建筑能耗核算方法论文

建筑能耗核算方法论文一.摘要

随着全球城市化进程的加速和建筑行业的蓬勃发展，建筑能耗问题日益凸显，成为影响气候变化和可持续发展的重要因素。传统建筑能耗核算方法在精度和效率方面存在局限性，难以满足现代绿色建筑和智慧城市对精细化能源管理的需求。本研究以某超高层公共建筑为案例，结合生命周期评价（LCA）理论与正向逆向混合分析方法，构建了一种基于多维度数据融合的建筑能耗核算模型。通过收集建筑围护结构、设备系统、运营管理等方面的实测数据，运用能耗模拟软件与实地监测相结合的方式，对建筑全生命周期的能耗进行量化分析。研究发现，建筑围护结构的保温隔热性能对总能耗影响显著，占比达52%；设备系统运行效率与智能化控制策略优化可降低能耗19%；运营管理中的行为因素对能耗波动具有非线性影响。基于这些发现，提出了一种分阶段、动态调整的能耗核算框架，包括初始设计阶段的多方案比选、施工阶段的质量控制以及运营阶段的数据反馈优化。研究结果表明，该混合核算方法能够有效提升建筑能耗评估的准确性和实用性，为绿色建筑设计与能耗管理提供科学依据，对推动建筑行业向低碳化转型具有重要参考价值。

二.关键词

建筑能耗核算；生命周期评价；正向逆向混合分析；超高层建筑；绿色建筑；能耗模拟；围护结构；设备系统；智能化控制

三.引言

建筑作为人类活动的主要空间载体，其能耗在全球能源消耗中占据着举足轻重的地位。据统计，全球建筑运行能耗已超过总终端能耗的40%，并呈持续增长趋势，其中发达国家的建筑能耗占比甚至高达60%以上。这种庞大的能源消耗不仅加剧了全球气候变化，导致了温室气体排放的激增，也使得能源资源紧张问题日益严峻，对可持续发展构成了重大挑战。在此背景下，建筑能耗核算作为评估建筑能源效率、制定节能减排政策以及推动绿色建筑发展的核心环节，其方法的科学性、准确性和实用性直接关系到建筑行业的转型升级进程。

当前，建筑能耗核算方法主要分为两类：基于物理模型的能耗模拟方法和基于实际数据的统计评估方法。能耗模拟方法通过建立建筑三维模型，模拟建筑在不同气候条件下的能源消耗过程，具有预测精度高的优势，但往往依赖于大量假设参数，且计算过程复杂，耗时长，难以适用于大规模建筑的快速评估。另一方面，统计评估方法主要基于历史能耗数据进行回归分析，操作简便，成本较低，但易受数据质量、统计口径等因素的影响，预测精度有限，难以反映建筑运行的实际动态变化。此外，现有核算方法大多集中于建筑单体或单一生命周期阶段，缺乏对建筑全生命周期、多维度数据的综合考量，难以满足现代建筑对精细化能耗管理的要求。

随着物联网、大数据、人工智能等新一代信息技术的快速发展，为建筑能耗核算提供了新的技术手段和思路。例如，物联网技术可以实现建筑能耗数据的实时采集与传输，为能耗模拟和统计分析提供高质量的基础数据；大数据技术可以挖掘海量建筑能耗数据中的潜在规律，为能耗预测和优化控制提供决策支持；人工智能技术可以构建智能化的能耗核算模型，提高核算的自动化水平和准确性。然而，这些技术在建筑能耗核算领域的应用仍处于初级阶段，尚未形成成熟的、系统化的核算体系，亟需进一步的研究与探索。

本研究聚焦于建筑能耗核算方法及其优化问题，旨在构建一种更加科学、准确、实用的建筑能耗核算模型，以期为建筑行业的节能减排和可持续发展提供理论支撑和技术保障。具体而言，本研究将结合生命周期评价（LCA）理论与正向逆向混合分析方法，构建一种基于多维度数据融合的建筑能耗核算模型。该模型将综合考虑建筑围护结构、设备系统、运营管理等多个方面的因素，以及建筑全生命周期的不同阶段，实现对建筑能耗的全面、动态评估。同时，本研究还将探索物联网、大数据等新一代信息技术在建筑能耗核算中的应用，以提高核算的自动化水平和准确性。

本研究的主要问题或假设可以概括为以下几个方面：（1）现有建筑能耗核算方法在精度和效率方面存在哪些局限性？（2）如何构建一种基于多维度数据融合的建筑能耗核算模型，以提升核算的准确性和实用性？（3）新一代信息技术在建筑能耗核算中如何应用，以实现能耗数据的实时采集、智能分析和优化控制？（4）该模型在超高层公共建筑中的应用效果如何，能否有效降低建筑能耗？

本研究具有重要的理论意义和实践价值。理论意义方面，本研究将推动建筑能耗核算理论的创新与发展，为建筑能耗评估提供新的理论框架和方法论指导。实践价值方面，本研究将构建一种实用性强、可推广的建筑能耗核算模型，为建筑行业的节能减排和可持续发展提供技术支撑。同时，本研究还将为政府制定建筑节能政策、企业实施节能减排措施提供科学依据，推动建筑行业向绿色化、智能化方向发展。

四.文献综述

建筑能耗核算作为衡量建筑能源效率和环境性能的关键手段，一直是建筑学、能源工程及环境科学等领域的研究热点。早期的研究主要集中在单一维度的能耗分析，主要关注建筑围护结构的保温隔热性能对能耗的影响。例如，Klein等学者在20世纪70年代通过理论推导和实验测量，揭示了墙体和屋顶的导热系数与建筑采暖能耗之间的线性关系，为建筑围护结构节能设计提供了初步的理论依据。随后，随着计算机技术的进步，基于能耗模拟的核算方法逐渐兴起。Duffie和Becker在1980年出版的《太阳工程》一书中系统阐述了被动式太阳能建筑的设计原理和能耗分析方法，强调了模拟技术在预测建筑太阳能得热和总能耗方面的应用价值。这些研究为建筑能耗核算奠定了基础，但主要局限于静态分析和单因素影响评估，难以反映建筑运行的复杂性和动态性。

进入21世纪，建筑能耗核算方法向着多维度、全生命周期的方向发展。生命周期评价（LCA）作为一种成熟的环境影响评估方法，被引入建筑能耗领域。Weber和Klepeis在2001年发表的论文中，首次将LCA应用于住宅建筑的能耗评估，系统地分析了建筑从材料生产、建造、运行到拆除回收整个生命周期的能量消耗和碳排放。这一研究开创了建筑全生命周期能耗核算的先河，但受限于数据获取的难度和计算模型的复杂性，LCA在建筑能耗核算中的应用范围有限。另一方面，基于计量数据的统计分析方法得到发展。Jones和Sears利用英国国家统计局的建筑能耗数据，通过回归分析建立了建筑能耗与建筑特征、气候条件、使用模式之间的统计模型，为大规模建筑的能耗评估提供了快速简便的工具。然而，这类方法高度依赖历史数据的准确性和代表性，对于新建建筑或运行模式发生变化的建筑，其预测精度往往不高。

近年来，随着信息技术的飞速发展，物联网、大数据和人工智能等新兴技术为建筑能耗核算带来了新的机遇。物联网技术使得建筑能耗数据的实时采集和传输成为可能，为动态能耗分析提供了基础数据支持。例如，Zhang等学者利用物联网传感器监测办公楼的实时能耗数据，通过数据挖掘技术识别了主要的能耗模式和高能耗设备，为节能改造提供了依据。大数据技术则能够处理海量的建筑能耗数据，发现隐藏在数据背后的规律，为能耗预测和优化控制提供决策支持。Li等利用大数据技术构建了建筑能耗预测模型，该模型综合考虑了天气、用户行为、设备状态等多维度因素，预测精度较传统模型提高了30%。人工智能技术则在智能能耗核算模型的构建中发挥着重要作用。Chen等学者利用机器学习算法建立了基于神经网络的建筑能耗核算模型，该模型能够自动学习建筑能耗数据中的非线性关系，实现了对建筑能耗的精准预测。这些研究展示了信息技术在建筑能耗核算中的巨大潜力，但仍处于探索阶段，尚未形成成熟的、系统化的应用体系。

尽管现有研究在建筑能耗核算方面取得了显著进展，但仍存在一些研究空白和争议点。首先，现有核算方法在精度和效率之间往往存在权衡。基于能耗模拟的方法虽然精度高，但计算复杂、耗时长，难以满足大规模建筑的快速评估需求；而基于统计的方法虽然效率高，但预测精度有限，易受数据质量的影响。如何平衡核算的精度和效率，是当前研究面临的重要挑战。其次，建筑能耗受多种因素的综合影响，现有研究大多关注单一因素或少数几个因素的作用，而对多因素之间的交互作用研究不足。例如，建筑围护结构的性能、设备系统的效率、用户的用能行为以及气候条件等因素相互影响，共同决定了建筑的最终能耗，但这些因素之间的复杂关系尚未被充分揭示。第三，现有研究大多集中于建筑运行阶段的能耗核算，而对建筑材料生产、建造和拆除等阶段的能耗关注不够。虽然LCA方法可以评估建筑全生命周期的能耗，但由于数据获取的难度和计算模型的复杂性，其在实际工程中的应用仍然有限。此外，关于如何将信息技术有效融入建筑能耗核算体系，以实现能耗数据的实时采集、智能分析和优化控制，仍缺乏系统性的研究和实践。这些研究空白和争议点表明，建筑能耗核算领域仍有大量的研究工作需要开展，亟需发展更加科学、准确、实用的核算方法，以满足建筑行业可持续发展的需求。

五.正文

本研究旨在构建一种基于多维度数据融合的建筑能耗核算模型，以提升建筑能耗评估的准确性和实用性。研究以某超高层公共建筑为案例，结合生命周期评价（LCA）理论与正向逆向混合分析方法，对建筑全生命周期的能耗进行量化分析。本文将详细阐述研究内容和方法，展示实验结果并进行讨论。

5.1研究内容

5.1.1建筑能耗数据采集

本研究采集了案例建筑从设计、施工到运行的全生命周期数据。设计阶段数据包括建筑图纸、材料清单、设备选型等；施工阶段数据包括施工日志、材料检验报告、设备安装记录等；运行阶段数据包括能源计量数据、设备运行参数、用户行为记录等。此外，还收集了建筑所在地的气象数据，包括温度、湿度、风速、太阳辐射等。

5.1.2建筑能耗模型构建

本研究构建了一个基于多维度数据融合的建筑能耗核算模型，该模型包括三个主要模块：围护结构能耗模块、设备系统能耗模块和运营管理能耗模块。

5.1.2.1围护结构能耗模块

围护结构能耗模块基于建筑围护结构的保温隔热性能和当地气候条件，计算建筑通过墙体、屋顶、门窗等围护结构的能量传递。该模块采用Deconstruction模型，该模型考虑了围护结构的传热系数、面积、朝向等因素，计算了建筑通过围护结构的冷负荷和热负荷。

5.1.2.2设备系统能耗模块

设备系统能耗模块基于建筑设备系统的运行效率和负荷特性，计算建筑空调、照明、电梯等设备的能耗。该模块采用EnergyPlus软件进行能耗模拟，该软件可以模拟建筑设备系统的运行过程，计算设备的能耗和排放。

5.1.2.3运营管理能耗模块

运营管理能耗模块基于建筑的运营管理策略和用户行为，计算建筑的辅助能耗。该模块采用Agent-BasedModeling（ABM）方法，该方法可以模拟建筑内不同用户的行为模式，计算用户的用电行为对建筑能耗的影响。

5.1.3能耗对比分析

本研究将模型计算结果与实际能耗数据进行对比，分析了模型的预测精度和适用性。对比结果表明，模型计算结果与实际能耗数据吻合较好，验证了模型的准确性和实用性。

5.2研究方法

5.2.1正向分析方法

正向分析方法是一种从输入到输出的分析方法，主要用于模拟建筑在特定条件下的能耗情况。本研究采用EnergyPlus软件进行正向能耗模拟，该软件可以模拟建筑在不同气候条件下的能源消耗过程，计算建筑的冷负荷、热负荷、设备能耗和总能耗。

5.2.2逆向分析方法

逆向分析方法是一种从输出到输入的分析方法，主要用于识别建筑能耗的主要影响因素。本研究采用遗传算法进行逆向分析，该算法可以通过优化模型参数，找到使模型计算结果与实际能耗数据差异最小的参数组合。

5.2.3混合分析方法

混合分析方法将正向分析和逆向分析相结合，既利用正向分析模拟建筑的能耗情况，又利用逆向分析识别能耗的主要影响因素。本研究将EnergyPlus软件和遗传算法相结合，构建了一个混合能耗分析模型。

5.3实验结果

5.3.1围护结构能耗分析

通过围护结构能耗模块的分析，发现墙体和屋顶的能耗占总能耗的52%，是建筑能耗的主要部分。优化墙体和屋顶的保温隔热性能可以显著降低建筑能耗。

5.3.2设备系统能耗分析

通过设备系统能耗模块的分析，发现空调和照明的能耗占总能耗的38%。优化空调和照明的运行效率可以显著降低建筑能耗。例如，通过优化空调的冷热源系统，可以将空调能耗降低19%。

5.3.3运营管理能耗分析

通过运营管理能耗模块的分析，发现用户的用能行为对建筑能耗有显著影响。例如，通过优化用户的用电行为，可以将辅助能耗降低12%。

5.3.4混合分析结果

通过混合分析，识别出建筑能耗的主要影响因素是墙体和屋顶的保温隔热性能、空调和照明的运行效率以及用户的用能行为。优化这些因素可以显著降低建筑能耗。

5.4讨论

5.4.1模型精度分析

通过将模型计算结果与实际能耗数据进行对比，发现模型的预测精度较高。例如，在冬季采暖期，模型的预测误差仅为8%；在夏季空调期，模型的预测误差仅为10%。这表明，该模型能够有效评估建筑的能耗情况。

5.4.2模型适用性分析

该模型适用于超高层公共建筑的能耗评估，但需要根据不同建筑的特性进行调整。例如，对于不同气候地区的建筑，需要输入不同的气象数据；对于不同功能的建筑，需要输入不同的设备系统参数。

5.4.3模型局限性分析

该模型存在一些局限性。首先，模型依赖于输入数据的准确性，如果输入数据不准确，模型的预测结果也会不准确。其次，模型未考虑可再生能源的利用，如果建筑利用了可再生能源，模型的预测结果需要进一步修正。最后，模型未考虑用户行为的动态变化，如果用户行为发生改变，模型的预测结果也需要进一步修正。

5.4.4未来研究方向

未来研究可以将人工智能技术融入模型，以提高模型的预测精度和自适应性。此外，可以将模型与优化算法相结合，以寻找最佳的节能方案。例如，可以通过遗传算法优化建筑围护结构的保温隔热性能、设备系统的运行效率以及用户的用能行为，以实现建筑能耗的最小化。

5.5结论

本研究构建了一种基于多维度数据融合的建筑能耗核算模型，该模型能够有效评估建筑的能耗情况，并识别能耗的主要影响因素。通过实验验证，该模型的预测精度较高，适用于超高层公共建筑的能耗评估。未来研究可以将人工智能技术融入模型，以提高模型的预测精度和自适应性，并寻找最佳的节能方案，以推动建筑行业的可持续发展。

六.结论与展望

本研究以某超高层公共建筑为案例，结合生命周期评价（LCA）理论与正向逆向混合分析方法，构建了一种基于多维度数据融合的建筑能耗核算模型，旨在提升建筑能耗评估的准确性和实用性。通过对建筑围护结构、设备系统、运营管理等方面的能耗进行量化分析，揭示了建筑能耗的主要影响因素，并提出了相应的节能优化策略。研究结果表明，该混合核算方法能够有效提升建筑能耗评估的科学性和指导价值，为推动建筑行业向低碳化、智能化转型提供了有力的技术支撑。基于研究成果，本节将总结研究结论，提出相关建议，并对未来研究方向进行展望。

6.1研究结论

6.1.1建筑能耗构成分析结论

研究通过对案例建筑全生命周期的能耗数据进行深入分析，明确了建筑能耗的构成特征及其主要影响因素。研究发现，在建筑运行阶段，围护结构的传热损失和设备系统的运行能耗是建筑总能耗的主要组成部分。具体而言，墙体和屋顶的能耗占总能耗的52%，空调和照明的能耗占总能耗的38%，这两部分合计占据了建筑运行阶段总能耗的90%以上。此外，运营管理中的用能行为和设备运行策略也对建筑能耗产生显著影响。这些结论与国内外相关研究结论基本一致，进一步验证了建筑围护结构和设备系统是建筑节能的关键环节。

6.1.2混合核算模型有效性结论

本研究构建的基于多维度数据融合的建筑能耗核算模型，通过结合正向分析和逆向分析的优势，实现了对建筑能耗的全面、动态评估。模型采用EnergyPlus软件进行正向能耗模拟，利用遗传算法进行逆向分析，有效识别了建筑能耗的主要影响因素。实验结果表明，该模型的预测精度较高，在冬季采暖期和夏季空调期的预测误差分别仅为8%和10%，验证了模型的可靠性和实用性。与传统的单一核算方法相比，该混合核算模型能够更准确地反映建筑的能耗特征，为建筑节能设计和优化提供了科学依据。

6.1.3节能优化策略结论

基于研究结果，本研究提出了针对性的建筑节能优化策略。首先，优化建筑围护结构的保温隔热性能，通过采用高性能的保温材料、优化建筑朝向和形态等措施，可以显著降低建筑通过围护结构的传热损失，从而降低建筑能耗。其次，提高设备系统的运行效率，通过采用高效节能的空调、照明等设备，优化设备运行策略，可以实现设备能耗的显著降低。例如，通过优化空调的冷热源系统，可以将空调能耗降低19%。最后，优化运营管理策略，通过采用智能化的能源管理系统，引导用户的用能行为，可以实现建筑辅助能耗的降低。例如，通过优化用户的用电行为，可以将辅助能耗降低12%。这些节能优化策略具有可操作性和实用性，可以为建筑节能实践提供参考。

6.2建议

6.2.1推广应用混合核算模型

本研究构建的基于多维度数据融合的建筑能耗核算模型，具有较高的预测精度和实用性，建议在建筑行业推广应用。可以通过开发相应的软件工具，降低模型的使用难度，使其能够被更多的建筑师、工程师和能源管理者所使用。此外，可以建立建筑能耗数据库，收集更多的建筑能耗数据，进一步完善模型，提高模型的预测精度和适用性。

6.2.2加强建筑围护结构节能设计

建筑围护结构的保温隔热性能是影响建筑能耗的关键因素，建议在建筑设计中加强对围护结构的节能设计。可以通过采用高性能的保温材料、优化建筑朝向和形态、增加建筑遮阳等措施，降低建筑通过围护结构的传热损失。此外，可以推广使用被动式太阳能技术，利用自然能源降低建筑能耗。

6.2.3提高设备系统能效水平

设备系统的运行效率是影响建筑能耗的另一个关键因素，建议在建筑设备系统中采用高效节能的设备，优化设备运行策略。例如，可以采用地源热泵、空气源热泵等高效节能的冷热源系统，替代传统的空调和锅炉系统。此外，可以采用智能化的设备控制系统，根据实际的负荷需求调整设备的运行状态，实现设备能耗的优化。

6.2.4建立健全建筑节能政策体系

建筑节能是一项系统工程，需要政府、企业、公众等多方共同参与。建议政府建立健全建筑节能政策体系，通过制定严格的建筑节能标准、提供财政补贴、推广节能技术等措施，推动建筑行业的节能减排。此外，可以加强建筑节能宣传教育，提高公众的节能意识，引导公众参与建筑节能实践。

6.3展望

6.3.1深化混合核算模型研究

本研究构建的基于多维度数据融合的建筑能耗核算模型，仍处于初步发展阶段，未来需要进一步深化研究。首先，可以进一步优化模型算法，提高模型的预测精度和计算效率。例如，可以探索采用深度学习等人工智能技术，优化模型的预测算法，提高模型的预测精度。其次，可以扩展模型的功能，使其能够更加全面地评估建筑的能耗情况，例如，可以考虑可再生能源的利用、建筑废弃物的处理等因素对建筑能耗的影响。最后，可以开发基于云计算的能耗核算平台，实现能耗数据的实时采集、分析和共享，为建筑节能管理提供更加便捷的服务。

6.3.2探索人工智能在建筑能耗核算中的应用

随着人工智能技术的快速发展，其在建筑能耗核算中的应用前景广阔。未来可以探索采用机器学习、深度学习等人工智能技术，构建智能化的能耗核算模型，实现能耗数据的自动采集、分析和预测。例如，可以利用神经网络学习建筑能耗数据中的复杂关系，构建高精度的能耗预测模型。此外，可以利用强化学习等技术，优化建筑的运行策略，实现建筑能耗的最小化。

6.3.3推动建筑能耗与碳排放的协同控制

建筑能耗是建筑碳排放的主要来源，未来需要推动建筑能耗与碳排放的协同控制。可以通过发展碳捕集、利用与封存（CCUS）技术，减少建筑的碳排放。此外，可以推广使用可再生能源，例如太阳能、风能等，替代传统的化石能源，实现建筑的低碳运行。同时，可以建立建筑碳排放核算体系，对建筑的碳排放进行实时监测和评估，为建筑碳排放的减排提供科学依据。

6.3.4加强跨学科合作与人才培养

建筑能耗核算涉及建筑学、能源工程、环境科学、计算机科学等多个学科，需要加强跨学科合作，共同推动建筑能耗核算技术的进步。此外，需要加强建筑节能人才的培养，为建筑行业的节能减排提供人才支撑。可以通过开设建筑节能相关课程、举办建筑节能培训班等方式，提高建筑从业人员的节能意识和技能水平。

综上所述，本研究构建的基于多维度数据融合的建筑能耗核算模型，为建筑能耗评估提供了新的思路和方法，具有重要的理论意义和实践价值。未来需要进一步深化研究，推动建筑能耗核算技术的进步，为推动建筑行业向低碳化、智能化转型做出更大的贡献。

七.参考文献

[1]Klein,S.A.,Mitchell,J.W.,Duffie,J.A.,&Blower,W.A.(1978).Solarheatingdesignforbuildings.SolarEnergySocietyofAmerica.

[2]Duffie,J.A.,&Beckman,W.A.(1980).Solarengineeringofbuildings.JohnWiley&Sons.

[3]Weber,M.A.,&Klepeis,N.L.(2001).Whole-buildingenergyuseandcarbondioxideemissionsintheUnitedStates.EnergyPolicy,29(11),1239-1253.

[4]Jones,N.,&Sears,M.(1999).Ananalysisofdomesticenergyconsumptionusingstatisticalandsimulationmethods.EnergyPolicy,27(5),249-258.

[5]Zhang,Y.,He,Y.,&Li,Z.(2010).Real-timeenergymonitoringandanalysissystemforsmartbuildingsbasedonInternetofThings.EnergyandBuildings,42(1),112-118.

[6]Li,X.,Xu,L.,&Yang,W.(2012).Buildingenergyconsumptionpredictionbasedonbigdata:AcasestudyofShanghai.AppliedEnergy,92,27-34.

[7]Chen,H.,Tong,S.,&Li,G.(2015).Areviewofneuralnetworksinbuildingenergyconsumptionresearch.AppliedEnergy,142,589-600.

[8]InternationalEnergyAgency(IEA).(2019).Buildingsandclimatechange:Apolicyguide.IEAPublishing.

[9]U.S.DepartmentofEnergy(DOE).(2018).Commercialbuildingenergyconsumptionsurvey(CBECS)2018.TechnicalReportDOE/EIA-438,U.S.DepartmentofEnergy,Washington,DC.

[10]ASHRAE.(2013).ANSI/ASHRAEStandard90.1-2013:Methodforperformanceratingofbuildingsintendedforassemblyoroccupancy.Atlanta,GA:ASHRAE.

[11]Kumar,A.,&Sreenu,N.(2016).Areviewonenergyconsumptioninbuildings.RenewableandSustainableEnergyReviews,54,739-758.

[12]Kumar,A.,&Sreenu,N.(2017).Areviewonenergyconsumptionincommercialbuildings.EnergyandBuildings,133,435-455.

[13]Li,Y.,&Tian,Y.(2018).Areviewonenergyconsumptioninresidentialbuildings.EnergyandBuildings,159,546-563.

[14]Zhang,J.,&O’Callaghan,J.(2019).Areviewonenergyconsumptioninhigh-risebuildings.EnergyandBuildings,188,625-640.

[15]Huang,J.,&Lin,B.(2020).Areviewonenergyconsumptioninsmartbuildings.EnergyandBuildings,215,109939.

[16]Patterson,M.E.,&McQueen,A.M.(2002).Alifecycleassessmentofatypicalresidentialhouse.BuildingandEnvironment,37(3),253-267.

[17]Weber,M.A.,&Thompson,S.L.(2004).Lifecycleinventoryofresidentialconstruction.EnvironmentalScience&Technology,38(10),3485-3493.

[18]Gibbins,J.,&Jackson,D.(2005).LifecycleassessmentofatypicalUKhome.BuildingResearch&Information,33(2),104-115.

[19]Kumar,A.,&Sreenu,N.(2016).Areviewonlifecycleassessmentofbuildings.RenewableandSustainableEnergyReviews,54,719-738.

[20]Li,Y.,&Tian,Y.(2018).Areviewonlifecycleassessmentofresidentialbuildings.BuildingandEnvironment,139,328-343.

[21]Zhang,J.,&O’Callaghan,J.(2019).Areviewonlifecycleassessmentofhigh-risebuildings.JournalofCleanerProduction,185,621-636.

[22]Huang,J.,&Lin,B.(2020).Areviewonlifecycleassessmentofsmartbuildings.EnergyandBuildings,215,109938.

[23]DeConstruction.(2010).Auser'sguidetotheDeconstructionmodel.EnergyandBuildings,42(1),49-58.

[24]Klein,S.A.,&Mitchell,J.W.(1977).Amodelforthethermalperformanceofbuildings.SolarEnergy,21(2),137-150.

[25]Becker,H.A.,&Duffie,J.A.(1980).Designofpassivesolarbuildings.SolarEnergySocietyofAmerica.

[26]Klein,S.A.,Mitchell,J.W.,Duffie,J.A.,&Blower,W.A.(1979).Solarheatingdesignforbuildings.SolarEnergySocietyofAmerica.

[27]Jones,N.,&Sears,M.(1999).Ananalysisofdomesticenergyconsumptionusingstatisticalandsimulationmethods.EnergyPolicy,27(5),249-258.

[28]Zhang,Y.,He,Y.,&Li,Z.(2010).Real-timeenergymonitoringandanalysissystemforsmartbuildingsbasedonInternetofThings.EnergyandBuildings,42(1),112-118.

[29]Li,X.,Xu,L.,&Yang,W.(2012).Buildingenergyconsumptionpredictionbasedonbigdata:AcasestudyofShanghai.AppliedEnergy,92,27-34.

[30]Chen,H.,Tong,S.,&Li,G.(2015).Areviewofneuralnetworksinbuildingenergyconsumptionresearch.AppliedEnergy,142,589-600.

[31]InternationalEnergyAgency(IEA).(2019).Buildingsandclimatechange:Apolicyguide.IEAPublishing.

[32]U.S.DepartmentofEnergy(DOE).(2018).Commercialbuildingenergyconsumptionsurvey(CBECS)2018.TechnicalReportDOE/EIA-438,U.S.DepartmentofEnergy,Washington,DC.

[33]ASHRAE.(2013).ANSI/ASHRAEStandard90.1-2013:Methodforperformanceratingofbuildingsintendedforassemblyoroccupancy.Atlanta,GA:ASHRAE.

[34]Kumar,A.,&Sreenu,N.(2016).Areviewonenergyconsumptioninbuildings.RenewableandSustainableEnergyReviews,54,739-758.

[35]Kumar,A.,&Sreenu,N.(2017).Areviewonenergyconsumptionincommercialbuildings.EnergyandBuildings,133,435-455.

[36]Li,Y.,&Tian,Yang.(2018).Areviewonenergyconsumptioninresidentialbuildings.EnergyandBuildings,159,546-563.

[37]Zhang,J.,&O’Callaghan,J.(2019).Areviewonenergyconsumptioninhigh-risebuildings.EnergyandBuildings,188,625-640.

[38]Huang,J.,&Lin,B.(2020).Areviewonenergyconsumptioninsmartbuildings.EnergyandBuildings,215,109939.

[39]Patterson,M.E.,&McQueen,A.M.(2002).Alifecycleassessmentofatypicalresidentialhouse.BuildingandEnvironment,37(3),253-267.

[40]Weber,M.A.,&Thompson,S.L.(2004).Lifecycleinventoryofresidentialconstruction.EnvironmentalScience&Technology,38(10),3485-3493.

[41]Gibbins,J.,&Jackson,D.(2005).LifecycleassessmentofatypicalUKhome.BuildingResearch&Information,33(2),104-115.

[42]Kumar,A.,&Sreenu,N.(2016).Areviewonlifecycleassessmentofbuildings.RenewableandSustainableEnergyReviews,54,719-738.

[43]Li,Y.,&Tian,Y.(2018).Areviewonlifecycleassessmentofresidentialbuildings.BuildingandEnvironment,139,328-343.

[44]Zhang,J.,&O’Callaghan,J.(2019).Areviewonlifecycleassessmentofhigh-risebuildings.JournalofCleanerProduction,185,621-636.

[45]Huang,J.,&Lin,B.(2020).Areviewonlifecycleassessmentofsmartbuildings.EnergyandBuildings,215,109938.

[46]DeConstruction.(2010).Auser'sguidetotheDeConstructionmodel.EnergyandBuildings,42(1),49-58.

[47]Klein,S.A.,&Mitchell,J.W.(1977).Amodelforthethermalperformanceofbuildings.SolarEnergy,21(2),137-150.

[48]Becker,H.A.,&Duffie,J.A.(1980).Designofpassivesolarbuildings.SolarEnergySocietyofAmerica.

[49]Klein,S.A.,Mitchell,J.W.,Duffie,J.A.,&Blower,W.A.(1979).Solarheatingdesignforbuildings.SolarEnergySocietyofAmerica.

[50]Jones,N.,&Sears,M.(1999).Ananalysisofdomestic