计算、数字孪生、产业元宇宙等新技术的推动和应用，AIoT 正在进入一个崭新发展阶段。1 32 （2）基于场景需求反向推动物联网设备性能的提升 物联网技术的应用场景将不再局限于传统的数据采集和监控，而是根据运维需求或待实现算法的需求，反向对物联网系统设备进行设计和集成。这意味着未来的物联网设备将更加智能化、模块化，能够根据不同的应用场景进行快速适配和性能提升。例如，针对特定

63、能耗优化算法的需求，可以设计出更为高效的传感器和控制器，以实现算法的快速落地和效果验证。（3）多模态数据融合与跨平台互联 未来物联网技术将更加注重多模态数据的融合与处理，实现不同类型数据的跨平台互联。例如，将建筑运行数据与气象数据、交通数据等外部数据进行融合，实现更全面、准确的建筑环境分析和运行管理。同时，实现不同物联网平台的互联互通，提高系统的整体效能和智能性。（4）嵌入式技术的发展将为物联网和建筑运维注入新的动力 嵌入式领域正经历一场深刻的变革，开发者正在利用安全且性能增强的技术实现小型低功耗嵌入式系统的开发，连接设备正逐渐演变为可根据所收集的数据自行做出决策的系统。相较于在物联网网关或云

64、端进行数据处理而言，在更接近采集源之处完成数据处理的方式，将有望加快决策速度、减少延迟、解决数据隐私问题、降低成本并提高能效。2023 年十一月，ARM（Advanced RISC Machines）推出了第三款采用 Helium 技术的 CPUCortex-M52，这是一款专为 AIoT 应用而设计的处理器，可为小型低功耗嵌入式设备的 DSP 和 ML 应用带来显著的性能提升，无需专用 NPU 即可在端点中部署更多计算密集型 ML 推理算法。边缘的潜能1 33 正在逐步被发掘。当前对提升微控制器性能的需求还在不断增长，在正确技术的加持下，开发者可以重新构想边缘和端侧设备，并在性能、成本、能效

65、与隐私等这些受限设备中的关键要素之间取得适当平衡，让未来的嵌入式开发实现 AI 计算的应用，为物联网技术进步注入腾飞动力。综上所述，在低碳建筑智慧运维领域，物联网技术的未来发展呈现出多个关键方向的创新趋势。这些创新趋势不仅预示着技术进步的深远影响，而且对于实现建筑行业的可持续发展具有重大意义。其不仅是技术层面的突破，更是推动建筑行业向低碳、环保、高效发展的重要动力。4.1.4 物联网技术创新发展关键问题及建议 随着物联网技术的快速发展和广泛应用，建筑行业正逐渐迈向智慧化和高效化的运维管理模式。然而，在物联网技术创新发展的过程中，我们也面临着一些关键问题需要解决和应对。（1）数据安全性问题 随着

66、物联网设备数量的增加和数据规模的扩大，数据安全性问题日益突出。数据可能会被黑客攻击、恶意篡改或窃取，给个人隐私和企业机密带来潜在风险。对此，应强化物联网系统的安全保护措施，采用端到端的加密通信、安全认证和访问控制机制。定期进行安全漏洞扫描和漏洞修补，提高系统的抗攻击能力。（2）物联网设备管理及优化问题 随着建筑中的物联网设备数量的逐渐增加，如何有效管理物联网设备1 34 和智能分析设备用能行为成为建筑未来亟待解决的问题。物联网设备的管理和优化需要面临设备数量庞大、异构性强、分布广泛等挑战。设备可能存在运行异常、效率低下或资源浪费等问题，需要及时发现和解决。对此，建立完善的物联网设备管理平台，实

67、现对设备的远程监控、故障诊断和维护管理。采用智能算法和数据分析技术，实现对设备的预测性维护和运行优化，提高设备的可靠性和效率。同时，推广设备自主诊断和自动修复功能，减少人工干预，提高管理效率。（3）及时关注物联网技术的前沿发展情况并与建筑运行管理应用场景结合 物联网技术在不断发展和演进，涌现出了许多新的技术和应用场景。作为技术应用与集成方，及时关注并将最新的物联网技术与建筑运行管理应用场景结合具有重要意义。对此应建立定期更新的物联网技术研究与应用评估机制，密切关注物联网技术的最新进展和趋势。通过组织行业交流和研讨会、开展技术培训和学习，及时了解并吸收最新的物联网技术成果。同时，加强与物联网技术

68、供应商和研究机构的合作，开展联合研究和项目合作，将最新的技术应用到建筑运行管理场景中，推动物联网技术在该领域的创新应用和发展。综上所述，物联网技术在建筑智慧运维领域的创新发展中，面临着数据安全性、设备管理优化以及与应用场景结合等关键问题。通过加强安全保护、优化设备管理、及时关注最新技术发展并结合建筑运行管理实际需求，我们可以有效地应对这些挑战，推动物联网技术在建筑运管行业的应1 35 用与发展，为建筑智慧运维的进一步提升和改善提供有力支持。4.2 数字孪生技术 4.2.1 数字孪生技术概述 在当今这个快速发展的科技时代，随着使用需求的提升，建筑日渐出现复杂化、智能化的趋势。为了缓解传统建筑运维

69、方式存在效率地下、反应滞后、维护成本高等问题，数字孪生技术作为数字化创新的一个重要方面，在建筑运维阶段的应用逐渐受到关注，以期获得更高效、智能和可持续的解决方案。数字孪生技术基于精细的物理模型、依靠传感器的实时更新，同时还集成了丰富的历史和实时数据，构建一个与真实建筑相对应的虚拟模型，为我们提供了一个观察、理解和模拟现实世界的全新视角。这个虚拟模型不仅可以模拟建筑物的运行状态，还可以对建筑物的性能进行实时监测、预测和优化。数字孪生通常包括物理实体、数字模型和数据映射。物理实体，顾名思义，是指代现实世界中的实体，例如机器、设备、工厂等。数字模型则是通过物理模型定义，对物理实体在虚拟的数字世界中进

70、行复刻的复制品。而数据映射则指代讲现实世界中的物理实体数据与数字模型相互关联，以保持模型的准确性和实时性。数字孪生技术可以在虚拟空间中完成映射，反应相对应的实体的全生命周期，实现虚拟对象和现实对象之间的交互映射。目前数字孪生技术已经在电力设备模拟、优化制造工艺流程、以及智慧城市领域有广泛的应用。具体在建筑行业，数字孪生技术也有相对广泛的应用，有助于提高建筑运维的效率和质量。1 36 图 4-5 数字孪生技术建筑运维应用图 4.2.2 数字孪生技术在建筑运维中的应用 数字孪生技术在建筑运维阶段的应用可以包括以下几个方面：（1）设备运行控制 数字孪生技术可以对建筑内的空间设备状态进行实时监控感知，

71、并可以基于需求分析，对响应的设备进行运行控制，有助于实现对于建筑内环境品质需求的及时响应。（2）设备监控和维护 数字孪生技术可以对建筑物内的各种设备进行实时监控，收集设备运行状态数据，分析设备性能，预测设备故障，并提供相应的维护建议。这有助于运维人员及时发现并解决问题，减少设备故障对建筑物运行的影响。（3）能源与碳排放管理 数字孪生技术可以实时监控建筑物的能源消耗情况，分析能源使用效率，提出节能建议。通过优化能源使用，可以降低建筑物的能源成本，减1 37 少对环境的影响，提高低碳智慧建筑的运行效益。（4）风险管理 数字孪生技术可以实时监控建筑物的安全状况，包括消防、安防等方面。通过实时分析和预

72、测可能出现的安全隐患，及时采取相应的措施，可以提高建筑物的安全性，保障人员生命财产安全。（5）空间管理 数字孪生技术可以对建筑物的空间布局进行模拟和优化，提高空间利用效率。同时，通过对人员流动、空间使用情况的实时监控，可以更好地满足用户的需求，提高用户满意度。（6）可视化运维 数字孪生技术基于 BIM 模型的三维数据进行展示和渲染，实现物理建筑的数字化展现，达到更好的可视化管理效果。运维管理人员可以实时监测建筑物的运行状态，预测可能出现的问题，并采取相应的措施进行预防和维护。数字孪生使运维变得更加直观、高效。建筑设计阶段主要利用数字孪生技术对所设计的建筑设计方案进行模拟和优化，以获得更好的设计

73、方案。总体来说一种在虚拟世界中对数字模型的对比和优化的过程。而建筑建造阶段主要利用数字孪生技术的可视化能力，管理工程进度，确保建造的结果与设计方案的一致性。总体来说是把虚拟世界中的数字模型“带入”现实世界的过程。相比于建筑设计和建造阶段，建筑运维阶段对数字孪生技术的应用提出了更多要求。在建筑运维阶段，由于建筑已经完成建造，因此需要利用数字孪生技术1 38 实现把现实时间中的物理实体数据在虚拟世界中完成数字模型的搭建，并通过物联网体系“感知”现实世界的状态。同时，基于对历史信息的复盘、当前实时信息的检测分析，实现对建筑未来状态的预测，并且基于预测对上述各应用领域提供优化策略。而这些策略又需要通过

74、物联网体系或人工操作实际作用到现实世界中，并对物理实体产生影响。而这种物理实体的变化也需要通过物联网系统或其他渠道同步变更虚拟世界中的数字模型，实现现实世界与虚拟世界的一致。总体来说一种在虚拟世界与现实世界全量、高频的双向同步过程。图 4-6 数字孪生技术可视化运维 总的来说，数字孪生技术在建筑运维阶段的应用，可以提高建筑物的运行效率、降低运营成本、增强安全性、提高用户满意度等方面的好处。对于低碳智慧建筑来说，数字孪生技术的应用可以更好地实现节能减排、资源利用和环境保护的目标，推动低碳智慧建筑的发展。4.2.3 数字孪生技术未来发展方向（1）数据集成与融合 1 39 随着物联网、大数据等技术的

75、不断发展，数字孪生技术将更加注重数据的集成与融合。通过构建统一的数据平台，实现多源异构数据的集成和融合，可以进一步提高数字孪生模型的精度和可靠性。同时，数据集成与融合还可以为建筑运维提供更加全面、准确的信息支持，促进运维决策的科学化和智能化。（2）智能化分析与决策 智能化分析与决策是数字孪生技术的核心优势之一。未来，随着人工智能、机器学习等技术的不断进步，数字孪生技术将能够实现更加智能化的分析和决策。通过对历史数据和实时数据的挖掘和分析，可以发现建筑物运维过程中的规律和趋势，为运维决策提供有力支持。同时，智能化分析与决策还可以实现对建筑物运维过程的自适应调整和优化，提高运维效率和安全性。（3）

76、虚拟化与增强现实 虚拟化与增强现实技术是实现数字孪生的重要手段之一。未来，随着虚拟现实、增强现实等技术的不断发展，数字孪生技术将能够实现更加逼真的虚拟化和增强现实应用。通过构建高度逼真的虚拟模型，可以更加直观地展示建筑物的运维状态和运行过程，为运维人员提供更加直观、便捷的管理和监控手段。同时，虚拟化与增强现实技术还可以用于建筑设计和施工阶段的模拟和优化，提高建筑质量和效益。（4）边缘计算与云计算的结合 边缘计算与云计算的结合是未来数字孪生技术发展的重要趋势之一。通过将计算任务分散到边缘设备和云端服务器，可以实现更加高效、灵活的计算和存储资源利用。这不仅可以提高数字孪生技术的处理能力和响应速度，

77、还可以降低运1 40 维成本和能耗。同时，边缘计算与云计算的结合还可以提高数据的安全性和隐私保护能力，保障建筑运维过程的安全和稳定。4.2.4 数字孪生技术创新发展关键问题及建议 4.2.4.1 数字孪生技术创新发展关键问题 数字孪生技术创新发展面临的关键问题主要包括如下几个方面。（1）物理模型定义 数字孪生技术的基础是建立一套可以表达现实世界中物理实体的精细物理模型。在建筑运维过程中，会涉及土建结构、建筑、暖通、强电、给排水、消防、照明、弱电、电梯、燃气等等专业相关的空间、设备实体，而且基于不同的建筑功能/业态，还会涉及更多专业性的物理实体。因此，建立一套完善的物理模型定义将是实现一个高效的

78、数字孪生的前提条件。1 41 图 4-7 数字孪生技术物理模型 （2）数据采集与整合 数字孪生技术的核心在于数据的收集与整合。在建筑运维阶段，需要采集各种传感器、设备、系统生成的大量数据，并进行有效整合。然而，在实际操作中，由于建筑内部设备种类繁多、数据格式不统一等原因，数据采集与整合成为了一大难题。（3）数据安全与隐私保护 数字孪生涉及大量数据，包括实时传感器数据和模型。确保这些数据的安全性和隐私保护是一个重要挑战。如何确保数据在传输、存储、处理过程中的安全，防止数据泄露和滥用，是数字孪生技术在建筑运维阶段需要解决的关键问题之一。（4）模型的实模一致性与实时性 数字孪生技术的核心在于构建一个

79、高精度、高实时性的数字模型。然而，在1 42 实际应用中，由于建筑结构的复杂性、设备故障等因素，模型的实模一致性和实时性往往难以保证。这将对建筑运维的决策和预测产生重要影响。（5）人才短缺与培训 数字孪生技术的应用需要专业的技术人才支持。然而，目前市场上具备相关技能和经验的人才相对短缺，且培训成本较高。因此，如何培养和吸引具备数字孪生技术的人才，成为了建筑运维阶段面临的一大挑战。4.2.4.2 数字孪生技术创新发展建议（1）制定统一的数据标准与规范 为了解决数据采集与整合的问题，建议制定统一的数据标准和规范。这包括明确数据格式、传输协议、存储方式等，以确保各系统之间的数据能够顺畅流通和整合。同

80、时，可以考虑建立专门的数据管理平台，对数据进行统一管理和维护。（2）加强数据安全保障措施 针对数据安全与隐私保护问题，可以采取以下措施：首先，加强数据加密和访问控制，确保只有授权人员能够访问敏感数据；其次，定期进行数据安全检查和漏洞扫描，及时发现和修复安全隐患；最后，建立健全的数据安全管理制度和应急预案，以应对可能的数据泄露和滥用风险。（3）提高模型精度与实时性 为了提高数字孪生模型的精度和实时性，可以从以下几个方面入手：首先，优化传感器布局和设备选型，确保数据采集的全面性和准确性；其次，利用机器学习、深度学习等先进技术对数据进行预处理和分析，以提高模型的预测能力；1 43 最后，加强与设备厂

81、商的合作与沟通，及时了解设备运行状态和故障信息，确保模型的实时更新和调整。（4）加强人才培养与培训 为了解决人才短缺与培训问题，可以采取以下措施：首先，加强与高校、研究机构的合作与交流，共同推动数字孪生技术的研究与发展；其次，制定详细的人才培养计划和培训课程体系，提高员工的数字孪生技术应用能力；最后，建立激励机制和职业发展路径，吸引更多的人才加入数字孪生技术领域。数字孪生技术在建筑运维阶段的应用具有广阔的前景和巨大的潜力。然而，在实际应用中仍需注意数据采集与整合、数据安全与隐私保护、模型精度与实时性、人才短缺与培训等关键问题。针对这些问题，报告提出了制定统一的数据标准与规范、加强数据安全保障措

82、施、提高模型精度与实时性、加强人才培养与培训等对策建议。通过实施这些对策，可以进一步推动数字孪生技术在建筑运维阶段的应用和发展。随着技术的不断进步和应用场景的不断拓展，数字孪生技术在建筑运维领域的应用将更加广泛和深入。未来，我们可以期待数字孪生技术在以下几个方面取得更大的突破和发展：首先，随着物联网、5G 等技术的普及和应用，数据采集和传输将更加高效和可靠；其次，随着人工智能、机器学习等技术的不断发展，模型的精度和实时性将得到进一步提升；最后，随着社会对数据安全和隐私保护的重视程度不断提高，数据安全保障措施将更加完善和成熟。总之，数字孪生技术在建筑运维阶段的应用面临着诸多挑战和机遇。只有通过不

83、断的研究和实践，才能充分发挥数字孪生技术的优势和作用，为建筑运维领1 44 域带来更多的创新和变革。4.3 数据挖掘技术 4.3.1 数据挖掘技术概述 4.3.1.1 无监督学习 无监督学习不依赖于标签数据，而是通过探索数据本身的结构和模式来发现数据中的隐藏信息，适用于没有明确目标标签或者在探索性数据分析阶段的应用场景16。聚类是在建筑运管阶段最常见的无监督学习任务，它将数据点分组成多个簇，使得同一簇内的数据点相似度较高，而不同簇之间的数据点相似度较低。聚类分析在建筑运营管理中的应用主要体现在对建筑使用模式的识别和能源消耗的优化上17。通过对建筑内部不同区域的使用频率、能耗模式等数据进行聚类，

84、管理者可以识别出高耗能区域和低耗能区域，进而制定针对性的能源管理策略；聚类分析还可以用于识别建筑内部的人流热点，从而优化空间布局和服务设施配置，提高建筑的使用效率和用户满意度。异常检测也是常见的无监督学习任务之一，其在建筑运营管理中的作用是识别出与正常模式不符的异常情况，从而及时发现和预防潜在问题。例如，异常检测算法可以通过分析建筑的能耗数据来识别能耗突增的异常事件，也可以通过分析监控画面中的人流动态、行为模式来识别出可能出现的大规模室内热扰。无监督学习的另一个常见应用是典型模式识别，它的侧重点在于从设备运行数据、历史能耗数据、环境与人流量监测数据等信息中提取规律性和周期性的波动模式，可以帮助

85、建筑运维人员充分了解建筑运1 45 行过程中的各类关键特征，实现运维成本的降低和运行性能的提升18。4.3.1.2 监督学习 监督学习是数据挖掘技术中最广泛使用的方法之一，其核心思想是通过分析带有标签的训练数据来训练模型，使其能够学习输入特征与输出标签之间的关系，并在未见过的数据上进行预测或分类16。这些标签可以是类型标签，如区分人员热舒适投票等，也可以是连续数值，如预测建筑负荷、室内温湿度数值等。常见的监督学习算法，如随机森林等树结构模型、多层感知机等，在类型标签预测和连续数值预测的任务中都有广泛的应用。对于类型标签预测，以人员热舒适投票预测为例，监督学习算法可以利用历史的室内环境参数和用户

86、舒适度反馈数据，构建分类模型来预测不同用户群体对室内环境的舒适度感知评级，从而为建筑运营管理提供舒适度调节的参考依据。对于连续数值预测，监督学习算法可以结合历史能耗数据、气象数据以及建筑运行参数等信息对未来时间段的建筑能耗进行准确预测，或结合传感器采集的温度、湿度、CO2浓度等室内环境参数和用户舒适度反馈对测室内环境质量进行实时、逐时等不同时间粒度的预测，此外监督学习算法也可以基于设备实时运行参数、维护记录、室内负荷等信息构建设备故障预测模型，提前识别设备可能出现的故障，并采取预防性维护措施。4.3.1.3 优化算法 优化算法旨在通过系统性的搜索和分析，找到问题的最优解或近似最优解。在建筑运营

87、管理中，优化算法的应用涵盖了多个方面，包括能源管理优化19、室1 46 内环境优化20、以及空间利用优化21等。这些优化技术在提高建筑运营效率、降低成本、改善用户体验等方面发挥着重要作用。在能源管理优化任务中，优化算法可以通过分析历史能耗数据、气象数据、建筑结构特征以及用户行为模式等信息，建立能源消耗预测模型，进而优化能源系统的运行策略。例如，利用基于遗传算法或粒子群优化算法的能源管理系统，可以根据实时的能源需求和成本情况，自动调整供暖、制冷、照明等设备的运行模式和能耗策略，实现能源消耗的最小化。室内环境优化是确保建筑高性能运行的关键人物。通过优化算法结合传感器监测数据和用户反馈信息，可以实现

88、对室内环境参数的实时监测和调节，以提供舒适的工作和生活环境。例如，利用基于模糊逻辑控制或强化学习算法的室内环境优化系统，可以根据不同的季节、天气和用户需求，智能地调节空调、通风、照明等系统，最大化舒适度并降低能源消耗。空间利用优化是建筑管理中的另一个关键领域。通过优化算法分析建筑空间使用数据和需求，可以实现对空间布局和资源配置的优化22。例如，利用基于线性规划或模拟退火算法的空间规划系统，可以最大化利用可用空间，优化办公区域的布局和分配，提高空间利用率和工作效率。4.3.2 数据挖掘技术在建筑运维中的应用 4.3.2.1 性能参数时空特征识别 在建筑运营管理中，针对性能参数的时空特征识别是一项

89、关键任务，它涉及到对建筑内部环境、设备运行、能源消耗等方面的时空特征进行准确识别和分析1 47 23。聚类分析、时间序列分析、关联规则挖掘等常见的数据挖掘算法与技术，可以有效地应用于性能参数时空特征识别。例如，对于温度、湿度等室内环境质量参数，可以采用 K 均值等聚类方法将建筑内部的不同区域划分为不同的温湿度特征区域，从而识别出不同区域的时空特征，进而开展“部分时间、部分空间”的针对性环境营造18。时间序列分析则可以用于从性能时空参数中提取趋势、周期性和季节性等特征，例如，可以采用移动平均法或指数平滑法分析能耗数据的趋势变化，识别出不同时段的能耗特征，从而为建筑能源管理提供依据。关联规则挖掘算

90、法则可用于发现不同性能参数之间的关联性。例如，可以分析温度、湿度和能耗之间的关联规则，发现不同温湿度条件下的能耗变化规律，从而在室内环境质量满足人员热舒适需求的前提下指导建筑运行策略的优化。图 4-8 室内环境参数时空特征识别18 4.3.2.2 系统设备故障诊断 系统设备故障诊断能够及时准确地识别和预测设备故障，有助于降低维修成1 48 本、提高设备可靠性和延长设备寿命，是建筑运营管理中至关重要的一环24。分类算法、聚类算法、异常检测算法等数据挖掘手段也可以有效地应用于系统设备故障诊断。分类算法可用于在系统设备故障诊断任务中对设备运行数据进行分类，判别出不同类型的设备所属的运行状态。例如，可

91、以采用决策树算法对设备运行数据进行分类，根据不同的特征属性，判断设备是否处于正常状态、预警状态或故障状态。聚类算法同样也可用于系统设备故障诊断，即对设备运行数据进行聚类分析，发现数据中的规律性和异常模式。例如，可以采用 K 均值聚类算法对设备传感器数据进行聚类，识别出设备的各类典型运行模式以及频繁出现的运行趋势，从而判断设备是否存在异常或故障。此外，异常检测算法也可对设备运行数据进行诊断。例如，可以采用孤立森林算法对设备运行数据进行异常检测，发现数据中的异常模式，进而识别出设备可能存在的故障。图 4-9 系统故障诊断的工作流程示意图 4.3.2.3 建筑环境/负荷/能耗/人行为预测 建筑环境、

92、负荷、能耗和人行为的预测是建筑运营管理中的关键任务，精准1 49 的预测可以为建筑运营管理提供基于数据驱动的决策支持，促进建筑可持续发展和智能化管理，实现建筑节能降碳、室内环境优化、用户体验提升的良性循环。数据挖掘技术在建筑环境、负荷、能耗和人行为的预测中具有重要的应用价值。建筑结构、设备配置、使用方式等建筑特征信息，环境参数、负荷需求、能耗情况和人员行为等信息的历史数据，天气、季节、节假日等影响建筑运行的外部因素，均可以用作针对建筑环境、负荷、能耗和人行为开展预测的输入变量。由于建筑环境参数、运行负荷及能耗信息多为连续型数据，因此开展预测时通常需要构建回归模型，例如，可以利用数据驱动模型建立

93、建筑能耗预测模型，考虑建筑结构、气候条件、使用时间表等因素，预测未来一段时间的能耗量25。在人员行为预测任务中，则可以利用分类算法对人员行为数据进行分析和预测，例如，可以采用决策树分类算法对人员活动行为进行分类，根据不同的活动特征和历史数据，预测未来时间段内的人员活动模式。此外，在建筑运营管理中，多种时间序列预测方法也可以通过挖掘趋势、周期性和季节性等特征实现对环境参数、负荷需求、能耗数据和人员行为的预测，例如，可以采用 ARIMA 模型对建筑负荷需求进行预测，根据历史负荷数据的趋势和季节性特征，预测未来时间段的负荷需求，如图 4-10。1 50 图 4-10 基于 ARIMA 模型的建筑能耗

94、实时动态预测42 4.3.2.4 运行策略优化 数据挖掘技术的应用，特别是优化算法，可以实现对建筑运行策略的精细调控和优化，从而提高建筑的运行效率和性能26。从方法上看，遗传算法、粒子群优化、模拟退火等优化算法是数据挖掘技术实现建筑运行策略优化的关键部分。遗传算法是一种模拟生物进化过程的优化算法，通过模拟基因的变异、交叉和选择等操作，找到问题的最优解。在建筑运行策略优化中，可以利用遗传算法优化建筑的能源管理策略，通过调整设备运行参数和能源供给方案，实现能耗的最小化或成本的最优化。粒子群优化算法模拟了鸟群或鱼群中个体之间的协作和信息共享，通过迭代更新群体中各个个体的位置和速度，找到最优解。粒子群

95、优化算基于临近距离的离群点检测冬季夜间蓄热工况夏季日间供冷工况基于决策树的空调系统运行模式识别与诊断基于时间序列聚类的照明能耗动态诊断7008009000037465564738292739建筑逐小时能耗(kWh)实际测试能耗值5.引入三参数预测结果基于ARIMA算法的建筑能耗实时预测1 51 法可以用于对多个建筑参数进行调整，以实现运行效率和性能的最优化。例如，可以利用粒子群优化算法优化建筑的照明控制策略，根据不同时间段和区域需求调整照明设备的亮度和工作模式。模

96、拟退火算法则是一种模拟金属退火过程的优化算法，通过随机搜索和接受概率来寻找问题的全局最优解，模拟退火算法可用于在运行策略优化任务中对复杂的决策空间进行搜索，找到最优的运行策略，例如，可以利用模拟退火算法优化建筑的室内温度控制策略，根据用户需求和外部环境条件，调整空调设备的运行参数，实现室内舒适度和能效的平衡。4.3.3 数据挖掘技术未来发展方向 数据挖掘技术在建筑运营管理阶段的应用正随着技术的发展而不断演进。新的研究趋势和高新技术的出现，使得建筑运营更加智能化、高效化。首先，随着建筑运管数据源的多样化和增加，广域多源异构数据的融合分析已成为新的趋势29。通过整合建筑设备运行数据、室内环境参数、

97、能源消耗数据等多源数据，利用数据挖掘技术进行深度分析和挖掘，发现数据之间的关联性和规律性，为建筑运管决策提供更全面的支持。例如，将建筑设备运行数据与室内环境数据结合，利用数据挖掘技术发现设备运行与室内温湿度之间的关系，优化设备运行策略，提升能效和舒适度。其次，作为一种新兴数据挖掘技术的代表，深度学习、强化学习也开始被应用于图像识别、序列数据分析、建筑运行策略优化等任务之中。深度学习技术具有处理复杂非线性关系和大规模数据的能力，例如，卷积神经网络（CNN）等深度学习可以用于自动识别视频监控中的人员时空分布30，循环神经网络（RNN）1 52 在处理时间序列数据方面的优势则使其能够更加精准地预测建

98、筑能耗和负荷，从而优化能源使用31。强化学习的优势在于可以在复杂、动态的环境中进行决策优化，并且具有较强的适应性和自适应性。强化学习在与环境交互学习的过程中构建和训练智能体，使得智能体能够根据环境的反馈不断优化其决策策略，以达到最大化累积奖励的目标，从而实现最优化控制32。强化学习可以用于建筑能源管理策略的优化，智能体可以学习根据实时能源数据和环境变化调整能源供给策略，以达到能源利用最优化的目标。例如，智能体可以学习根据室内温度、光照等环境参数调整空调和照明设备的运行模式，实现节能和舒适度的最优平衡。同时，强化学习也可以用于建筑设备的智能调度和运行控制，通过训练智能体学习不同工况下的设备运行状

99、态和负荷需求，可以使其自发探索制定除最优的设备调度策略，以提高设备利用率和降低能耗。4.3.4 数据挖掘技术创新发展关键问题及建议 数据挖掘技术在建筑运营管理阶段的应用带来了显著的效益，但同时也面临着一些关键问题，例如数据质量、模型可解释性和模型泛化能力这三个关键问题。首先，随着 5G、物联网等技术的飞速发展，建筑运行管理已进入海量数据时代，但多源异构、噪声与缺失等问题也极大程度地干扰了数据挖掘技术在建筑运管阶段的落地应用。数据的广域、多源、异构属性可能导致决策不一致或冲突，应采用各类数据融合技术来提高数据的一致性和准确性。数据的完整性则是保证数据挖掘结果准确性的基础。例如，在建筑能源管理任务

100、中，如果能耗数据存在缺失，可能导致能源消耗分析不准确。建议采取噪声去除、缺失值插补、平滑异1 53 常点和数据标准化等手段进行彻底的数据清洗和预处理，确保良好的数据质量。其次，数据挖掘技术的黑箱属性是其推广过程中的为人诟病的一大缺陷，这就对数据驱动模型的可解释性分析提出了新的要求。模型的透明度能够帮助管理者理解模型的决策过程和推荐原因，在可能的情况下，建议优先选择可解释性较强的模型，如决策树和线性回归。对于复杂的模型，则可以使用特征重要性分析来解释模型的决策依据12，或利用 LIME（局部可解释模型-不透明模型）和 SHAP（Shapley Additive exPlanations）等模型解

101、释工具，为复杂的模型提供可靠的可解释性分析结果。最后，基于有限量既有数据拟合的数据挖掘算法能否在未来可能出现的各类建筑运管场景中均展现出优异的性能也是数据挖掘技术在推广过程中面临的一个关键问题，这也是对模型的泛化能力提出的重要考验。模型需要能够适应不同的环境条件和变化，因此建议在训练阶段使用交叉验证、正则化等方法来评估模型的泛化能力，确保模型在不同的数据子集上都有良好的表现，或采用Bagging、Boosting 和 Stacking 等集成学习方法，结合多个模型的预测结果，提高模型的稳定性和泛化能力；在条件允许的情况下，也建议进行持续监测和调优，定期对模型进行评估和验证，及时发现并解决模型泛

102、化能力下降的问题，保证模型在不同数据集和场景下的稳定性和可靠性。1 54 图 4-11 利用 SHAP 值对模型各项参数的重要性进行评估28 4.4 能源微网技术 4.4.1 能源微网技术概述 随着我国经济社会的飞速发展，能源需求大幅增加，化石燃料的大规模使用释放了大量温室气体，导致气候形势日益严峻，低碳发展成为应对气候变暖问题的必由之路。在国家“双碳”政策的背景下，太阳能、风力发电等分布式的清洁能源得到了大力发展33。然而，分布式能源的随机性和波动性具有不可控性，且大规模应用及接入给传统电网带来巨大的挑战及冲击。基于此，能源微网技术应运而生，解决了分布式能源灵活、数量大、多样性的并网问题，并

103、且该技术能够利用多种能源形式对负荷进行可靠供给，是实现主动式配电网的一种有效方式，促进传统电网向智能电网的发展。随着能源微网技术的发展与完善，其已成为能够容纳更多可再生能源，实现电力系统净零排放的关键解决方案。微电网由小型新型发电装置、负载、储能元件和能源管理单元组成，是一种自主可控的小型电力系统，可以在特定区域内以隔离电网或连接电网的模式运行，如图 4-12 所示。1 55 不同地区的发电方式可以按照当地的资源特点，建立以多种可再生能源为主体的能源供应系统，实现可再生能源的就地消纳。目前得到较广泛应用的有风、光、沼、潮汐能，其中以风光为主34。然而，基于可再生能源的微电网具有波动和间歇性发电

104、的特征。为了缓解这类问题，在微网中引入了储能系统，以达到平衡电网运行功率的目的，提高了微网的稳定性。电池储能具有能量密度低、响应快的特点，其更适合短期储能和调节。储氢系统适用于长期储存能量的微网。此外，混合氢电池能量存储技术作为一种由可变可再生能源发电主导的可靠、可持续的微电网构建的一部分，可以满足特定的技术，经济和环境目标。基于微电网的混合氢电池系统可以以并网模式管理，微电网可以向主电网购买或出售电力35。能源微网具有自主运行的能力，可以根据不同的需求和情况灵活调整运行模式，提高了电力系统的适应性和韧性。1 56 图 4-12 能源微网技术示意图 此外，能量管理单元作为能源微网技术的控制系统

105、，可以通过管理和协调可调度分布式发电机、能量存储、微电网之间的能量交易以实现电力供需平衡并减少消费者不满，其在实现电网的稳定和经济运行方面具有首要重要性，如图 4-13 所示。同时，能量管理单元还可以通过需求侧管理技术改变负荷的运行模式响应电网的需求。需求侧管理技术是一种通过调整终端用户的能源消耗行为来实现能源需求与供给之间平衡的技术手段。它包括对用户能源消费行为的监测、分析和调控，以实现能源资源的合理利用、降低能源消耗成本、优化能源系统运行，同时提升能源利用效率和环境友好性。通过需求侧管理技术，可以实现能源的智能化调度和灵活性响应，满足不同时间段和场景下的能源需求，促进能源微网系统的可持续发

106、展36。1 57 图 4-13 能源管理系统示意图 综上所述，能源微网的发展背景及技术内涵彰显了能源系统朝着清洁、高效和智能的方向不断演进的趋势。作为一种新型的电力系统模式，能源微网技术的应用将为建筑电力系统的可持续发展提供新的解决方案，有望在未来成为建筑能源领域的重要发展方向之一。4.4.2 能源微网技术在建筑运维中的应用 能源微网技术作为一种新兴的能源系统模式，在建筑运维中的应用正在逐渐展现其巨大潜力。通过整合可再生能源、储能设备和智能控制系统，能源微网为建筑提供了更加灵活、可靠和高效的能源管理方案。能源微网技术在建筑运维中的核心应用表现为以下三个方面：（1）能源供需两侧的管理与优化 能源

107、微网技术通过整合多种能源来源，包括太阳能、风能、传统电力网络等，实现了对建筑能源供应的多样化和互补。根据建筑的实际能源需求和供应情况，合理调配各种能源资源的使用。通过智能控制系统对太阳能光伏板、风力发电机1 58 等能源设备的发电情况以及建筑的能耗进行实时监测和分析，建筑运维人员可以了解建筑能源消耗的情况和能源供应的状况，及时发现和解决能源浪费的问题，提高了建筑能源利用效率，如图 4-14 所示。在满足最基本的供需能耗匹配的基础之上，能源管理系统根据不同的运行目标，优化调度系统的供需运行策略，实现降低运行成本、提高可再生能源消纳率等多层面的目标。此外，能源管理系统可以进一步的削减、转移供需两侧

108、的柔性资源，实现建筑与电网的友好互动。例如，能源管理系统在电价较低时打开空调系统，提前进行预冷、预热，在电价高时关闭或者降低空调的运行功率，起到削峰填谷的作用。能源管理系统还可以对洗碗机、洗衣机和滚筒式烘干机进行集中管理，在不影响用户的情况下，转移这些设备到电价较低时期，缓解电网的供电压力。图 4-14 能耗与碳排放监测平台示意图（2）能源储存与管理 能源微网技术通过合理配置和管理建筑内部的储能设备，实现对能源的储存1 59 和调度，保障了能源供应的稳定性和可靠性，为建筑运维提供了强大的支持。能源微网系统中的锂离子电池等储能设备，一方面可以用于存储过剩的太阳能和风能，在太阳能、风能不足时进行放

109、电；另一方面在电网电价低谷时，储能设备进行充电，在电网电价高峰时段，储能设备进行放电。在智能控制系统的管理下，这些储能设备可以根据建筑的能源需求和供应情况进行自动的充放电，满足了供需双向的协同匹配。建筑内部的储能设备也可以作为应急备用电源，以应对突发的停电或电力系统故障。一旦主电源失效，能源微网系统可以自动切换至备用电源，保障建筑内关键设备和系统的持续运行，确保生产和生活不受影响。此外，随着固定电池成本的下降、电动汽车的普及，固定电池和电动汽车逐渐能够成为建筑物中最主要的电力存储设备。电力系统中常用的电能存储类型如表 4-1 所示。目前主流的储能电池有锂离子电池、铅酸电池、钠硫电池等，其中锂离

110、子电池是广泛应用的电池。此外还可应用如抽水蓄能、压缩空气储能、飞轮储能等方式代替化学电池39，但在建筑层面应用时需要考虑实际效果。同时，在建筑物中应用固定电池时需要考虑固定电池的容量及寿命，以更好地服务于能源微网的供需协同调度。表 4-1 常用储能装置的技术指标 类型 最大功率(MW)放电深度为80%时的循环次数(1000)预期使用寿命(年)最大放电深度(100%)循环效率(%)全钒液流电10 1013 1520 100 7585 1 60 池(RFB)锌溴 RFB 2 510 515 6070 7280 铅酸电池 2070 24.5 515 6080 6590 锂离子电池 10 1.54.5

111、 515 80100 8595 镍镉电池 40 22.5 1020 80 6075 钠硫电池 8 2.54.5 1015 8085 7590（3）微网互联与智能协同 随着分布式能源的大力发展，建筑角色从能源消费者向能源产消者进行了转变，即利用分布式能源技术生产供自身使用能源的能源消费者。单个建筑在利用、调度分布式能源方面的潜力比较有限，能源微网技术的出现为建筑之间的合作提供了机会。在多个建筑产消者组成的能源微网中，单个建筑可以将本身多余的可再生能源共享给可再生能源发电量不足的其他产消者，如图 4-8 所示。这种能源共享有助于提高建筑集群级的可再生能源自耗率，从而减少电网的用电量（由于可再生能源

112、利用率的增加）。研究结果表明40，即使是简单的能源共享，也可以将光伏发电自耗电量提高 15%以上，当存在共享储能时，光伏电力自用提升可达 29%。多个建筑之间可以通过能源微网技术进行互联，形成能源微网网络。这些微网之间可以实现能源信息共享、能源互助和能源协同控制，提高能源的整体利用效率。通过智能化的协同管理，可以实现对微网系统的集中监控和调度，优化能源供应策略，降低能源成本，提高能源系统的稳定性和可靠性。1 61 图 4-15 能源微网技术在建筑群中的应用示意图 4.4.3 能源微网技术未来发展方向 能源微网技术的发展将深刻地影响低碳智慧建筑的运维，未来两者的进一步结合将积极推动建筑行业低碳化

113、、智慧化的发展。以下将从几个关键方向展开，探讨能源微网技术在建筑智慧运维中的未来创新发展方向。（1）基于机器学习算法的能源微网系统运行状态的实时预测 能源微网系统运行状态的预测有助于运维人员实时了解系统的健康状态。然而，实时预测的前提是对能源微网系统建立一套全面、科学的评价指标体系。能源微网是一个非常复杂的系统，其整体性能的好坏受到许多因素的影响。我们要全面、科学、客观地考虑影响能源微网系统运行状态的各个要素，选取合适的评价指标和评估方式，构建能源微网系统运行状态的评价指标体系，满足能源微网系统运行状态多方面评估的需求。在此基础之上，选择合适的机器学习算法对微1 62 网系统运行状态的数据进行

114、训练并对系统运行状态进行时序预测，从而实现对未来能源微网系统运行状态实时掌控的目标，及时避免事故、损失的发生。（2）运用博弈论打造能源微网系统多方利益平衡的生态体系 我国能源微网系统的发展还处于初级阶段，在实际的运行过程中存在着电力市场机制不够健全、能源交互阻碍较多等问题。在此状态下，系统的利益相关方无法获得平衡的收益；建设方也难以发挥能源微网系统负荷调控灵活以及用能成本低等优势，无法实现其规模化发展。随着分布式能源的发展，其逐渐成为能源微网系统的售电主体，市场中的各主体之间产生了更加复杂的利益关系。如何平衡电源侧、微网侧、负荷侧、储能侧中各主体利益使其更好地在智能微网中运行是未来研究发展的方

115、向。能源微网系统的整体优化运行属于多目标规划问题，而博弈论是一种先进的最优决策理论，它主要用于研究多个主体如何进行优化决策的问题41，对于分布式能源的调度管理、系统中各方主体的利益分配都能够做出合理的决策，对于未来能源微网系统多方的利益平衡具有重要的研究意义和实用价值。（3）构建不确定性环境下的能源微网系统的运行方案 能源微网系统的规划和运行过程中存在着大量的不确定性信息。同时，这些不确定性信息来源众多，包括：近远期建筑负荷需求的不确定性、风光等可再生能源资源的不确定性、设备运行状态的不确定性、设备投资等市场信息的不确定性，以及分布式电源与能源微网产业发展政策的不确定性。对于这些不确定性信息，

116、需要进行准确清晰地分析，否则会影响能源微网规划和运行方案的适用性和经济性。在我国，能源微网系统还处于初期阶段，面临着分布式电源成本高、技1 63 术经验不足、市场机制不健全、政策调整等一系列挑战。因此，不确定性环境下的能源微网规划与运行方案的研究显得尤为重要。在满足系统安全可靠运行的前提下，为多种分布式能源的接入提供解决方案，实现多种用能需求下的能源微网系统的优化运行目标，更好地服务于微电网投建与运营主体和政策制定者。综上所述，能源微网技术和建筑运维进一步的创新融合，能够提升能源利用效率、优化建筑运营管理、提高建筑舒适度和安全性、极大地促进建筑行业朝向高效、节能、低碳方向的发展。4.4.4 能

117、源微网技术创新发展关键问题及建议 随着能源微网技术在建筑领域的应用，低碳建筑运维管理技术逐渐朝向智能化、自动化、高效化发展。然而，在能源微网技术创新发展的过程中，我们也面临着一些关键问题需要解决和应对。（1）多场景智能控制与优化算法的开发 随着分布式能源、需求侧主体的增加，单一场景的智能控制与优化算法无法满足能源微网系统的调度运行。建议开展针对不同场景和需求的算法研究，结合大数据分析和机器学习技术，开发出更加高效、灵活的智能控制算法，提高能源系统的自适应性和智能化水平。（2）智能计量与云计算技术的应用 微网能源系统调度运行的基础是数据的计量与计算。因此，在建筑中利用能源微网技术需要加强对智能计

118、量和数据采集技术的应用，以实现对分布式能源发电量、建筑能源消耗的精准监测和管理。建议在能源微网系统中广泛采用智能电1 64 表、传感器和数据采集设备，实时监测微网系统各项能源数据，包括电力、热量、水量等，为能源系统的优化调控提供准确的数据支持。同时，建议加强云计算技术在能源微网系统中的应用，以实现对能源数据的高效处理和分析。通过云计算技术，实现对大规模能源数据的集中存储和处理，提高能源数据的处理效率和实时性。（3）安全性与可靠性保障问题 建筑是人们生活和工作的重要场所，对于能源供应的稳定性和可靠性有较高要求。此外，能源微网系统涉及到大量用户能源数据的采集、传输和处理，而这些数据可能包含用户的隐

119、私信息。因此，需要进一步强力保障系统的安全性和数据的隐私性。建议运用严格的设备访问控制和加密通信技术，以防止未经授权的访问和恶意攻击。同时，建立备用设备和备用能源供应系统应对突发事件和设备故障，保障系统的连续运行；制定完善的应急预案和响应机制，以及定期的应急演练和培训，提高系统运维人员的应急处理能力。（4）政策与标准的制定与推广 需要加强政策与标准的制定与推广，为能源微网技术的创新发展提供政策支持和规范引导。建议政府部门和行业组织加大对能源微网技术的政策扶持和标准制定力度，推动相关研发技术的应用和产业化进程。综上所述，能源微网技术在建筑智慧运维领域的创新发展中，面临着多场景智能控制与优化算法的

120、开发、智能计量与云计算技术的应用、安全性与可靠性保障问题、政策与标准的制定与推广等关键问题。通过结合人工智能技术、物联网技术以及新质生产力政策的指导，能够有效地解决这些关键问题，推动能源微网1 65 技术在低碳建筑智慧运维领域的蓬勃发展。4.5 大模型技术 4.5.1 大模型技术概述 随着信息技术的飞速发展，大数据和人工智能等技术在各行各业的应用越来越广泛。其中，大模型技术以其强大的数据处理和分析能力，正在逐渐改变传统的建筑运维模式。特别是在低碳智慧建筑领域，大模型技术的应用更是为建筑运维带来了前所未有的机遇和挑战。4.5.1.1 大模型的定义 大语言模型（LLM）是一种基于深度学习的神经网络

121、模型，它使用大量的文本数据进行训练，并能够生成类似人类的文本。LLM 通常具有数十亿到上万亿个参数，并且可以执行各种自然语言处理(NLP)任务。简单来说，就是通过对海量数据的处理和分析，构建出一个高度精确的模型，从而实现对事物的精准预测和优化。在建筑领域，大模型技术主要应用于建筑设计、施工和运维等阶段，通过分析和处理海量的建筑数据，提高建筑的设计效率、施工质量和运维水平。1 66 图 4-16 典型大语言模型的模型架构 4.5.1.2 大模型的特点 大模型的特点包括以下三点：（1）能够捕捉语言中的复杂模式和细微差别 由于 LLM 具有庞大的参数规模，它们能够学习语言中的复杂模式和细微差别，从而

122、生成更加准确和流畅的文本。（2）能够学习语言的各种用法 由于 LLM 的训练使用了大量的文本数据，它们能够学习语言的各种用法，从而能够执行各种 NLP 任务。（3）能够理解和生成类似人类的文本 LLM 能够理解和生成类似人类的文本，这使得它们可以用于构建更加智能的 NLP 应用。1 67 4.5.1.3 大模型的发展历程 大模型技术的发展历程可以追溯到 20 世纪 50 年代，当时人们开始使用统计方法来进行语言建模。随着计算机技术的进步，人们开始使用神经网络来进行语言建模，并取得了一系列的成果。20 世纪 80 年代，Geoffrey Hinton 等人提出了反向传播算法，这使得神经网络的训练

123、变得更加容易，并推动了语言模型的发展；20 世纪 90 年代，Bengio 等人提出了深度学习的概念，这使得语言模型能够学习更加复杂的模式；21 世纪初，随着互联网上文本数据的爆炸式增长，语言模型的训练数据变得更加充足，并使得语言模型的性能得到了大幅度提升；2010 年代，Google Brain 团队提出了 Transformer 模型，这使得语言模型的性能再次得到了大幅度提升；2020 年代，随着计算能力的不断提升，大模型技术得到了快速发展，并开始在各种 NLP 任务中取得了令人瞩目的成果。4.5.1.4 代表模型 OpenAI 的 GPT-3 和 GPT-4：GPT-3 是 OpenAI

124、 在 2020 年发布的大型语言模型，拥有 1750 亿个参数，是当时世界上参数规模最大的语言模型。GPT-3 在各种 NLP 任务中都取得了 state-of-the-art 的成果，并引起了广泛的关注。GPT-4 是 OpenAI 在 2023 年发布的最新一代语言模型，拥有 1.5 万亿个参数，是 GPT-3 的 10 倍。GPT-4 在各个 NLP 任务中都取得了进一步的提升，并能够执行一些更加复杂的任务，例如进行推理和创造性写作。Google AI 的 LaMDA 和 Bard：LaMDA 是 Google AI 在 2021 年发布的大型语言模型，专注于对话应用。LaMDA 可以进

125、行更加自然流畅的对话，1 68 并能够根据上下文信息生成个性化的回复。LaMDA 的发布代表了对话式人工智能的重大进步，并有望在客服、教育等领域得到广泛应用。Gemini是谷歌于2023年发布的大型语言模型，拥有 1.76 万亿个参数，是目前参数量最大的语言模型。Gemini 相比其他大预言模型进行了多项改进，包括提高了语言理解能力、提高了生成文本的质量和多样性、增加了对多模态信息的处理能力等。Gemini 的发布标志着人工智能技术的又一次重大突破。图 4-17 大模型的代表模型和代表应用 4.5.2 大模型技术在建筑运维中的应用 在建筑运维阶段信息化和数字化管理存在着诸多问题。例如建筑运维工

126、作主要依靠人工操作，效率低下，成本高昂。建筑设施设备数据缺乏统一管理，难以实现互联互通。建筑能源管理粗放，浪费严重。建筑安全事故频发，安全隐患突出。建筑信息化建设滞后，难以满足智慧建筑的需求。建筑运维存在的诸多问题为大模型技术的应用提供了良好的场景及载体。在1 69 建筑运维阶段，大模型技术主要是指利用大数据和人工智能等技术手段，对建筑设备的运行数据、能耗数据等进行实时监测和分析，从而实现对建筑设备的精准预测和优化。这不仅可以提高建筑设备的运行效率，降低能耗，还可以提前发现并解决潜在的安全隐患，提高建筑的安全性和稳定性。低碳智慧建筑强调建筑在设计和运营过程中的低碳化、高效化和智能化。这不仅要求

127、建筑在设计阶段就充分考虑节能、环保等因素，更要求建筑在运维阶段能够实现智能化管理，提高能源利用效率，降低运维成本。而大模型技术的应用，正是实现这一目标的重要手段之一，其应用价值主要包括：提高建筑运营效率。大模型技术通过自动化的数据处理和分析，可以实现对建筑运维过程的智能化管理。这不仅可以减少人工干预，降低运维成本，还可以提高运维效率，提升建筑的使用体验。降低碳排放。大模型技术可以帮助建筑实现更精准的能耗管理和设备维护，从而降低能源消耗和设备故障率。这有助于减少建筑对环境的影响，推动低碳智慧建筑的发展。提升建筑安全管理水平。通过大模型技术对建筑安全数据的分析，可以及时发现并处理潜在的安全风险，提

128、升建筑的安全管理水平。这有助于保障人们的生命财产安全，增强建筑的社会责任感。虽然目前大模型技术尚未开始在建筑运维领域广泛应用，但是本报告认为其应用场景至少可以包括以下方面。（1）建筑能耗管理 通过利用先进的大模型技术对建筑能耗数据进行全面深入的分析和研究。核心目标在于实现对建筑能耗的精准预测和高效优化管理。通过大模型的运用，我们能够深入挖掘建筑能耗数据背后的规律和趋势，将能够1 70 有效提升建筑的能源利用效率，实现能源消耗的有效降低。这不仅为建筑业主和管理者带来实实在在的经济收益，同时也能够有效减少对环境的不良影响，推动建筑行业向着低碳、智慧的方向发展。减少碳排放、降低能源消耗已经成为当前社

129、会发展的必然趋势，而建筑能耗管理方案正是在这一背景下应运而生的重要举措。（2）建筑设备维护 采用先进的大模型技术，通过实时监测和分析设备的运行数据，以预测设备的维护需求和可能的故障发生时间，从而实现设备的预防性维护。通过数据驱动的方法，提前识别设备的潜在问题，从而减少设备故障对建筑运维造成的负面影响，降低维护成本，并提高设备的运行效率。通过及时维护和管理建筑设备，我们能够确保建筑设备的长期稳定运行，为建筑业主和用户提供更可靠、安全的使用环境，推动建筑运维管理向智能化、高效化方向迈进。（3）建筑安全管理 充分利用先进的大型技术，通过对建筑安全数据的深入分析，实现对潜在安全风险的预测和及时处理安全

130、隐患的目标。结合各种数据，通过对建筑安全数据的持续监测和分析，提前发现潜在的安全风险点，及时采取相应的预防措施和处理措施，从而确保建筑的安全性能达到最佳状态。通过大数据模型技术，能够对建筑安全数据进行全面、深入的挖掘，识别出可能存在的安全隐患和风险因素。这将使建筑管理者能够更加精准地制定安全管理策略和应对措施，有效提升建筑的整体安全水平，为居民和工作人员提供一个更加安全可靠的生活和工作环境。此外，还将有助于提升建筑的安全性能，保障1 71 人们的生命和财产安全，同时也将推动建筑安全管理向着智能化、高效化的方向发展。通过及时发现和处理安全隐患，能够最大程度地降低安全事故的发生概率，减少可能造成的

131、损失和伤害。图 4-18 建筑运维全场景（4）建筑数据管理 大模型技术的核心是数据，通过对建筑设备的运行数据、能耗数据等进行实时监测和收集，构建出一个高度精确的数据模型。这个模型不仅可以实时反映建筑设备的运行状态和性能表现，还能够预测潜在的故障风险，为运维人员提供及时的预警和决策支持。大模型技术能够帮助运维人员更全面地处理数据，结合物理认知和专业知识，考虑运维工作对各数据的重视程度，从而进行更加精准的数据分析和决策制定。通过大模型技术的应用，建筑设备的运行效率和稳定性将得到显著提升，为建筑运维工作带来更高效和可靠的保障。（5）优化及决策 基于数据模型的分析结果，大模型技术能够深入预测建筑设备未

132、来的运行状态，并提前探测潜在问题的存在。这种技术在运维过程中的应用极1 72 为有效，能够捕捉到运行中的微小变化，并细致地筛选出可能出现的问题。预测工作不仅限于 IoT 数据，还包括对图片等多种模态信息的综合利用，以评估未来某些问题发生的可能性。大模型技术可以结合数据分析和预测结果，根据实际需求和应用场景，为运维人员提供智能决策建议。这些建议可以帮助运维人员更好地管理建筑设备，提高设备的可靠性和安全性。大模型技术在建筑运维领域的应用具有巨大的潜力和优势。其强大的自主学习能力使得模型能够不断优化自身，提高问答准确性和预测判断能力。通过持续学习和优化，大模型技术能够从过去的建筑运维经验中汲取规律，

133、不断提升自身的运维管理能力。这种自主学习的能力使得大模型技术能够临时替代甚至替代人来执行各种运维管理工作，为建筑运维工作带来更高效、可持续和扩展性的解决方案。图 4-19 大模型前馈策略模拟寻优 1 73 图 4-20 大模型结合贝叶斯方法做故障诊断 4.5.3 大模型技术未来发展方向 4.5.3.1 模型优化与升级 随着建筑运维数据量的不断积累和技术的不断进步，大模型技术在建筑运维领域的应用也迎来了新的机遇和挑战。为了提高模型的预测精度和泛化能力，以适应更复杂的建筑运维场景，我们需要不断优化和升级大模型技术。在优化语言模型的精准度方面，可以采取以下措施：精心设计提示词，引导模型生成更符合目标

134、和语义的文本，提高模型表现；扩充专业知识向量库，处理、筛选、转化并入库大量建筑运维相关知识，帮助模型更好地理解和预测建筑运维中的复杂情况。此外，还需要优化对各种算法模型应用的自组织处理流程，包括选择对模型训练有益的特征，提高模型效率和鲁棒性；根据具体应用场景选择合适算法，提高模型性能；将多个算法进行组合，发挥各自优势，提高模型整体效果；对模型1 74 结果进行分析和评价，帮助更好地理解模型行为，找到进一步改进方向。总而言之，随着建筑运维领域的发展和需求的不断增长，大模型技术将在不断挑战和优化中不断进步，为建筑运维的智能化发展提供强有力支撑。4.5.3.2 数据安全与隐私保护 在应用大模型技术时

135、，保障数据安全和隐私保护是至关重要的。为了降低数据泄露的风险，我们更倾向于采用小型化模型，以便在私有化部署时降低门槛。小型化模型更专注于建筑运维领域的内容验证，具有更强的专项性和针对性。为了增强各类模型的迁移能力，我们将尽量避免让客户的数据出外网，实现“数据不动，模型动”的理念。同时，我们将研究并应用更加先进的数据加密技术和隐私保护算法，以确保建筑运维数据的安全性和隐私性。建立数据保护机制，应用数据安全技术，加强数据隐私保护，是我们保护客户数据的重要举措。在实施方案中，我们将注重数据安全和隐私保护的全面性和系统性。通过对数据进行加密处理，限制数据访问权限，建立访问审计机制等措施，确保数据在传输

136、和存储过程中的安全性。同时，我们将采用隐私保护算法，对敏感数据进行脱敏处理，以保护用户的隐私信息不被泄露。4.5.3.3 大模型的融合应用 随着大模型技术的不断发展，我们已经看到它从最初的语言模型向更广泛的领域发展，其中包括多模态模型，这种模型可以识别和处理图片、语音等多种数据形式。多模态模型的发展使得我们能够更全面地理解和处理各种类型的数据，1 75 从而为各种应用场景提供更加全面和准确的解决方案。其中一个重要的应用领域是数据源融合，多模态模型可以结合各种数据源，包括 IoT 数据、图片数据、音频数据和文字信息，综合给出问题的解答。这种技术可以被广泛应用于故障诊断、风险评估等领域，为用户提供

137、更加全面和准确的信息。结合大模型技术对建筑物设备的运行状态进行实时监测和分析，通过各数据源，综合给出问题的解答，预测设备或系统的潜在故障类型、发生概率和时间。及时发出预警通知，并结合设备运行数据和历史故障案例，快速定位故障原因，辅助运维人员进行故障排除。大模型技术结合各种数据源，分析找出能耗浪费的环节和原因，为建筑业主提供节能措施，降低能耗成本。具体包括能耗监测、能耗分析、节能优化和效果评估等环节，通过持续改进确保建筑能耗持续降低。这一功能可以帮助建筑业主更有效地管理能源消耗，实现节能减排的目标。另一个重要的发展方向是产品融合。语言大模型的发展可以提升各类建筑运维产品工具的人性化交互能力，包括

138、功能搜索、查询、功能引导、问题自动化解决等。通过将大模型技术应用于产品中，可以使得产品更加智能化和便捷化，为用户提供更好的使用体验。此外，大模型技术还可以和各类机器学习算法进行深度融合，充分利用大模型的逻辑、理解能力和各类算法的擅长领域及量化精确度更好。这种融合可以为各种应用场景提供更加全面和准确的解决方案，推动人工智能技术在各个领域的发展和应用。1 76 4.5.4 大模型技术创新发展关键问题及建议 4.5.4.1 数据质量问题 在应用大模型技术时，数据质量是影响模型性能的关键因素之一。因此，需要加强对建筑运维数据的采集、清洗和整理工作，确保数据的准确性和完整性。4.5.4.2 模型可解释性

139、 大模型技术往往具有较高的预测精度，但其模型结构复杂，可解释性较差。这可能导致在实际应用中难以理解和信任模型的预测结果。因此，需要研究并应用更加简洁和透明的模型结构，提高模型的可解释性。4.5.4.3 人才培养与团队建设 大模型技术的应用需要专业的技术团队进行支持和维护。因此，需要加强相关人才的培养和团队建设工作，培养一批具备大模型技术应用能力的专业人才，为建筑运维阶段的智能化管理提供有力的人才保障。综上所述，大模型技术在建筑运维阶段的应用具有广阔的前景和巨大的潜力。通过不断研究和探索，我们可以充分发挥大模型技术的优势，推动建筑行业的低碳智慧转型，为实现可持续发展和环境保护做出更大的贡献。同时

140、，我们也需要关注并解决在应用过程中可能出现的问题和挑战，为技术的健康发展提供坚实的保障。1 77 5 低碳智慧建筑技术创新发展策略与建议 5.1 加强政策支持与标准引导 政府应制定更多激励措施和标准规范来推动低碳智慧建筑技术的发展。这包括提供财政补贴、税收优惠、绿色信贷等政策，以降低企业的研发和运营成本，鼓励企业投资于低碳智慧建筑项目。建立和完善低碳智慧建筑相关的技术标准和评价体系，为行业发展提供明确的指导和规范，确保技术的可靠性和建筑的性能符合预期目标。通过数字智慧化的技术来支持低碳建筑运维。从数据采集、数据平台管理、数据诊断、智慧控制等方面系统性提高建筑数据的可利用性，用数据“说话”，进一

141、步指导低碳建筑运维下的实际性能表现评价，助力实现绿色低碳性能落地。5.2 深化产学研合作 促进高校、研究机构与企业之间的紧密合作，共同开展低碳智慧建筑技术的研究与开发。通过联合实验室、技术转移中心等形式，加速科研成果的转化应用。鼓励跨学科研究，整合建筑学、环境工程、信息技术等多个领域的研究力量，推动低碳智慧建筑技术的综合性创新。5.3 推广示范工程与应用 政府和行业协会应支持和推广低碳智慧建筑的示范项目，通过实际案例展示低碳智慧建筑的技术优势和经济社会效益，提高公众和市场的认知度和接受度。1 78 鼓励地方政府和企业参与示范工程的建设和运营，通过实践不断优化和完善技术方案，形成可复制、可推广的

142、成功模式。5.4 培育专业人才与团队 加强对低碳智慧建筑相关人才的培养和教育，包括工程师、技术员、项目经理等，通过专业培训、继续教育等方式提升从业人员的专业技能和项目管理能力。建立人才激励机制，吸引和留住高端人才，为低碳智慧建筑领域提供持续的智力支持。5.5 加强市场机制和技术创新 建立和完善市场机制，通过市场化手段引导和促进低碳智慧建筑技术的发展和应用。例如，通过能效交易、碳交易等市场机制，为低碳智慧建筑项目提供经济激励。持续推动技术创新，鼓励企业开发新材料、新产品、新工艺，提高建筑的能源效率和环境适应性，满足市场多样化的需求。1 79 6 低碳智慧建筑优秀案例 6.1 北京微构工场智慧工厂

143、数字化管理平台 图 6-1 北京微构工场智慧工厂数字化管理平台（1）项目简介 微构工场是一家拥有前沿合成生物技术的企业，专注于嗜盐微生物的改造和工程化应用，进行“平台+产品”双矩阵发展。微构工场成立于 2021 年 2 月，创始人是清华大学合成与系统生物学中心主任陈国强教授。主要利用前沿的“下一代工业生物技术”平台建设“超级细胞工厂”，进行生物降解材料 PHA、医药中间体四氢嘧啶、尼龙 56 前体戊二胺等多种高附加值产品研发和生产。微构工场北京生产基地位于北京市顺义区赵全营镇中德产业园内，为 1000吨/年 PHA 智能示范线，主装置含培菌及预发酵、PHA 发酵、PHA 离心与洗涤、破壁水解、

144、分离洗涤、干燥包装以及配套的辅助设施和公用工程等。生产基地同时也是合成生物学研发中心，围绕新技术开发、医用 PHA 材料生产和高值化合物合成开展研究，为公司发展提供持续技术支撑。1 80 北京微构工场智慧工厂数字化管理平台是对厂区、厂房外立面、厂房内部布局，以及发酵罐、锅炉，冷冻水及污水处理等设备及管路进行 3D 建模。基于物联网及数据集成技术，整合生产工艺设备、工艺辅助设备、能耗能效、控制逻辑、碳排放数据，可实时监控 PHA 材料生产过程，并以数字的方式重构罐体生产过程，完成更深层次建模。不仅如此，基于数字化可视系统，还可以对生产过程中的碳足迹全程智能跟踪，实现能耗与碳排放的数字化全程监控，

145、并可为生产过程提供实时有效对碳排放管理。（2）创新亮点 基于 BIM 的数字孪生工厂建设 借助数字孪生理念和先进的 3D 可视化技术实现工业园区的模拟展示。应用了 BIM 技术对厂区、厂房外立面、厂房内部布局、发酵罐、锅炉、罗茨风机、冷冻水及污水处理等设备及管路，以及酵罐的驱动电机、搅拌、盘管等内外部件进行 3D 建模。基于物联网及数据集成技术，整合生产工艺设备、工艺辅助设备、能耗能效、控制逻辑、碳排放数据，可实时监控 PHA 材料生产过程，并以数字的方式重构罐体生产过程，完成更深层次建模。1 81 图 6-2 厂区 BIM 模型 基于大数据及深度学习的负荷预测 结合工厂用电/冷/热负荷特性，

146、综合考虑气象变化，负荷类型、节假日等影响，对建筑电/冷/热负荷进行即时预测和短期预测。利用大数据技术将气象信息、企业生产规律等不同种类的外部相关数据，通过抽象的量化指标表征与负荷之间的关系，结合业务需求、历史数据、实时数据、AI 执行反馈，实现对负荷变化趋势更为精确的感知，提高预测精度。1 82 图 6-3 能效优化控制流程 基于高精度性能模型的系统层主动寻优 创新应用人工智能技术实现优化控制，基于数据校核模型的全系统仿真，在不同室外状况以及系统负荷下，利用校核的系统模型实时寻找建筑运行的最佳效率点，实现系统层全局优化控制，实时对比优化工况与常规工况差异，优化计算并输出系统最优控制设定。图 6

147、-4 能效寻优控制过程（3）实际效果 数字孪生工厂建设 解决在生物制造生产过程中，人为控制的差异，人工操作时间、频率等因素对生产结果的影响，实现生产过程全流程进行实时监控，更精准、更客观的控制生产过程，降低人为控制的失误风险。平台建设完成后，操作人员从行业常规的 5 人减少至 1 人，运维效率提升80%以上，产品不良品率预计降低 10%以上。在该场景实现了数字化与合成生物学结合，达到了合成生物智能生产工业 4.0 时代，引领了合成生物生产数字化1 83 变革，从传统的生物制造升级到智能生产时代。在线实时集中一体化安全保障 传统的工业系统，存在多个子系统，各子系统往往单独运行，无法互联互通，管理

148、分散。各子系统操作方式和流程不统一，数据查询与数据导出较为困难，导致对人力依赖度高。本项目应用物联网平台技术通过连接管理实现支持多网络、多协议、多平台、多区域设备快速接入和实时在线。通过设备管理通过标准治理实现协议标准转换，数据统一转发、集中存储。通过应用赋能应用数据并行计算、数据共享，灵活构建联动场景，实现业务融合。平台建设完成后，实现了生产集中监控，从“声音提示”、“视频图像确认”、“信息提醒”等维度保障生产的安全运营，成为真正意义上“有警必报”“有警必应”，“有警必案”的安全平台，实现了第一时间危险处理的目标。取消了现场监控人员，仅保留巡检人员，运维效率提升 80%以上。生产全过程碳排放

149、跟踪 传统工业厂房采用人工抄录能耗数据，人员工作量大，易出错，数据记录的频次和数据记录的范围无法满足能耗精细化统计、分析、诊断等需求。本项目通过监控、感知、分析用户的各种能源的详细使用情况以及周边环境数据，开发能耗管理功能为节能降耗与环境监控提供直观的科学依据，同时分析能源消耗的所有环节，探知节能潜力，并将分析结果用于生产运行的控制策略中，实现真正的节能。本项目建立了合成生物学生产过程的能耗指标体系，通过能源管理平台实时计算与分析设备或系统的实际单位能耗或能效值，与规范值（横向）1 84 对比情况，或与项目历史用能情况的基准值（纵向）对比情况。能耗指标体系包括：单位面积/产量总能耗、单位面积/

150、产量空调能耗、空调系统能效指标概览、冷机 COP 等。基于数字化可视系统，还可以对生产过程中的碳足迹全程智能跟踪，实现能耗与碳排放的数字化全程监控，并可为生产过程提供实时中，有效对碳排放进行管理。能效平衡与优化 传统工厂能效管理面临诸多问题，能源使用不可视，能源浪费不知情；能效管理不精细，使用预测不准确；能源相关系统独立运行，无法集中综合管控；缺乏专业的能效管理和节能分析方法，无有效节能手段，无法实时管理，给工厂环境及可持续性发展带来了很大压力。本项目对工艺辅助主要用能设备建立了基于“机理框架+数据驱动”的高精度性能模型：采用机理框架+数据驱动的方式，根据实际设备，建立设备的物理模型。准确合理

151、的设备物理模型反映实际设备的基本运行特性，符合设备独有运行曲线，并可由此模型计算出在各运行工况下的能效。本项目建立了系统级全局优化控制，是以能耗模型为基础的整个系统多维、主动寻优的节能控制系统。系统是建立在每个设备整体性能特性的基础上，通过多维寻优的方法寻找满足工艺设计及冷量需求下整个系统最佳能效点，从而实现最佳节能目标。6.2 Thundercomm 智慧办公项目 （1）项目简介 本案例全称为 Thundercomm 智慧办公项目，项目位于北京市海淀区学清1 85 路甲 38 号金码大厦 B 座 5 层，建筑面积约 3000m，职场共计容纳 324 个工位。Thundercomm 智慧办公目

152、标为“建设新型智慧办公领域的灯塔”。智慧办公灯塔项目依据金码大厦的楼宇风格特点，深入结合创达的上海品茶，围绕“科技体验、空间体验、人居体验”三个方面进行了智能化的顶层设计；案例融合了软件、硬件、设备和工程几个方面的内容，并且有大量创新内容，并且交付后通过实际体验又进行了不断迭代升级，逐步完成了智慧办公的生态建设和交付后的稳定运行。Thundercomm 智慧办公项目针对办公场景的需求并结合建筑的特点，设计了七大智能化系统，如下：访客系统 图 6-5 Thundersoft 访客一体机 1 86 图 6-6 双屏-访客屏界面 图 6-7 双屏-行政管理屏界面 1 87 会议室系统 图 6-8 T

153、hundersoft 会议室物联网设备总览 图 6-9 Thundersoft 会议门牌 图 6-10 Thundersoft 智能会议室综合态势1 88 图 6-11 Thundersoft 智能会议室使用效率统计 门禁与考勤系统 图 6-12 Thundersoft 人脸门禁/考勤机1 89 图 6-13 Thundersoft 人脸考勤统计 AI 安防与视频感知系统 图 6-14 Thundersoft 离岗检测/告1 90 图 6-15 Thundersoft 人员聚集告警 图 6-16 Thundersoft 客流统计/人脸轨迹 1 91 工（厕）位管理系统 图 6-17 Thund

154、ersoft 工位感应器/数据采集器 图 6-18 Thundersoft 工位占用状态 1 92 图 6-19 Thundersoft 厕位占用状态 图 6-20 Thundersoft 厕位分时段统计 1 93 图 6-21 Thundersoft 厕位门感应开关/采集器 环境与能源管理系统 图 6-22 Thundersoft 环境监测 1 94 图 6-23 Thundersoft 多功能环境检测器 图 6-24 Thundersoft 其他环境检测设备 1 95 图 6-25 Thundersoft 暖通空调控制及能耗统计智慧空间看板与空间大脑 图 6-26 Thundersoft

155、智慧看板 1 96 图 6-27 Thundersoft 数字孪生空间（2）创新亮点 Thundercomm 职场智慧办公项目其创新之处在于系统集成设计，实现了不同智能系统之间的无缝对接和数据共享。Thundercomm 职场智慧办公项目的核心技术原理基于物联网(IoT)和人工智能(AI)技术，实现了高度智能化的办公环境。通过传感器、智能设备、大数据分析和云计算技术，该项目将硬件设备的数据有效整合，进行深度分析和智能处理。例如，环境与能源管理系统利用智能传感器监控室内温度、湿度和空气质量，通过 AI 算法优化能源使用，实现节能高效。门禁与考勤系统采用生物识别技术，提升安全性能。AI 安防与视频

156、感知系统则结合计算机视觉和模式识别技术，有效提升了安全监控的准确性和响应速度。整体上，此项目展示了先进的技术集成能力和高性能指标，如数据处理速度、系统稳定性和用户体验等。（3）实际效果 Thundercomm 职场智慧办公项目在技术创新性和先进性方面，相比国内1 97 外同类研究和技术有显著优势。与国内同类技术相比，Thundercomm 的项目在智能环境监测、能源管理以及 AI 驱动的安防系统方面表现更为出色。与国际先进水平相比，虽然在某些技术应用如生物识别和 AI 数据分析方面有一定差距，但在整体智能化办公生态构建和系统集成方面显示了较高的水平。特别是其对中国本土办公文化的深入理解和应用，

157、展现了独特的创新性。Thundercomm 职场智慧办公项目的技术成熟度较高，已在实际办公环境中稳定运行并不断迭代优化。其应用范围广泛，不仅适用于大型企业办公场所，也适合中小型企业和创新型工作空间。技术的通用性和适应性强，能够根据不同企业的特定需求进行定制化调整。此外，项目中的多系统集成设计和模块化构建方式，使其在横向扩展和纵向深入应用方面都具有较大的灵活性和扩展性。应用于 Thundercomm 的智慧办公项目已经显著改善了工作环境，提高了员工的工作效率和满意度。经济效益上，通过智能能源管理系统，企业节约了大量的能源开支，同时提高了资产使用效率。社会效益方面，项目提升了企业形象，吸引了更多人

158、才，同时通过提供高效便捷的工作环境，增强了员工的幸福感和归属感。环境效益上，智能节能系统有效减少了能源消耗，减轻了对环境的负担。整体来说，该项目在经济、社会和环境三方面都产生了积极的影响。项目交付已经满一年；在长达一年的运行时间里，Thundercomm 智慧办公给职场带来了显著的效率提升和办公环境体验升级，同时也降低了能耗和公司运营成本，践行了绿色办公、低碳办公的理念。6.3“光储直柔”建筑示范项目 （1）建设地址 1 98 中法武汉生态示范城位于武汉市西部，汉江以南，紧邻主城区，主要依托三环线、四环线、外环线、汉蔡高速强化与周边地区的交通联系。用地北抵汉江、南至马鞍山及后官湖生态绿楔、西达

159、凤凰山工业园、东接三环线，总面积约 39平方公里。图 6-28“光储直柔”建筑示范项目地理位置示意图（2）“光储直柔”建筑电气系统的基本概念“光储直柔”这一概念最早是由江亿院士提出，“光”即建筑光伏，“储”是建筑内储能及利用邻近停车场电动汽车的电池资源，“直”指建筑内部采用直流供电，“柔”则是“光储直柔”的目的，即实现柔性用电，使其成为电网的柔性负载或虚拟灵活电源；“光储直柔”建筑电气系统的最终目标是使建筑用电系统由目前的刚性负载变为柔性负载，可以根据电力系统的供需关系随时调整用电功率，而不决定于当时系统内各用电设备的用电功率。“光储直柔”建筑电气系统设计原理如下图所示，设计主要分为以下四部分

160、内容。1 99 图 6-29“光储直柔”建筑电气系统设计原理（3）“光储直柔”建筑电气系统的优势“光储直柔”建筑电气系统可有效解决电力系统零碳化转型的两个关键问题，即增加光伏建筑一体化（BIPV）的装机容量和有效消纳波动的可再生能源发电量。“光储直柔”建筑电气系统与传统建筑电气系统有较大差异，下面我们从四个方面进行分析类比。“光”指的是建筑中的太阳能光伏发电，光伏建材作为建筑材料可直接融于建筑。随着晶硅电池片的成本不断降低，以及晶硅光伏建材在色彩、外形等方面，与建筑结合形式越来越丰富，目前晶硅光伏建材已成为 BIPV 建筑中使用最广泛的建材之一。1 100 光伏装机容量的爆发式增长得益于晶硅电

161、池片效率的持续提升和成本的持续降低。大规模生产的单、多晶电池平均转换效率分别从 2010 年的 17.5%和16.5%，提升至 2022 年的 26%和 25%（来源于实验室数据），电池效率 12 年来提升了 8%。未来随着新技术的不断突破和制作工艺的提升，其效率还将会不断提高。“储”指的是建筑中的储能设备，包括电化学储能、生活热水蓄能、建筑围护结构热惰性蓄能等多种形式。本项目宜将光伏发电、分布式储能、直流电建筑及柔性控制系统四种技术结合，为该建筑提供的光储直柔系统设计方案，使建筑通过运用柔性用电的建筑管理系统，实现建筑用电的自我调节和自主优化，为地下停车场提供了照明，降低了能源损耗，实现了光

162、伏发电与智能电网技术的有机融合，更好的体现了绿色低碳理念。“直”指的是建筑低压直流配电系统。直流设备连接至建筑的直流母线，直流母线通过 AC/DC 变换器与外电网连接，构建直流电器生态是推广“光储直柔”系统的基础。“柔”指的是柔性用电，也是“光储直柔”系统的最终目的。柔性建筑的概念是由国际能源署 IEA EBC Annex 67 课题（2014-2020）系统提出：在满足正常使用的条件下，通过各类技术使建筑对外界能源的需求量具有弹性，以应对大量可再生能源供给带来的不确定性。本项目考虑为大楼设计低压直流微电网建设方案，以有效降低光伏发电通过电网长距离传输造成的损耗下降。技术先进的直流照明应用，使

163、得整个照明系统功率损耗下降 15%。1 101 （4）“光储直柔”建筑电气系统发展的意义 加快构建新型电力系统 加快发展双碳新型能源系统 带动制造产业有效投资 6.4 上海建科莘庄科技园区十号楼 上海市建筑科学研究院作为绿色建筑行业的领跑者，2004 年建成了全国首栋绿色三星建筑莘庄生态楼，2010 年建成了绿色建筑 2.0“莘庄综合楼”，2019年建成了绿色建筑 3.0“莘庄科技园区 10 号楼”（以下简称“10 号楼”）。10 号楼是上海建科集团对第三代绿色建筑的积极拓展和领航，为推动集团的发展奠定了坚实的基础。本项目不仅将承载集团最新的科技创新成果，成为科技创新的试验田，还将通过管理模式

164、的创新，探索建设管理转型实践之路，提升集团综合服务能力，体现建科技术水平的生态智能化建筑。图 6-30 项目实景图 1 102 （1）项目简介 10 号楼项目位于上海市闵行区建科莘庄科技园区申旺路 519 号。项目总建筑面积 23265.03，其中地上部分 6 层建筑面积 9127.92，地下部分 2 层建筑面积 14137.11，并已于 2019 年 7 月竣工。项目是上海首批设计施工总承包试点项目，作为集团承担的科技部十三五重点研发计划课题“需求导向的绿色建筑 BIM 综合运营平台开发及示范”和“降低供暖空调用能需求的围护结构和混合通风适宜技术及方案”的集成示范工程，同时实现了绿色建筑三星

165、级、健康建筑三星级、超低能耗建筑以及 WELL 金级的四大认证目标，以及华夏好建筑、好建筑行动示范项目等荣誉。1 103 图 6-31 项目获得的部分认证标识（2）创新亮点及实际效果 10 号楼在低碳节能、健康舒适和全过程 BIM 应用方面有着出色的技术应用及性能表现：低碳节能 项目在设计时以超低能耗建筑为目标，基于上海气候特征和自然条件，建立保温隔热性能更优和气密性能更高的围护结构技术体系，窗墙比0.45、屋面传热系数0.40、外墙传热系数0.60、供暖房间与非供暖房间间隔墙传热系数2.0、外窗传热系数1.7（采用玻纤增强聚氨酯节能窗）、遮阳系数0.32、气密性7 级。降低建筑采暖空调负荷

166、20%以上。同时基于建筑用能特征和功能特性，采用机械新风+自然通风的混合通风方式，延长非采暖空调时间 10%以上。根据建筑用途和负荷特征选用高性能多联机机组，实现部分负荷自适应，具有节能、舒适、室内控制灵活等特点，满足不同时间、不同空间的部分负荷空调需求。并配合 Move Eye 智能人体感知技术，智能感知人员数量及位置，自动调整送风方向，送风方向可根据人员习惯设定风随人动、风避人动等不同模式。经能耗评估分析，10 号楼 2020 年 6 月至 2021 年 5 月建筑用电量合计941,609kW/h，单位建筑面积用电量 39.73 kW/(hm2)。相较于民用建筑能1 104 耗标准GB/T

167、 51161-2016 夏热冬冷地区建筑能耗约束值，10 号楼作为超低能耗建筑示范，建筑能耗降低幅度达 53.25%。健康舒适 项目着重考虑了健康舒适、以人为本的办公环境营造，在设计阶段进行室内空气质量预评估，指导净化设备选型、装饰装修材料及家具用品选购。严选健康、低挥发的室内装饰装修材料和办公家具，地板采用 Floorscore 认证产品、家具采用 GREENGUARD Gold 认证产品，最大限度减少建筑材料中的有机化合物对室内空气质量的影响，营造健康舒适的室内办公环境。吊顶循环式空气净化器采用高效级及活性炭过滤，单台洁净空气量在 950m3/h 以上。在不同功能的房间，采用商用级精度传感

168、器，可监测温度、湿度、PM2.5、CO2、甲醛、TVOC 等参数。室内空气品质（甲醛、苯、TVOC）现场检测结果远低于室内空气质量表GB/T18883-2002 限值要求。同时根据使用者满意度调研结果，10 号楼非空调工况总体满意率为 82.29%；空调工况总体满意率为 87.49%。全过程 BIM 应用 10 号楼在设计阶段采用 BIM 正向出图；施工阶段运用 BIM 场布模拟完成管线碰撞及复杂节点模拟和技术交底；竣工阶段针对施工结束之后需要维护项目以及具体参数进行分析，形成竣工模型；运营阶段根据竣工模型进行模型轻量化和基于 BIM 技术的运营平台建设。功能导向的绿色建筑 BIM 运营平台解

169、决了上海建科莘庄科技园区运营优化提升面临的问题，如数据协同处理、能耗评估分析、管理效率提升等；基于园区绿色设施设备精细化管理、园区运行节能的技术示范，降低园区运营成本，助力园区实现原绿色低碳目标。1 105 （a）设计阶段（b）施工阶段 （c）竣工阶段（d）运营阶段 图 6-32 BIM 模型传递 1 106 6.5 北京中海安贞门环宇荟、北京中海国际中心 图 6-33 项目实景图 图 6-34 项目实景图 1 107 图 6-35 项目实景图（1）项目简介 本项目位于北京市朝阳区，建筑面积 128017，为降低项目制冷系统能耗运行控制难度，提升运维管理水平。本项目应用多种人工智能算法，根据研

170、究和行业实践积累，将传统冷站运维技术和人工智能技术相结合，应用了一种基于人工智能的冷站数字运维技术，研制出一套基于实时参数动态预测冷量的冷站智能控制系统，通过提供实时参数对冷站设备动态调整，对冷站能耗进行精细化管控，使管理者全面掌控冷站用能情况，避免管理漏洞和技术缺陷，实现冷站高效用能，促进冷站运维组织的管理能力全方位提升。项目简介：应用了一种冷站运行控制装置和冷站运行系统，包括采集模块、监控模块、策略模块、信号分发模块、控制执行模块，提出以系统运行效率和环境品质为控1 108 制目标的冷站制冷系统低能耗运行控制策略，降低被控建筑室内环境温度的离散度，平均温度在 250.5，提升环境控制品质；

171、在创建冷站运行控制装置和冷站运行系统的基础上，使用冷量预测技术，建立冷量预测模型，预测下一时间段内所需的目标需求冷量，根据目标需求冷量确定下一时刻的冷机运行策略，可准确预测下一预设时刻的冷机运行策略，避免冷机能耗浪费的情况发生；基于人工智能算法，结合行业大数据积累，建立智能模型，推出适合项目的运行策略，建立了冷量预测模型、冷机综合寻优模型、水泵温差控制模型、冷却塔联合变频模型，通过参数的输入及岭回归、LSTM 算法的应用，输出所需参数，涉及年度冷站制冷季节能率达 10%15%。图 6-36 项目运行控制系统图（2）创新亮点 创建了一种冷站运行控制装置和冷站运行系统，包括采集模块、监控模块、策略

172、模块、信号分发模块、控制执行模块，提出以系统运行效率和环境品质为控制目标的冷站制冷系统低能耗运行控制策略，降低被控建筑室内环境温度的离散度，平均温度在 250.5，提升环境控制品质；在创建冷站运行控制装置和冷1 109 站运行系统的基础上，使用冷量预测技术，建立冷量预测模型，预测下一时间段内所需的目标需求冷量，根据目标需求冷量确定下一时刻的冷机运行策略，可准确预测下一预设时刻的冷机运行策略，避免冷机能耗浪费的情况发生；基于人工智能算法，结合行业大数据积累，建立智能模型，推出适合项目的运行策略，建立了冷量预测模型、冷机综合寻优模型、水泵温差控制模型、冷却塔联合变频模型，通过参数的输入及岭回归、L

173、STM 算法的应用，输出所需参数，涉及年度冷站制冷季节能率达 10%15%。图 6-37 项目运行控制系统图（3）实际效果 本技术已在实际工程中得到两年以上的充分验证，成果应用于多个大型商业地产集团，已实现单个冷站每年节电量 30 万度，节省电费 30 万元，累计节电超过 90 万度，人员成本节省约 15 万元/年。社会效益：本技术可以通过优化冷却系统的运行，减少能源的消耗，从而降低能源的浪费和碳排放。这有助于减少对环境的负面影响，提高资源利用效率；可以实时监测和控制冷却系统的运行状态，通过智能化的算法和数据分析，优化系统的运行策略，提高冷却效率和性能。这可以降低运行成本，提高设备的利用率和寿

174、命。1 110 6.6 融科资讯中心智慧低碳运维项目 图 6-38 项目实景图 融科资讯中心是中关村核心园林式综合商务园区，位于北京市海淀区科学院南路，由 ABC 三座写字楼构成主体建筑群落，总建筑面积 28 万平方米。图 6-39 项目实景图 融科资讯中心原运维方式主要依靠运维人员经验判断手动调节，该方式严重1 111 依赖运维人员的经验水平，且系统工况变化调整周期长，仅仅依靠人工监测无法及时做出调整，运行稳定性和高效性无法保证，且粗放经验式管理导致建筑数据缺少记录也无法提供有效利用价值。项目充分利用AIOT技术打造国际领先的智慧低碳运维新模式，以节能降碳、提升室内舒适性、提高运维工作效率为

175、目标，从建筑节能、品质提升、管理高效三个维度建立智慧运维管理体系，实现“融科智慧低碳园区”，持续提升客户的服务品质。图 6-40 项目智慧运维管理体系 区别于传统工程改造，以节能策略为主线，以智能策略驱动建筑实现节能低碳运维管理，轻量化施工，不影响建筑正常运营。通过智能运行策略，进一步提升物业运行管理水平，人工日常监控工作量减少一半以上，实现“自动低碳运维的智慧融科”，可自动预判建筑各地区的冷热需求，自动选择最优运行方式，室内空气环境可达最舒适状态，同时系统最优运行，降低能耗。（1）采集多种环境参数，环境品质在线实时可视化 1 112 全链条自主研发有线/无线 IOT 物联网传感器，监测类型涵

176、盖能源、系统、环境三类，可灵活组网、即插即用。且覆盖融科资讯中心租区、商区及机房 500+个环境和设备监测点位，实现实时监测各区域的室内环境参数和设备各类型的运行参数，园区采集数据总量超过 23 亿条，为融科系统供需匹配调节提供有效数据支持，为制冷机组、循环水泵等主要设备运行提供可靠性数据支撑。图 6-41 项目传感器图 （2）自动预判建筑各地区的冷热需求，掌握需求的精准节能 首创多模态融合算法模型，开发了无数据模型、小数据模型、大数据模型，可适配各阶段数据量的建筑，已形成 5 种策略生产方法，已积累功能性算法模块超 60 个，智慧节能控制算法已在融科持续运行超 2 万个小时。实时分析环境、1

177、 113 设备、系统和管理的情况，并按照室外环境情况和建筑运行特点划分多种工况，设定室内舒适度范围，实时调整运行系统参数和设备启停数量，解决传统人工运维调节滞后等问题。图 6-42 项目多模态融合算法模型 相较于收到租户过冷/过热投诉后再进行操作的反馈调节，提前预知下一阶段需求的前馈控制能够更明显改善室内环境舒适度。（3）综合提升运营管理水平，运行效率全面提升 智能运维管理平台可实现 1 个暖通工程师同时管理超十个项目的策略组装及运营管理。平台集成融科资讯中心运维环节中的7类数据采集系统，形成110+页的数据页面，实时数据处理量可达 10000+条，年储存数据达 23 亿条，涵盖能源管理、室内

178、外环境、设备管理、运维策略、平台系统管理等模块。融科资讯中心智慧低碳运维项目在持续节能、环境品质提升和提高运维管理水平等方面呈现出新型智慧运维模式的优势。实现了诸多以前从未实现的功能与效果：物业人员定时开启/关闭设备、调节设备参数等每天重复进行的操作现在都可以自动完成，全面提升管理效率。智能控制算法不仅能预测空调系统何时需要调节，还能自动调节到舒适的1 114 区间，即使面对室外气候突变，室内也依然舒适如常。精准的算法调节除了提高舒适度外，也可以通过提高调节精准度挖掘节能空间，不影响室内舒适度的前提下节能降碳。人力：已持续节能运营超 50 个月，已实现由 12 人减少至 1 人值守；财力：每年

179、节省人力成本超 180 万元，降低运行成本超 185 万元，减少施工成本超 500 万元；碳排放：节电量节气量换算碳排放量累计节超 1131.88 吨二氧化碳 满意度：客户满意舒适度在 95%以上，A/B/C 三座各季节平均舒适时长超77.4%；其他：AC 座获得了 LEED EB 铂金认证、B 座获得 LEED CS 铂金认证、绿色建筑三星级认证。图 6-43 项目逐年碳排放数据 1 115 6.7 海尔 C02 空气产业大楼绿色低碳能源管理项目 图 6-44 项目实景图（1）项目简介 海尔C02空气产业大楼位于海尔科创生态园内，总建筑面积36744.8平米，地上 12 层、地下 2 层，首

180、层高 6 米，2-3 层展厅层高 4.7 米，4-12 层标准办公室层高 4.2 米，共有会议室 82 间，可容纳 2700 人同时办公。楼宇空调面积 3.65万平，总冷负荷 3960kW、总热负荷 2754kW，采用机房冷水机组制冷，接入市政热源。楼宇内入驻海尔集团的空气产业、楼宇产业和 PSI 部门，制冷机房在满足办公制冷需要的同时，还要兼顾参观展示功能。（2）设计概述 超高效机房设计 从主机到水泵均使用海尔自己生态产品，主机为一台 700RT 的磁悬浮水冷机组和一台 700RT 的气悬浮冷水机组，冷冻冷却设备自带备用，两台方形横流冷却塔，额定流量 800m/h。1 116 图 6-45

181、项目分布式边缘控制架构 智能控制设计 图 6-46 超高效机房智能控制技术 EC-Driver 节能技术突破常规节能效率，实现系统整体节能 50%以上，搭载建模和寻优引擎，七大控制关键技术联邦迁移学习、预测模型、滚动优化、群控系统数据、反馈校正、增量式迭代模型优化技术、故障诊断与容错技术，实现系统的“主动”预测与全局优化。（1）联邦迁移学习 1 117 图 6-47 超高效机房智能控制关键技术-联邦迁移学习 首先通过算法管理模块建立自增长自适配模型池，然后通过算法调试模块进行迁移学习的同时更新模型池，最后通过专家干预模块进行调优。在大量的实践经验上提供定制化方案。（2）机理建模 图 6-48

182、超高效机房智能控制关键技术-机理建模 通过设备能效模型搭建技术拟合设备特性曲线，建立设备性能模型，为运维提供数字支持。1 118 （3）自更新机理模型 图 6-49 超高效机房智能控制关键技术-自更新机理模型 机理建模搭建好后，导入出厂数据和行业标准进行训练，实现模型自动迭代、数据接入平台、可视化效果预测，为自动寻优提供最新方案。（4）全局优化控制 图 6-50 超高效机房智能控制关键技术-全局优化控制 系统导入训练好的自更新模型后，耦合适应度函数，通过专家库诊断修正后，下发控制命令，实现风、水系统联动，以满足节能和舒适度要求。1 119 （5）负荷预测与舒适度评估 图 6-51 超高效机房智

183、能控制关键技术-负荷预测与舒适度评估 系统运行后，为不同项目导入不同预测模型，在复杂情况下实现负荷预测。并引入舒适度指标自定义，实现运行舒适度估测的同时，支持人员反馈修正。（6）设备故障诊断与容错技术 图 6-52 超高效机房智能控制关键技术-设备故障诊断与容错技术 通过对比实时数据和模型预测参数，进行趋势分析和传感器定位，系统能够及时觉察、诊断、修正故障，最大程度避免意外停机。（3）节能优化设计 1 120 中国建筑节能年度发展研究报告表明我国建筑制冷机房 COP 全年平均仅在 2.53.0，而根据 高效空调制冷机房评价标准 T/CECS 1100-2022 要求，夏热冬冷地区的一级能效机房

184、要实现 COP5.5。就山东地区来说，相对一般制冷机房，一级能效的高效机房可节约机房耗电量 53%，建筑总耗电量节约 20%。项目机房效率目标为 COP6.0，通过仿真测算，压缩冷冻泵、冷却泵和冷却塔设备占比，将主机占比提升到机房的 73%。主机选型优化 图 6-53 主机选型优化 原设计使用两台变频离心机，后升级为一台磁悬浮和一台气悬浮组合。磁悬浮采用 vtx 压缩机，带抛球自清洁，水阻不大于 40kpa。磁悬浮多机头的 AI 自适应功能，根据制冷量需求匹配最佳 GB 工况 COP。水泵选型优化及低阻设计 1 121 图 6-54 水泵选型优化及低阻设计 采用一次泵变流量系统、高效变频水泵、

185、两台高效低接近温度冷却塔，不设集分水器，采用软水+定压补水，水处理采用综合水处理+加药装置。水力模块已包含球形阀门、过滤器及管路，现场即可快速安装；集中式篮式反冲洗过滤器，集三成一，阻力 5kPa；背包式变频器，减少变频控制柜，降低成本至 76 万元。管路低阻设计 图 6-55 管路低阻设计 通过同程管路，直角过滤器、加粗、倾斜、去掉压力平衡阀，机房主机支管1 122 和总管 45折弯，减少上下管路数量，优化阻力；末端增加一排管，实现末端水阻力不大于 40kap。优化后，冷冻水循环泵扬程下降 18%，冷却水循环泵扬程下降 17%。优化前后能效仿真结果对比 图 6-56 优化前后能效仿真结果对比

186、 优化后，磁气悬浮高效机房能效仿真数据显示，制冷季耗电量累计 71.2 万kWh，制冷季综合能效达到 6.34。（4）投资回收分析 图 6-57 项目投资回收期分析 与磁悬浮常规机房相比，磁气悬浮高效机房初次投资成本较低，年电费用、1 123 年运维合计费用大大降低，预计投资回收期 1.6 年，十年累计节省费用近 300 万元。（5）运行反馈报告 项目输出报告 图 6-58 项目输出报告 海尔 C02 空气产业大楼是海尔低碳智慧建筑解决方案的样板案例，该项目不仅运行了公司自主研发的高效机房智控平台以及搭配低碳能源管理系统的海尔楼宇大脑，通过边云协同、云算边控等技术实现了整栋大楼的绿色低碳运维，

187、有效实现设备设施的管控、综合提升了运营管理水平，运行效率全面得到提升。冷源系统全年能效比 EERa 达到 6.8，年节能率达到约 20%，日节电 500 度，年度节省电费 55200 元（按照制冷季四个月计算）1 124 C02 楼宇大脑 高效机房 图 6-59 项目高性能节能标识 1 125 6.8 利星行中心物业可持续运维项目 图 6-60 项目实景图 利星行中心位于北京市朝阳区望京核心区，连通地铁“阜通”站。项目建筑面积 313,398 平米。业态项目业态包括办公、酒店、商业。该项目提供全方位服务包括：物业前期顾问及运营期物业管理+绿色建筑认证+建筑楼宇智慧运维+智能停车场服务。在该项目

188、，通过在物业管理服务场景下推行 Savills BSOA（商务楼宇可持续运维评价）策略，在治理、能耗、财务、协同、环境、风控六维策略模型的协同下，实现物业项目运行在可持续发展方面的多重表现，提升客户体验和资产价值。1 126 图 6-61 商务楼宇可持续运维评价工具（1）智能配电运维系统 2023 年利星行中心搭建智能配电运维系统，项目设置 4 座高、低压配电室，实现无人智慧化运维。此系统采用行业前沿的大数据、物联网、边缘计算、流处理等先进技术，搭建实现 IOT 物联网电力监测管理平台，对变配电系统的实时监测，保障电力系统安全稳定运行。应急响应电话通知应急响应电话通知 短信推送短信推送 APP

189、 推送推送 移动无线通讯网络 电子邮件推送电子邮件推送 站内局域网 无线发射 电力监控平台机器高压柜子开阿里云端服务器 现场监控工作站 现场无线 路由器 移动基低压柜子开变压器 采集仪采集仪采 集 仪采 集 仪温 控 采温 控 采1 127 图 6-62 项目智能配电运维系统 智能配电运维系统实现效益：提高能源系统的可靠性，保障供电连续性使电能质量得到有效治理。提高能源系统的管理效率，降低运行成本近 80 万元。改善电能消耗方式，促进节能降费 5%。监测电能质量问题，减少故障风险 70%。有效的诊断工具，缩短故障停电时间 80%。（2）设备设施全生命期管理最佳运维策略 通过区分设备、设施的健康

190、度，建立碳排放监测模型，推进实施设备、设施节能改造，优化维修策略，从而实现减少设备、设施全生命期成本 5%，设备寿命延长10%。碳排放减量 6%。最佳管理运维策略包括如下内容：优化控制程序，离心机负载过低时，系统自动切换至小螺杆机运行；监测空调水质变化，及时清洗空调系统交换器；实现水泵进一步的节能，加装变频器优化控制；优化水温设定，将冷冻水温差提至 4-5，减少过度供冷及过度除湿，实现供冷量的节省。1 128 图 6-63 项目能耗监测系统（3）节能与健康并重，室内空气品质安全可靠 利星行中心在人员密集的场所，如敞开办公区、公共走道、大堂等区域安装室内空气质量监测器，能够采集每层租区内的温度、

191、湿度、PM2.5，二氧化碳，挥发性有机化合物，甲醛数值。当室内 CO2浓度发生改变时，室内空调变风量末端会根据采集的数据自动调节风阀开度。该监测与调节功能可以在保证室内空气质量的前提下尽量节约空调能耗。同时，室内空气质量的数据不仅可以在中控室显示，当个别区域出现空气质量不合格时可以指导物业管理人员及时进行干预。同时，室内空气质量的显示屏也设置在公共区域，也方便楼内人员进行了解。2022 年，利星行中心获得国内首个建筑室内空气质量分级评价五星级认证。1 129 图 6-64 项目建筑室内空气质量分级评价认证标识（4）促进可再生能源利用，提高能源使用效率 利星行中心在屋面铺设太阳能光热系统供应生活

192、热水，集热器和水箱均安装于楼顶。正常气象条件下，太阳能热水产出量为 10 吨/天。在阴雨天气光照不足或夜间等情况，再启用其他辅助电加热。通过数据记录与在综合计算，太阳能系统生产热水占生活热水用量的比例达 50%以上。同时，本项目通过良好的智能管理平台可以自动实现设备的启停、参数调节与运行状态的记录，全面提升运行效率。另外，利星行中心通过能源计量系统，可以分项记录冷热源、输配系统和照明等各部分能耗，通过记录的历史数据为后续制定节能策略指明具体方向。依托于以上合理的智能管理平台与精细化的物业管理，保证项目在不影响室内舒适度的前提下节能降碳。1 130 图 6-65 项目能源计量系统 （5）增设健康

193、服务设施，探索可持续协同机制 利星行中心一期与二期之间设置了景观资源丰富的公园，顾问方提供了绿化维护服务，人们可以使用良好的绿化步道，供其健身放松使用。除此以外，在近两年内本项目也增设了一些健康配套服务设施，如公共的母婴间、室内的休憩减压空间。这些健康服务设施完全开放给公众使用。顾问方与项目业主、租户建立 ESG 小组，定期召开专题会议，共商可持续发展议题，协同营造绿色健康商务场景。就世界地球日环保宣传、优化废弃物分类处理、提升室内空气质量、租户参与节能减碳计划等互动活动推动项目在可持续发展方面的持续提升。图 6-66 项目内部实景图 1 131 可持续顾问助力利星行中心先后获得了 LEED

194、CS 金奖，绿色建筑运营标识二星级，LEED EB 金奖，WELL 铂金奖等国内外认证。1 132 7 结论 7.1 报告总结 本报告低碳智慧建筑技术创新发展白皮书 2024（运行管理篇）全面审视了低碳智慧建筑技术在当前和未来建筑运行管理中的应用与发展趋势。报告首先明确了低碳智慧建筑的概念，强调了其在环境保护、能源节约和提升居住舒适度方面的重要作用。通过对现有技术和应用现状的深入分析，报告指出了建筑运维中存在的数据不准确、能耗管理效果差、智慧运维系统安全性不健全以及技术成熟度不完善等问题，并提出了相应的解决策略。报告进一步探讨了低碳智慧建筑技术创新面临的挑战，包括技术层面、政策与法规层面、市场

195、与投资层面以及人才培养与交流层面的问题，并提出了加强政策支持、深化产学研合作、推广示范工程与应用、培育专业人才等建议。此外，报告还展望了物联网技术、数字孪生技术、数据挖掘技术、能源微网技术、大模型技术等在建筑运维中的创新方向，为行业发展提供了清晰的指导和行动蓝图。7.2 展望未来 未来，低碳智慧建筑技术的发展将继续朝着更加高效、节能和环保的方向发展。随着技术的不断进步和成本的降低，预计未来的建筑将更加智能化、自动化，为人类社会创造更加美好的居住和工作环境。低碳智慧建筑将成为实现可持续发展目标的关键途径，为全球绿色转型贡献力量。预计未来的发展将集中在以下几个方面：首先，建筑能效的进一步提升，通1

196、 133 过更高效的能源管理系统和可再生能源的广泛应用，实现能源消耗的最小化。其次，建筑运行管理的全面智能化，利用物联网、人工智能等技术实现建筑运维的自动化和优化。再次，建筑行业将更加重视数据安全和隐私保护，确保智能建筑中的个人信息和运营数据得到妥善处理。最后，建筑行业将加强国际合作，引进和吸收国外先进技术和经验，推动本土技术的创新和发展。通过本报告的分析和建议，我们期望能够为建筑行业的决策者、技术开发者、政策制定者以及所有对推动建筑行业可持续发展感兴趣的人士提供有价值的参考和指导，共同推动低碳智慧建筑技术的创新和发展，实现建筑行业的绿色转型和可持续发展。1 134 8 参考文献 1 北京智能

197、建筑.智慧运维白皮书R.2021.2 暖通空调产业技术创新联盟智能化专委会，中国建筑能源管理系统应用现状调研蓝皮书R.2023.3 唐浩，余娟，耿阳等.公共建筑智能化运维平台应用现状调研,2023.4 中国建筑科学研究院有限公司 建筑环境与能源研究院，建科环能科技有限公司.建筑智能化应用现状调研白皮书R.2021.5 中国房地产业协会智慧建筑研究中心，中国城市科学研究会绿色建筑研究中心，智慧建筑发展报告R.2023.6 阿里巴巴集团置业部，阿里研究院.智慧建筑白皮书R.2017.7 深圳市艾特林科技有限公司.BIM 大型建筑运维管理的困境与解决思路.8 Al-Fuqaha,A.,et al.(

198、2015).Internet of Things:A Survey on Enabling Technologies,Protocols,and Applications.IEEE Communications Surveys&Tutorials,17(4),2347-2376.9 IEEE Xplore.(2019).Wireless Communications for IoT:Opportunities and Challenges.10 Satyanarayanan,M.,et al.(2017).The Case for VM-Based Cloudlets in Mobile Co

199、mputing.IEEE Pervasive Computing,8(4),14-23.11 Gubbi,J.,et al.(2013).Internet of Things(IoT):A vision,architectural elements,and future directions.Future Generation Computer Systems,29(7),1645-1660.12 Cook,J.A.,&Das,S.(2007).How Smart Are Our Sensors?An Introduction to Smart Sensor Systems.Journal o

200、f the Franklin Institute,344(6-7),577-607 13 Yang,L.,&Zhao,Y.(2019).Big data analytics in building energy management:A review.Renewable and Sustainable Energy Reviews,82,100-110.14 Wang,Y.,Shang,Y.,&Zhang,G.(2019).An IoT-based indoor air quality monitoring system for ambient-assisted living.Building

201、 and Environment,155,43-56.15 郭晓洁.AI 赋能既有建筑节能改造仍需市场机制稳定环境效益与投资回报N.21世纪经济报道,2023-07-26(006).16 HAN J,KAMBER M,PEI J.Data Mining(Third Edition)M/OL/Data Mining(Third Edition).2012.DOI:https:/doi.org/10.1016/B978-0-12-381479-1.00016-2.1 135 17 GENG Y,JI W,XIE Y 等.A sub-sequence clustering method for id

202、entifying daily indoor environmental patterns from massive time-series dataJ/OL.Automation in Construction,2022.DOI:10.1016/j.autcon.2022.104303.18 YANG Y,GENG Y,TANG H 等.Extraction method of typical IEQ spatial distributions based on low-rank sparse representation and multi-step clusteringJ/OL.Buil

203、ding Simulation,2024.DOI:10.1007/s12273-024-1117-6.19 LAZOS D,SPROUL A B,KAY M.Optimisation of energy management in commercial buildings with weather forecasting inputs:A reviewM/OL/Renewable and Sustainable Energy Reviews.(2014).DOI:10.1016/j.rser.2014.07.053.20 QUANG T N,HE C,KNIBBS L D 等.Co-optim

204、isation of indoor environmental quality and energy consumption within urban office buildingsJ/OL.Energy and Buildings,2014.DOI:10.1016/j.enbuild.2014.09.021.21 BRE F,SILVA A S,GHISI E 等.Residential building design optimisation using sensitivity analysis and genetic algorithmJ/OL.Energy and Buildings

205、,2016.DOI:10.1016/j.enbuild.2016.10.025.22 周子骞,高雯,贺秋时等.建筑设计领域人工智能探索从生成式设计到智能决策J.工业建筑,2022,52(7):15.23 唐浩,余娟,张仲宸等.大型航站楼室内物理环境质量实测与时空特征分析研究J.建筑科学,2023,39(10):9-14.24 GENG Y,JI W,LIN B 等.Building energy performance diagnosis using energy bills and weather dataJ/OL.Energy and Buildings,2018.DOI:10.1016/

206、j.enbuild.2018.04.047.25 王曼,黄莉,李书等.基于数据挖掘方法的数据中心能耗与空调系统关键参数量化关系研究J.暖通空调,2021,51(6):8.26 COSTA-CARRAPIO I,RASLAN R,GONZLEZ J N.A systematic review of genetic algorithm-based multi-objective optimisation for building retrofitting strategies towards energy efficiencyM/OL/Energy and Buildings.(2020).DOI

207、:10.1016/j.enbuild.2019.109690.27 WANG M,WANG Z,GENG Y 等.Interpreting the neural network model for HVAC system energy data miningJ/OL.Building and Environment,2022.DOI:10.1016/j.buildenv.2021.108449.28 YANG Y,YUAN Y,HAN Z 等.Interpretability analysis for thermal sensation machine learning models:An e

208、xploration based on the SHAP approachJ/OL.Indoor Air,2022,32(2):1-24.DOI:10.1111/ina.12984.29 PAN Y,ZHANG L.Data-driven estimation of building energy consumption 1 136 with multi-source heterogeneous dataJ/OL.Applied Energy,2020.DOI:10.1016/j.apenergy.2020.114965.30 YANG Y,YUAN Y,PAN T 等.A framework

209、 for occupancy prediction based on image information fusion and machine learningJ/OL.Building and Environment,2022.DOI:10.1016/j.buildenv.2021.108524.31 FAN C,WANG J,GANG W 等.Assessment of deep recurrent neural network-based strategies for short-term building energy predictionsJ/OL.Applied Energy,20

210、19.DOI:10.1016/j.apenergy.2018.12.004.32 WANG Z,HONG T.Reinforcement learning for building controls:The opportunities and challengesJ/OL.Applied Energy,2020.DOI:10.1016/j.apenergy.2020.115036.33 毛亚哲,何柏娜,王德顺,姜仁卓,周宇洋,张靖茹,贺兴民,董彦辰.基于改进深度强化学习的智能微电网群控制优化方法J.智慧电力,2021,49(03):19-25+58.34 https:/www.pv- Yous

211、ri D,Farag H E Z,Zeineldin H,et al.Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systemsJ.Energy Conversion and Management,2023,280:116809.36 Kanakadhurga D.,Prabaharan N.Demand Side Management in Microgrid:A Critical Rev

212、iew of Key Issues and Recent TrendsJ.Renewable and Sustainable Energy Reviews,2022,156:111915 37 Lai C S,Jia Y,Lai L L,et al.A comprehensive review on large-scale photovoltaic system with applications of electrical energy storageJ.Renewable and Sustainable Energy Reviews,2017,78:439-451.38 Lai C.S.,

213、McCulloch M.D.Levelized Cost of Electricity for Solar Photovoltaic and Electrical Energy StorageJ.Applied Energy,2017,190:191203.39 利 用 电 池 储 能 系 统（BESS）实 现 高 效 能 源 管 理 和 节 能 OL.中 国 储 能 网，2023.https:/ 40 Huang P,Lovati M,Zhang X,et al.A coordinated control to improve performance for a building clust

214、er with energy storage,electric vehicles,and 1 137 energy sharing consideredJ.Applied energy,2020,268:114983.41 陈 梦 恺.建 筑 微 电 网 能 源 调 度 管 理 及 博 弈 优 化 方 法 研 究 D.苏 州 科 技 大学,2023.DOI:10.27748/ki.gszkj.2022.000136.42 赵海湉,王需,林波荣,等.使用需求参数对建筑大数据能耗预测影响规律初探J.建筑节能,2020,48(07):39-42.1 138 Tel:-8856 Email： Add：北京市海淀区清河中街清河嘉园东区甲一号东塔 E705 室 低碳智慧建筑产业技术创新战略联盟 China Industry Technology Innovation Strategic Alliance for Low-carbon Smart Building