基于 BIM 的绿色办公空间智慧运行研究

杨将铎，季 亮，叶从周，韩继红（. 上海市建筑科学研究院有限公司， 上海 008；. 上海建科集团股份有限公司， 上海 0003）

目前我国绿色建筑快速发展，人们对其运营阶段的表现高度重视。有学者认为我国近零能耗建筑发展问题的主要解决思路之一在于主被动式技术产品开发与集成，其中包括各类基于用户需求的软硬件结合的精准控制和调试[1]。适应于智能化理论和工具的跨越式发展，建筑、环境和人所构成的多元复杂系统，将趋于实现互动响应的控制模式[2]。但是，实践中绿色建筑办公空间智慧运行优化的关联模型仍然遵循主动式点对点控制逻辑，或采用固定搭配的场景模式逻辑，但这对能源节约、环境优化、用户体验都是目标模糊的。

在办公建筑中，实际应用场景复杂，如图 1 所示。由图 1 可知，能耗、环境、人 3 个维度是在不同空间层级上相互交叉。例如，根据计算，满意度采集点 1 上的人员（工位 1）对 CO2浓度（环境采集设备 1）是不满意的，此时需要同时计算该楼层内其他人员（工位 2、3、4…）的满意度才能对新风机功率（可调控设备 1）进行调控。如果室外环境（环境采集设备 2）是舒适的，可能建议开窗是更佳的选择。因此，要在实践中解决主动调控的问题，就需要做到动态获取特定空间内人员满意度样本并引入尽可能多的关键影响因素，设置以应用场景为前提的判断逻辑，引入以算法为驱动的综合动态调控模型。

1 动态获取样本并引入影响因素

对于影响建筑室内环境品质（Indoor Environment Quality，IEQ）的室内物理环境，目前的认知基本统一，包括热湿环境、空气品质、光环境及声环境等 4 类因素。但是，对每类因素的样本选择、评价方式、应对策略充满分歧[3]。

本文认为，由于自然环境、建筑、人群、个体本身存在巨大差异，采用动态获取满意度样本进行计算的方案，会比采用固定满意度计算模型具有更高的实践可信度。

在满意度采集方法上，为了实现实时性、有效性和大数据特性，可以通过建筑信息模型（Building Information Modeling，BIM）平台的空间概念（图 1），根据工位生成满意度采集点二维码，并将可调控设备（如可记录调控的空调末端面板）接入作为变相的满意度采集。此时，每采集一个满意度样本，都将带有一系列的背景数据输入。满意度样本背景数据示意如表 1 所示。

表1 满意度样本背景数据示意

图1 绿色建筑办公空间智慧运行通用场景

图1 中虚拟监测点的好处有：可以不受空间大小和形状的限制选择区域，可以根据输入数据的匹配性区分空间，可以根据输出数据时的计算能力和有效性划分空间等。输出场景不必要过于精确，即便是连续型参数也可以人为划分档位，如电动遮阳帘可以按照 25% 的间隔将遮阳面积划分为5 档。

2 特定应用场景的判断逻辑

在绿色办公空间场景下，个体的点对点控制逻辑有时会造成群体困扰，因此有必要加入目标调控，完成后群体满意度计算的过程。为了避免个体频繁投诉引起样本权重倾斜，又需要对有效投诉间隔进行设置。在实践场景下，获取的样本基本都为负面（不满意），因此还需要设置正面样本的获取逻辑。同时，为了实现系统性主动调控，还需要设计动态调控方案。以上几点基于应用场景的判断逻辑，是算法发挥作用的前置条件。

绿色办公空间应用场景的一种判断逻辑如图 2 所示。由图 2 可知，个体、群体、时间、空间内的诸多判断并非通用算法可以代替，而是需要人为的合理设定逻辑，保证个体的需求被正确表达，同时不对群体形成负面影响。

图2 绿色办公空间应用场景的一种判断逻辑

同时，采用人工神经网络算法和随机森林算法对 5 000个样本进行试验，利用表 1 所示的输入参数，群体满意度计算在验证集的准确率可以达到 85% 以上，测试集的有效性可以达到 75% 以上。因此，基于诸多背景数据的参与，满意度计算无论采用哪种算法，都基本能够表达个体和群体需求，即特定空间内的人员满意度可以通过主要因素进行预测。

但是，如果希望由满意度和调控的样本数据形成当前环境的目标调控方案，则需要考虑更多复杂的因素。

3 动态调控算法

从前述的应用场景来看，绿色办公空间可以采用 2 类动态调控逻辑。

（1）多目标优化。从理论上来说，建筑室内环境调控应同时实现人员满意度最优、环境合适和能耗最低（根据实际情况，还有可能加入新的目标，例如设备损耗最低）的理想状态。但是，这 3 个目标可能是相互冲突和影响的，因此必须取合适的折中解。另外，从模拟人为决策的角度来说，最优解并非唯一，人们希望获取多种接近最优的解，以避免停留在一种状态而造成环境疲劳。这是一个典型的多参数多目标优化问题。

近年来使用最多的是基于 Parato （帕累托）选择的优化方法，如基于遗传算法、粒子群算法、蚁群算法等进化算法的多目标优化方法及其改进方法[4]。DEB K 等人[5]改进了遗传算法，提出了 NSGA-II （改进的自适应遗传算法），谷歌学术显示引用量达 3 万多次，成为许多行业公认的成熟算法。

由于“环境合适”在此算法中是相对较弱的目标，因此建议采用限值方案，即各项环境参数值的范围不超过特定区间。至于能耗计算，国内外对于建筑的冷热电负荷预测方法主要分为数值模拟法和基于历史数据外推法[6]。根据建筑情况选择基于历史数据的人工智能算法可以获取很高的精度。这样，形成一个事实上的两目标问题（环境被取值区间约束）。

（2）深度强化学习。深度强化学习是一种结合了深度学习和强化学习各自特点的一种全新算法，由 MNIH V 团队[7]首先提出，并设计了 DQN（Deep Q-Network，深度 Q神经网络）算法。

强化学习系统如图 3 所示。由图 3 可知，一般的强化学习算法有一定的缺陷，即模型能代表的状态 s 和动作 a 个数是有限的，而在实际环境中，可能存在状态和动作组合数量过多，导致模型失效。由此，引入深度学习，将输入的状态和输出的动作深度神经网络化。

图3 强化学习系统

在办公场景下，需要控制多类型设备，如空调、新风、遮阳、灯光，甚至窗户、风扇、抽湿机等，其中空调控制就包括温度、风速、风向等的控制。这导致整个模型需要定义的组合动作 α 数量过多，需要采用 DQN，通过实时采集的主客观数据计算满意度与能耗的比值，将其作为输入状态s，以可控设备的可控参数作为动作 α，构建 DQN 网络。

当计算状态值（满意度与能耗比值）不达标时，初始化状态；当进行动作后，状态值优化则奖赏r为 1，状态值退化则奖赏r为 ﹣1，进行一系列调控后实现奖赏总和R=∑r最大以及状态值达到理想水平。

4 结 语

我国绿色建筑在推进建筑生命周期的过程中，越发注重整合工具的开发和技术的集成应用[8]。如何将能耗、环境、人员满意度统一起来，是未来绿色运维发展的关键问题之一。

本文基于绿色办公空间进行场景化分析，提出了结合BIM 的自变量数据整合方式，提出了方便实现的满意度采集方案，提出了作为前提算法的多人共用空间满意度判断逻辑，并推荐了合适的多维度自学习调控算法，明确了绿色办公空间智能化运维的实现逻辑。

基于上述方法论的算法将能有效支撑更优化的建筑运营，为建筑全生命周期优化提供有力手段。本研究将进一步基于上述方法论，从具体实现的角度推动软件实现，为绿色建筑实效化和品质化提供支撑。