人工智能在建筑节能与环境质量方面的应用及挑战

能源与人工智能10（2022）100198审查机器学习和深度学习方法用于提高建筑节能和室内环境质量Paige Wenbin Tien*，Shuangyu Wei，Jo Darkwa，Christopher Wood，John Kaiser Calautit诺丁汉大学建筑与建筑环境系，英国诺丁汉NG7 2RDH I G H L I G H T S G R A P H I C A LA B标准• 用于建筑能效、热舒适度和空气质量的机器和深度学习模型。• 机器和深度学习模型在建筑环境领域的应用和趋势。• 在建筑环境领域采用机器和深度学习的挑战。• 有限的研究在实际建筑中应用了基于机器和深度学习的策略，并在建筑物完工后进行了研究。占用评估• 有限的机器和深度学习研究调查了能源使用、热舒适度和室内空气质量同步A R T I C L EI N FO保留字：人工智能建筑能源管理深度学习供暖、通风和空调（HVAC）室内环境质量（IEQ）机器学习热舒适性A B标准建筑环境部门占世界最终能源消耗的近三分之一。因此，寻求合理的解决方案，以尽量减少建筑物的能源需求和减轻不利的环境影响是必要的。机器和深度学习等人工智能（AI）技术已越来越多地成功应用于开发建筑环境的解决方案。这篇综述对过去十年来建筑环境中机器和深度学习方法的现有文献进行了重要总结，特别提到了整体方法。综述了用于解决暖通空调（HVAC）系统相关问题和提高建筑性能的各种人工智能技术，包括能源预测和管理、室内空气质量和居住舒适度/满意度预测、居住检测和识别以及故障检测和诊断。本研究探讨了现有的基于AI的技术，重点是框架，方法和性能。文献强调，选择最合适的机器学习和深度学习模型来解决问题可能具有挑战性。该研究领域最近经历的爆炸性增长导致数百种机器学习算法被应用于建筑性能相关的研究。文献表明，现有的研究考虑了广泛的范围/尺度（从HVAC组件到城市地区）和时间尺度（分钟到年）。这使得很难为特定的任务或情况找到最佳算法。这些研究还采用了广泛的评价指标，增加了挑战。建筑环境领域需要进一步的发展和更具体的 准则，以鼓励在 评估 方 面 的最佳做法。* 通讯作者。电子邮件地址：paige. nottingham.ac.uk，paige. gmail.com（P.W. Tien）。https://doi.org/10.1016/j.egyai.2022.100198接收日期：2022年5月11日;接收日期：2022年8月2日;接受日期：2022年8月4日2022年8月8日网上发售2666-5468/© 2022作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiP.W. Tien等人能源与人工智能10（2022）1001982选择模型。文献还显示，虽然机器和深度学习已成功应用于建筑节能研究，但大多数研究仍处于实验或测试阶段，在实际建筑中实施机器和深度学习策略并进行使用后评估的研究有限。名词和缩略语AI人工智能美国能效经济委员会AWS亚马逊网络服务BD大数据BES建筑能耗模拟BEMS建筑能源管理系统BICT建筑集成控制试验平台BIM建筑信息建模BN建筑网络BMS楼宇管理系统BPS楼宇性能模拟CART分类和回归树CIBSE建筑设备工程师特许学会CL冷负荷CNN卷积神经网络CO2二氧化碳CV变异系数DCC需求驱动型冷却控制DM Diebold-Mariano深度神经网络深度学习EFB节能建筑Labs实验室LR线性回归LSTM长短期记忆MAE平均绝对误差MAPE平均绝对百分比误差MARE平均绝对相对误差MCC马修斯相关系数ML机器学习多层感知器MOGA多目标遗传算法MRE平均相对误差MRT平均辐射温度MSE均方误差MSPE均方百分比误差NLP自然语言处理NMBE归一化平均偏差误差NN神经网络OSELM在线序贯极限学习机PIR被动红外PMV预测平均投票PSO粒子群优化雷达辐射径向基函数RF随机森林相对湿度ELM EX treme学习机皇家特许测量师学会EUG最终用户组遗传算法GPS全球定位系统GPU图形处理单元GM高斯混合HL热负荷HME层次专家混合HMM隐马尔可夫模型HVAC供暖、通风和空调IAQ室内空气质量IR红外IoT物联网KNN k近邻均方根误差RMSPE均方根百分比误差RNN递归神经网络SD标准差SNA社会网络分析RT随机树STD标准差R2R平方SVM支持向量机SVR支持向量回归TS热感觉UK英国3D立体1. 介绍根据最新预测，全球气候预计将继续变化，极端天气和气候事件的频率预计将增加。这将对建筑环境部门产生重大影响，新的建筑设计应该能够应对气候变化的影响，并满足未来的能源需求[1]。例如，供暖、通风和空调（HVAC）系统占商业建筑能耗的40%[2]。开发新的技术和解决方案，可以最大限度地减少其消耗，可以显着减少建筑环境部门的排放。然而，热舒适性和室内空气品质也是建筑和暖通空调设计中必须考虑的重要因素，在寻求降低建筑能耗的方法[3]。该解决方案的一个示例是集成建筑能源管理系统（BEMS），以自动控制建筑操作，包括HVAC [4]、照明和设备[5 根据该报告[8]，通过采用智能技术和分析，办公室可以节省18%的能源，零售商店可以节省14%的能源。BEMS通过降低能耗、降低运营成本和排放，确保建筑服务、系统和设备以最佳方式运行，同时为居住者提供更优质的环境。BEMS更加自动化，并限制了在监测和控制HVAC系统时对手动程序的需求。它们在提高建筑物的效率方面发挥着重要作用，并将成为开发真正智能建筑的关键战略由于计算机和软件技术的进步，不同的部门正在被自动化机器和软件所接管，P.W. Tien等人能源与人工智能10（2022）1001983人工智能（AI）领域正变得越来越重要[9]。这导致了建筑物的智能解决方案，优化了能源性能并减少了资源浪费[10，11]，而不会影响舒适性，健康或安全性[12]。物联网（IoT）和人工智能技术在建筑监控和控制中的日益普及将推动智能建筑市场的增长。根据Google Trends的结果[13]，自2017年以来，机器学习和深度学习的流行程度已经超过了物联网。越来越多的学术研究人员和建筑专业人士正在开发和利用基于人工智能的解决方案，用于建筑环境的设计和施工[14]，运营和维护[14，15]。一个例子是将AI算法和传感器集成到室内环境，以优化过程中的实时性，如监测和控制室内气候。这些系统可以自动分析数据并提供建筑物行为的未来预测，并促进和协助决策[ 16，17 ]。然而，麦肯锡全球研究所的研究[18]对人工智能在各个行业的使用进行了统计比较。人们承认，与其他行业相比，建筑和建筑行业的人工智能在使用人工智能和数字化工具方面进展缓慢。因此，有必要研究人工智能技术，以提高建筑物的能源效率和解决与建筑物相关的问题，确定其采用缓慢的原因和潜在的解决方案。这突出表明迫切需要深入审查和探讨图1.一、（a）本研 究中回 顾的基于人工智能的 机器学习和深度学习技术（b）典型的机器与深度学习。P.W. Tien等人能源与人工智能10（2022）1001984当前的使用以及它如何为未来建筑的AI解决方案的开发提供信息。图1a总结了目前在建筑环境领域使用的最常见的基于人工智能的机器和深度学习技术，特别是与能源效率相关的应用，本研究对其进行了综述。在机器学习中，以数值、曲线、时间序列和文本形式呈现的数据被用作输入[19]，并选择算法作为直接从数据中“学习”信息的计算方法深度学习使用神经网络解释数据特征及其关系，以基于更广泛的数据（包括图像，视频和声音）形成独特的模型。在更大程度上，深度学习提供了比其他方法更高的准确性，因为特征提取过程是从原始数据自动执行的。然而，深度学习需要更多的数据点来提高其准确性。一些研究表明，深度学习在各种应用中超过了机器学习和其他学习算法[20]。应该承认，还有更多的人工智能技术，目前的工作将主要集中在这些方面。图2显示了该机器的应用的概要，基于深度学习的方法在节能，舒适和健康的建筑设计，本文评估。 重新审视的重点是监督和无监督机器学习，深度学习技术被应用于提高建筑和暖通空调系统的能源效率，改善室内环境质量。对不同机器和深度学习技术的回顾将有助于确定更适合每个领域的特定技术。这使得能够形成图2所示的连接，在第3节中详细描述。和4.为分类和回归问题设计的监督机器学习由使用完全标记的数据集训练的算法组成，即，功能用于评估其准确性。而在无监督机器学习中，该算法试图通过自己提取模式和特征来理解未标记的数据，而没有明确的指示如何处理它们。当完全标记的数据集不可用时，以及在某些情况下，当所需的结果或答案未知时，这很有用。使用多层算法结构来创建人工神经网络（ANN）的机器学习的另一个子集是深度学习（DL）。与传统的机器学习方法相比，深度学习有几个优势，在某些情况下，它的性能优于传统的机器学习方法。深度学习网络不需要人为干预，可以从自己的错误中学习（图1b）。然而，它在计算能力和时间方面可能是昂贵的。深度学习通常应用于需要复杂和非结构化数据（如图像）的图二. 本文综述了在节能、舒适和健康建筑设计中采用的基于人工智能的方法。连接对应于第3中评价的研究。和4.P.W. Tien等人能源与人工智能10（2022）1001985视频和声音来执行任务。一个例子是检测室内空间中的占用者并使用该信息来控制HVAC的操作。近年来，由于可用计算能力和图形处理单元（GPU）计算的增加，深度学习有了显著的发展。与监督和无监督机器学习相比，针对建筑和能源相关应用的深度学习技术研究有限;然而，深度学习最近越来越受欢迎[13]。这就强调有必要审查其在建筑环境中的发展和应用。1.1. 文献差距与目的和目标许多评论文章评估了机器学习在构建环境中的各个方面和应用。已发表的综述论文特别关注评估使用人工智能方法解决的广泛建筑环境问题中的单个领域。这包括建筑能耗预测[21-23，30-34]，与建筑能源管理系统（BEMS）的集成[23 Bordeau等人[21]回顾了用于建模和预测建筑物能耗的数据驱动和机器学习技术研究的重点是输入数据的特点和预处理方法。它的结论是，仍然缺乏一个可以解决各种问题的标准化协议。类似地，Ra？tz et al. [22]回顾了机器学习算法，对建筑物能源系统进行建模，但侧重于开发自动化概念或工具箱的框架和优化方法。Amasyali和El-Gohary[23]探索了所使用数据的类型和大小以及选择用于训练的特征。其他评论，如[30-33]，专注于预测能源消耗的不同基于AI的算法。这些研究[23审查涵盖了用于HVAC设计和优化过程和控制的不同AI框架和工作流程。Machairas等人的评论[26]涵盖了机器学习算法与建筑模拟程序的结合，重点是建筑设计的优化方法。研究[27审查的重点是评估占用感测和检测的然而，这些并没有充分考虑如何使用占用信息来影响建筑物或室内环境的能源需求。本文的主要目的是提供一个关键的总结，过去十年来，关于建筑环境中机器和深度学习方法的现有文献，特别提到了整体方法。本研究将探索现有的基于AI的技术，重点关注框架，方法和性能，包括获取的数据，模型形成过程，准确性和速度。本文将回顾用于解决与HVAC系统相关的互连问题并提高建筑性能的不同基于AI的技术，包括能源预测和管理，室内空气质量和占用舒适度/满意度预测，占用检测和识别以及故障检测和诊断。进行了广泛的文献检索，以识别关于机器和深度学习方法在建筑环境中应用的现有研究的出版物。使用Scopus和ScienceDirect搜索引擎检索了过去十年的同行评审期刊、会议论文、技术报告和书籍（有一些例外）。搜索使用关键词进行，如“建筑物中的人工智能”，“建筑环境中的机器学习”，“建筑环境中的深度学习”。我们根据出版物标题和摘要选择文章。经过识别、筛选、合格性分析和纳入（PRISMA方法）的数据收集过程，我们选择并审查了171篇文献（共362篇文章）2. 人工智能在建筑环境人工智能正在各个领域被广泛采用，以更有效地执行任务，同时减少对人力的需求。随着当今数字社会中计算能力和数据可用性的不断提高，近年来人工智能领域取得了重大进展[35]。在建筑行业，建筑信息建模（BIM）正在成为开发新建筑和设施的标准作为该行业创新和数字化的推动者，BIM为数字世界奠定了基础，人工智能可以帮助优化设计，施工和运营/设施管理[36]。例如，在人工智能的帮助下，BIM可以利用以前建筑项目的大量数据，并自动提出优化设计的解决方案。人工智能正在推动智能建筑的发展，使它们能够自我学习和自适应，而不仅仅是自动化。智能建筑利用先进技术自动控制建筑操作，包括HVAC系统、照明和安全[37，38]。 图 3显示了建筑物从传统到智能的演变，以及集成系统和技术，如AI和机器学习（ML），使建筑物具有学习和适应能力[39，40]。许多研究都致力于在智能建筑中使用人工智能技术本节探讨了现有的基于人工智能的技术，旨在实现节能，舒适和健康的建筑。2.1. 建筑能源需求预测建筑能源需求预测对于优化建筑能源性能至关重要。它有助于能源规划、管理和控制，为减少能源消耗和二氧化碳排放的战略提供信息[23]。能源预测还用于评估建筑设计方案和运营策略，以改善需求和供应管理[42]。为了使用基于人工智能的方法来预测未来的建筑能源使用情况，必须收集现有的历史数据。 目前，数据通过电表和传感器收集。Ahmad等人和Avancini等人[43，44]强调了建筑能源计量和环境保护方面的技术进步。 监测. Chammas等人和Terroso-Saenz等人[45，46]提出了无线网络，传感器和基于物联网的技术的应用，以实现低成本，高准确性和易于部署的能源监测解决方案。然而，物联网设备可以生成大量的数据;因此，与人工智能的集成可以帮助处理如此巨大的数据量[47]。Din等人[48] 确定机器学习技术有望为物联网网络铺平道路，为物联网系统产生复杂的愿景和想法。Wang和Srinivasan[32]强调，基于人工智能的方法最近越来越受欢迎，因为它易于使用和适应性强，可以快速获得最佳解决方案，同时需要较少的详细物理参数和建筑信息。一些工作强调了不同的外部和内部参数对预测性能的重要性。Zhao和Liu[49]开发了一种基于机器学习的建筑物能源负荷预测解决方案，所提出的模型实现了高精度的能源负荷预测，提前1小时（1小时）的制冷MARE为2.60%，制热MARE为3.99%[50]。该研究强调了充分训练模型和选择输入数据类型以实现这种准确性的重要性。天气预报精度影响模型的预测精度。当实际温度和预测温度为1℃，24小时负荷的MARE升温至2.01%。因此，从1到24小时提前不同的时间范围的动态负荷预测可能有利于HVAC控制系统的优化。P.W. Tien等人能源与人工智能10（2022）1001986图三. 智能和智能建筑的发展和演变。图改编自[41]。虽然Kwok和Lee[51]强调了使用ANN模型预测建筑物冷负荷时占用率的重要性，解决了以前研究中发现的问题和局限性。他们的研究结果表明，使用建筑物占用数据可以显着与使用固定的时间表或历史数据来表示建筑物中的占用率而丁等人的研究[52]强调了内部变量在预测建筑热负荷时的重要性，表1建筑环境中基于人工智能的能源管理和预测技术总结度量[55]Pham etal. 2020办公室HVAC预测1步，12步和24步MAE、RMSE、MAPE计算负荷随 机 森 林 （ RF ） 模 型 优 于 M5模 型 树（M5P）和随机树（RT）模型。RF的一步预测在MAE和MAPE中分别比RT好49.21%和46.93%。RF的12步和24步预测在MAE中比M5P好49.95%，在MAPE中比M5P好29.29%。[45个]Chammas等人2019办公楼能源照明未指定R2，RMSE，MAE、MAPE多层感知器（MLP）对四种分类模型的64% R2，RMSE 59.84%，MAE27.28%，MAPE 27.09%。[49] 赵 和刘。20181小时、2小时、2小时、24小时的办公室供暖和制冷前面MARE，MAE动态负荷预测优化HVAC系统控制的时间范围。提前1小时：制冷MARE 2.60%，制热3.99%，提前24 h MARE增加2.01%。[51] 郭 和李。2011办公室冷却24小时RMSPE占用显著影响冷却负载预测了解占用行为可以提高模型的预测准确性。RMSPE 40.376采用占用系数，RMSPE 14.836 -30.090，使用占用系数[52] 丁等人2011办公室供暖24小时实时预测MRE R2供热负荷的预测是受外部变量和内部变量的影响，包括占用水平和照明/设备使用。仅外变量热负荷预测：84%R2热负荷预测内外部变量：94%R2[53]Singaravelat al.2018研究学术供暖制冷每月预测使用AI方法的R2冷却能量预测明显快于BES，同时提供准确的 结果。建筑能耗模拟需要1145s，而人工智能模型仅需0.9s[54] Kumar等人2018- 加热冷却实时预测极端学习机（ELM）模型学习得更好，并且优于其他流行的机器学习方法。MAE（kW）0.0348和0.0389，制冷和制热，以及最低热负荷预测时间0.06s。[56] Xu等人，2019多建筑物建筑节能使用月、年MAPE、RMSE SNA-ANN模型预测了多个为城市建筑能耗预测提供了一种经验方法。MAPE 10.72% RMSE 14.52%，所有建筑群的预测能源使用准确率为90.28%。[57] Chou和Bui2014住宅供暖制冷未指定MAPE，RMSE集成方法和支持向量回归（SVR）是预测供热负荷和制冷负荷的最佳模型。包围法：MAPE低于4%，RMSE与以前的作品相比。[58] 查纳斯和西法拉2012住宅供暖制冷未指定MAE，MSE，MRE热负荷可以比冷负荷更精确地估计。热负荷估算与实际偏差0.5点，冷负荷估算与实际偏差1.5点。[59] Zhou和Zheng2020住宅，高层建筑HVAC实时预测NMBE、RMSE能量峰值功率降低高达使用ML进行建筑需求预测，与混合控制器集成，实现了21.9%。NMBE 10% CV-RMSE 30%。参考文献建筑类型能源/系统预测率评价关键发现/摘要性能/准确度[42]Fan et al.研究冷却预测24-MAE，CV-经常性模型取得的成果最多冷负荷2019学术h超前RMSE准确的预测，而不增加预测P.W. Tien等人能源与人工智能10（2022）1001987==人工智能模型，如ANN和支持向量机（SVM）。室内变量包括室内环境参数、人员水平、人工照明和设备操作。他们的研究结果表明，仅考虑外部变量可保证较高的预测精度（R284%），同时考虑室内和室外可进一步提高预测精度（R294%）。虽然建筑工程师和建筑师通常使用建筑能量模拟（BES）来预测建筑物的能量消耗，但若干因素/问题可能导致低能量设计解决方案或人均能量缺口。这包括建模者的技能和知识、简化方法的使用、假设和工具因此，更多的研究人员试图使用数据驱动的人工智能和机器学习方法来解决这个问题，这些方法不需要有关建筑的详细信息Singaravel等人[53]在预测建筑物能源需求的准确性和速度方面，将人工智能方法与BES进行了比较。根据201个案例的结果，AI模型预测的冷却能量与BES的准确度相似，而在加热能量预测方面则稍差。然而，与BES相比，AI模型大大缩短了模拟时间最后，他们还表明，深度学习模型的表现略好于简单的ANN模型。与BES相比，高速预测意味着可以进行更多的设计选项和优化评估或允许实时预测。Kumar等人。[54]采用ML方法来提高实时供热和制冷负荷预测 他们使用极端学习机（ELM）的应用程序时，完整的数据和在线顺序ELM（OSELM）方法的应用程序时，数据实时。此外，他们强调了在预测供暖和制冷负荷时使用重要建筑设计和结构属性的重要性，例如相对紧凑性、玻璃和屋顶面积和方向。他们的结果表明，这些模型学习得更好，并且优于其他流行的机器学习方法。所提出的模型需要不到0.5秒的时间来预测。表1列出了本节中回顾的以前工作的摘要。本文探讨了用于建筑物能源预测的不同人工智能技术，以及以前工作中使用的不同建筑类型、能源系统、预测间隔和评估指标。评估研究表明，许多方法在办公室和学术建筑中进行评估或测试。也可以看出，许多作品使用不同类型的评价指标来评估和比较模型的性能。研究表明，与传统的BES模型相比，AI方法在预测能源负荷方面具有优势。它需要更少的关于建筑物的细节和信息，这减少了开发模型的时间，同时，基于AI的模型速度明显更快。然而，重要的是要注意，基于AI的模型的准确性和可靠性依赖于输入数据，用户必须为其预测模型选择合适的学习算法。由于对历史建筑数据的依赖，基于AI的模型在设计阶段的应用受到限制。此外，一旦建筑物的设计和运营发生变化，就无法推断预测结果。此外，如[51，52]所指出的，室内参数，如占用水平和行为可以显著地影响建筑物能量使用和预测结果。[60]等研究建议将占用行为模式识别与能源负荷预测模型相结合，以提高预测性能。 下一节将探讨建筑物内的占用行为以及收集占用信息的不同方法，包括基于人工智能的预测和检测策略。2.2. 职业行为检测策略建筑物的能耗受各种因素的影响，从建筑物位置、占用行为和HVAC系统的要素[61]。虽然室外环境条件对建筑能耗有显著影响，但入住率及其行为的变化同样重要。居住者的数量、他们的活动水平以及他们使用设备的方式会影响内部热增益、室内环境和能源需求。居住者还与建筑物互动，并进行个人调整，如恒温器或打开窗户。在实践中，传统的HVAC通常使用“静态“或“固定“操作时间表来控制，导致不必要的能量使用，例如当空间未被占用时[62]。同样，传统的建筑物能源模型使用“静态“和确定性占用输入，导致预测误差[63]。这可以在图4中的示例中看到，图4比较了办公楼的占用热增益曲线和假设的显然，这可能导致建筑物能量预测的不确定性，难以确定HVAC系统的尺寸和控制[64]，并且不能满足所需的室内条件和舒适度要求[65]。因此，占用行为及其对建筑物能源性能的影响在科学界引起了极大的兴趣[66]。这导致了先进的占用检测技术和占用模拟器的发展[67]。占用数据可以帮助确定居住者的存在和他们的交流的影响，建筑物内的活动，可用于优化HVAC和照明控制[68]。诸如运动传感器的传统占用检测方法可以估计期望空间内的人数。而最近，更先进的方法，如支持WiFi的物联网设备被用来自动识别居住者的活动[ 69，70 ]。这是可行的WiFi基础设施和占用者的移动WiFi连接设备的广泛可用性[71]。Zou等人提出的活动识别解决方案[69]称为该方法可以区分随着时间的推移进行的不同活动，准确率高达97.6%。Wang等人。[72]提出了一种基于WiFi探针的占用检测方法，该方法使用基于马尔可夫的反馈递归神经网络算法。研究表明，它可以预测占有率，准确率在80.9%-93.9%之间。在最近的一项研究中，Wang et al.[73]采用了基于WiFi探针的占用检测方法，并根据实验和模拟结果表明，它可以节省高达26.4%的能源需求。其他方法使用更传统的传感器，如RFID和环境传感器。Carreira等人[74]使用射频识别（RFID）来估计房间内的占用人数。与之前的工作一样，机器学习被纳入并自动启用HVAC管理，以减少能源需求，同时保持舒适度。Jiang等人[75]根据二氧化碳（CO2）水平和极端机器学习模型实时估计了室内居住者的数量。结果表明，该方法可以准确地估计乘客人数高达94%的基础上，现场测试。一些研究人员使用与AI集成的摄像头来感知占用情况。Zou等人[76]使用现有的监控视频数据和深度学习方法来测量建筑节能的占用率。实验结果表明，使用该方法实现了高达95.3%的准确性与低的计算要求。而Diraco et al.[77]使用3D深度传感器来计算和定位建筑物中的居住者，同时确保居住者表2总结了当前研究中开发和使用的不同占用检测技术，主要用于建筑应用。根据所需的应用，每种类型的传感器之间的好处各不相同Wi-Fi、无线传感器和摄像头等较新的技术越来越多地被用于居住研究，同时与人工智能技术相结合。相机是室内环境和人类识别中最流行的传感技术之一。类似的限制问题也出现在使用P.W. Tien等人能源与人工智能10（2022）1001988图四、（一）. 与（b）相比，典型办公日的实际占用热增益曲线示例典型的静态占有热增益曲线[62]。用于检测的摄像头;然而，在最近的研究中已经做出了重大努力，以通过AI适应来增强使用相机的能力[99]。由于基于深度学习的技术的进步，例如卷积神经网络（CNN），最近使用基于相机的技术进行占用检测的情况越来越多。深度学习仅使用神经网络来解释数据特征和关系，以形成为所需应用设计的独特模型，最终提供更大的灵活性，性能和准确性。Ijjina和Chalavadi[99]用于人类动作识别的拟议框架过程强调了不同时间区域的运动，以实现更好的动作区分它建议将视频用作CNN模型的输入数据，提取其特征。在模型中，训练分类器来识别人类行为以预测活动。Castro等人开发的策略。[101]使用自我中心图像预测居住者进行了几个总体而言，单独应用CNN模型的准确率为78.56%，当应用集成方法时，可以达到83.07%的最大准确率。 图 5提供了一个工作流过程的示例用于开发用于室内环境中的占用检测的基于AI的技术。图6和视频1呈现了办公室环境内的基于AI视觉的相机检测的示例应用。相机采用基于AI的模型，该模型按照图1中给出的过程进行训练。 5、使摄像机能够通过识别打开的PC监视器的存在来提供设备检测。摄像机还可以提供占用活动检测的应用。这使得能够识别占用者进行坐、站和行走活动的时间视频1E x办公室环境中的通过文献回顾，不同的传感器和检测方案具有不同的优点和局限性。通过评估，使用AI技术的摄像机检测似乎是室内占用检测的一种有前途的方法。如所识别的，现有的基于AI的occupational检测方法主要利用相机用于检测和识别目的。大多数研究没有尝试将基于视觉的占用检测方法与HVAC控制系统集成。此外，这种方法的应用对能源需求和热舒适的影响还没有得到很好的研究。第4进一步讨论了基于AI相机的占用检测技术的发展。表2用于获得占用信息的各种类型的传感器的概述湿度CO2占用者的存在和活动市售，非侵入性可受不同气流速率、时间延迟的[79个]双技术PIR超声波PIR和超声波技术相结合，最大限度地减少&虚警自适应，消除虚警降低检测概率，成本更高[80]被动红外（PIR）使用红外探测移动的人和背景热发出的热量的差异成本低市售，非侵入性，容易检测仅限于移动，需要直视[八十一]超声波观察由乘员引起的频率变化检测微小运动，不需要无障碍的轻微线高水平的振动或气流使其应用复杂化[82]电磁（EM）e微波>发射和接收微波信号以检测运动适用于各种环境，包括高温，检测范围宽更容易出现误报，运行成本高，持续耗电[八十三]声学/声音音频检测与特定占用活动成本低，市售，侵入性可能需要其他传感器，不适合某些环境，如实验室和图书馆[84，[85]射频识别使用无线电波将信息从标签传输到阅读器。自动、实时响应要求用户携带卡片/标签[74，86]基于红外线的电子设备，用于测量人流量趋势非侵入式，低成本当检测到几个人时，准确性往往会降低[87]压力压力垫被占用，自动报警时，检测到意外活动灵敏度、简单和坚固仅适用于特定位置[88]空气压力变化检测空气压力的变化由于居住者行为造成的环境非侵入式，感知空间之间的运动与占用的关系可能是间接的[89]（接下页）P.W. Tien等人能源与人工智能10（2022）100198传感器类型特定传感器类型特征优势限制参考文献环境温度检测环境中由于成本低需要定期校准以确保稳定性[78个国家]9表2（续）传感器类型特定传感器类型特点优点限制参考智能电表智能电表的能耗模式可用于推断占用率不需要其他专用传感器隐私问题，当设备或系统当居住者离开[90个]无线蓝牙实时收集和监控蓝牙信号（与占用相关）将数据传输到基于传感器或物联网的基础设施低功耗，可利用分布式基础设施，支持智能系统它可能需要与其他技术集成，例如PIR，要求每个占用者携带支持蓝牙的设备[九十一]门传感器基于无线物联网的传感器，可检测门或窗何时打开非侵入式、灵敏准确、低功耗它可能需要其他传感器进行有效的占用检测[92]Wi-Fi/智能设备跟踪使用Wi-Fi信号或GPS进行占用跟踪实时检测占用情况，可以利用分布式基础设施，隐私问题，需要一个设备由乘客[八十八]无线传感器网络使用传感器节点监测环境变化易于使用，跨层设计，可扩展性，低功耗必须通过特定的基础设施或中央设备连接，安全问题[九三]基于人工智能的传感器网络占用信息精度高可以成功处理缺失的数据条目处理数据所需的复杂模型或算法[94]相机热像仪测量热能以进行占用检测与标准相比隐私问题更少摄像头，独立于光线，成本高，需要视线[九十六，97]基于AI的相机使用与相机设备集成的AI算法用于检测高检测水平和准确性，真实可靠，时间响应需要视线，隐私问题，计算挑战[95，九十八]P.W. Tien等人能源与人工智能10（2022）10019810P.W. Tien等人能源与人工智能10（2022）10019811-+号2.3. 热舒适与空气质量人们大部分时间都在室内度过，因此必须为居住者提供舒适和健康的空间。热舒适性可以定义为对热环境表示满意的心理状态（BS EN ISO7730）。传统的热舒适性评价方法是预测平均投票法（PMV），该方法考虑了环境和个人因素。在建筑物和HVAC系统的设计中，在提供足够的热舒适性和减少能耗之间取得平衡至关重要[3]。与前面的章节一样，这些章节展示了人工智能方法在能源预测和占用预测中的新兴发展和采用，最近的研究集中在预测和提高建筑物热舒适度的人工智能方法上。解决PMV方法在热舒适性方面的局限性Chai等人[102]采用机器学习算法来预测自然通风建筑物中居住者的热舒适度和感觉。ML算法使用室内和室外环境参数以及个人因素的组合作为输入。该研究突出了ML分析输入输出参数关系的快速能力。他们的结论是，ML方法的表现优于传统和已建立的模型，如PMV。 类似地，Huetal.[103] 使用ML技术开发了一种基于学习的热舒适性评价方法。实验结果表明，所有ML方法的性能都优于PMV方法。具体而言，所提出的方法优于PMV高达17.8%。Chaudhuri et al.[104] 采用多种分类算法建立了热舒适预测模型，结果表明，ML方法优于传统的PMV模型和改进的PMV模型，预测精度高达81.2%。ML方法可以与控制系统集成，以根据居住者的热偏好或舒适性要求调节室内热条件Peng等人[105] 使用ML开发了一个框架，该框架由多个学习过程组成，具有用于需求驱动控制策略的指定规则，可以自动适应占用行为。该控制技术使用所学习的占用信息来通过实时调整设定点来操作冷却系统与传统方法相比，所提出的控制实现了高达52%的节能Yang等人。[106]提出了一种优化方法，该方法使用模型预测控制（MPC）与ML技术集成，以保持热舒适性，同时消耗最少的能量。与传统控制相比，在办公室中实现了高达58.5%的冷却能量减少一些作品结合了基于人工智能的热舒适预测和管理方法。这些研究使用热舒适预测作为HVAC控制的反馈。Lu等人[107]使用了基于机器学习算法的热舒适度预测模型和基于强化学习的温度设定点控制系统的组合，为HVAC开发了一种数据驱动的基于舒适度的控制器。他们得出结论，ML热舒适模型优于 的PMV。虽然一些研究还着眼于优化其他参数，如室内空气质量。Vallardes等人[108]开发了一种基于深度强化学习的HVAC控制器，以降低能耗，同时保持大学建筑的良好热舒适性和空气质量。结果表明，PMV维持在 0.1到 0.07同时二氧化碳含量与传统的控制器相比，降低了4-5%的能量。Gao等人[109]的研究也采用了深层加固与其他方法（如线性回归和SVM）相比，它具有更高的精度。研究表明，调整热舒适阈值和能源成本的权重，这可以根据优先级设置的冷负荷的影响。ML和DL在热舒适研究中的应用一直在增长，例如在热舒适预测和管理中[110]。研究表明，ML优于传统的和修改后的PMV模型。然而，研究也表明了输入参数和数据大小的重要性。ML预测的更高精度和速度使其适合与需求驱动或占用响应的HVAC控制集成，提供实时反馈。几个ML和DL方法被用来开发控制策略，以确保能源效率和热舒适性之间的权衡。基于回顾的研究[102-110]，总结开发热舒适预测和管理模型的流程图如图7所示。表3总结了为热舒适管理开发的AI策略和与上述综述相关的预测。除了确保建筑物内良好的热舒适性外，良好的室内空气质量（IAQ）同样重要。良好的IAQ 对确保居住者的健康和福祉至关重要[111]。与基于舒适度的系统一样，各种建筑通风系统和控制策略旨在借助人工智能技术优化室内空气质量，例如预测污染物浓度和管理室内环境。Cho和Moon[112]开发了一种人工神经网络模型来预测室内污染物浓度，如二氧化碳（CO2），PM10和PM2.5。他们开发了一种预测模型，足够准确，可以在学校建筑中集成控制系统。结果表明，该模型具有较高的精度，CO2、PM10、PM2.5的均方根误差分别为0.8816、0.4645该研究仅使用模拟结果，需要通过现场实验进一步测试该方法。类似地，Kim等人[113]预测了通风系统需求驱动和主动控制的室内CO2该研究采用了机器学习模型，包括岭回归，决策树，随机森林和多层感知器。研究发现，随机森林模型是最准确的，决策树几乎同样准确，但计算资源密集度更低。因此，它更适合轻量级应用程序。一些作品，如Vallardes等人。[108]Yu et al.[一百一十四]采用人工智能算法优化暖通空调在舒适度、空气质量和能源方面的运行。在研究[114]中，采用基于深度强化学习的控制算法来平衡空调和排气扇系统的IAQ，热舒适性和能源需求。结果表明，与固定温度制度的空调系统相比，该方法可实现高达43%的节能，同时将CO2水平降低24%。需求控制通风系统可以从使用这里的两种基于人工智能的方法中受益;精确的污染物预测和控制优化模型。这将有利于不规则占用的建筑物，利用预测的污染物浓度来控制通风，以最大限度地减少或防止二氧化碳水平的快速增加，并以最大容量运行通风系统。虽然这里涉及的研究主要是针对机械系统，但AI这些方法也可以应用于自然通风的空间。例如，基于摄像头的AI技术可用于检测占用信息，例如存在、位置、活动以及与自然通风策略的交互。例如，图8和视频2示出了之前介绍的基于视觉的检测器，其也可以用于检测建筑物中的窗户状态。可以开发警报系统以根据检测到的（占用）和预测的（二氧化碳水平）信息来通知/建议占用者打开或关闭窗户。学习如何优化暖通空调的能源需求和使用者的热舒适度。采用深度神经网络方法预测视频2环境EX样本的窗口检测内室内热舒适性，然后将结果用作控制器的输入，该控制器采用深度强化学习方法。结果表明，所提出的方法具有较高的热舒适预测精度虽然没有像人工智能方法那样发展热舒适优化，但ML和DL在IAQ研究中的应用近年来一直在增长，例如用于IAQ预测和管理。这是P.W. Tien等人能源与人工智能10（2022）10019812图五. 示例用于室内环境内的占用活动检测的基于AI的技术的开发的工作流程。见图6。基于AI视觉的方法在办公室环境中的占用和设备检测的示例应用。请参阅视频1查看检测和识别的示例。P.W. Tien等人能源与人工智能10（2022）10019813这可能是由COVID-19大流行和室内空气质量意识的提高所推动的。与回顾的热舒适预测和