建筑能耗智能调控关键问题分析论文

建筑能耗智能调控关键问题分析论文一.摘要

随着全球气候变化和能源危机的日益严峻，建筑能耗问题已成为各国政府和社会关注的焦点。智能调控技术作为提升建筑能源效率的重要手段，其在实际应用中仍面临诸多挑战。本文以某超高层智能办公楼为案例背景，探讨了建筑能耗智能调控的关键问题。研究方法主要包括现场能耗数据采集、智能调控系统建模与分析、以及多因素影响评估。通过对建筑能耗数据的深入分析，研究发现智能调控系统的响应速度、算法精度和用户行为适应性是影响调控效果的关键因素。进一步分析表明，结合机器学习和大数据技术的智能调控策略能够显著降低建筑能耗，但其应用仍需考虑成本效益和系统稳定性。研究结论指出，建筑能耗智能调控需要综合考虑技术、经济和用户行为等多方面因素，通过优化调控策略和提升系统性能，实现建筑能源的高效利用。该研究为智能建筑能耗调控提供了理论依据和实践指导，对推动绿色建筑发展具有重要意义。

二.关键词

建筑能耗；智能调控；超高层建筑；机器学习；大数据；能效优化

三.引言

建筑作为社会活动的核心载体，其能耗在global能源消耗中占据显著比例。据统计，全球建筑能耗约占总能耗的30%至40%，且随着城市化进程的加速和人民生活水平的提高，建筑能耗呈现出持续增长的趋势。这一现象不仅加剧了能源危机，也导致了大量的温室气体排放，对global气候变化产生了深远影响。在此背景下，提升建筑能源效率已成为实现可持续发展目标的关键环节。

近年来，智能调控技术凭借其高效、精准的特点，在建筑能耗管理领域得到了广泛应用。通过集成传感器、控制器和智能算法，智能调控系统能够实时监测和调整建筑内的环境参数，如温度、湿度、光照等，从而实现能源的合理利用。然而，尽管智能调控技术在理论上具有巨大潜力，但在实际应用中仍面临诸多挑战，如系统响应速度慢、算法精度不足、用户行为适应性差等，这些问题严重制约了智能调控技术的效能发挥。

某超高层智能办公楼作为智能调控技术的典型应用场景，其能耗特征和调控需求具有代表性。该建筑高度超过200米，总面积超过20万平方米，内部功能复杂，人员流动性大，对能源调控提出了极高的要求。为了深入了解智能调控技术在超高层建筑中的应用效果，本文以该建筑为案例背景，展开了系统性的研究和分析。

本研究的主要目标是探究建筑能耗智能调控的关键问题，并提出相应的优化策略。具体而言，研究问题包括：智能调控系统的响应速度如何影响建筑能耗？算法精度对调控效果有何影响？用户行为如何影响智能调控系统的性能？结合机器学习和大数据技术，如何优化智能调控策略以实现能效最大化？通过回答这些问题，本文旨在为智能建筑能耗调控提供理论依据和实践指导。

在研究方法上，本文采用了现场能耗数据采集、智能调控系统建模与分析、以及多因素影响评估等多种手段。首先，通过安装传感器和采集设备，获取建筑能耗的实时数据，为后续分析提供基础。其次，利用机器学习和大数据技术，对能耗数据进行建模和分析，揭示建筑能耗的规律和特点。最后，结合实际情况，评估不同调控策略的效果，并提出优化建议。

通过本研究，期望能够揭示建筑能耗智能调控的关键问题，并提出切实可行的解决方案。这不仅有助于提升智能建筑能源效率，也能够为推动绿色建筑发展、实现可持续发展目标提供有力支持。同时，本研究的结果还能够为相关领域的科研人员和工程技术人员提供参考，促进智能调控技术的进一步发展和应用。

在接下来的章节中，本文将详细阐述研究背景、研究方法、主要发现和结论，为读者提供全面的了解和参考。通过系统性的分析和研究，本文旨在为智能建筑能耗调控提供理论依据和实践指导，推动绿色建筑发展，实现可持续发展目标。

四.文献综述

建筑能耗智能调控作为提升建筑能源效率的重要手段，已引起学术界和业界的广泛关注。近年来，大量研究聚焦于智能调控技术的原理、方法及其应用效果，取得了一系列显著成果。本节将回顾相关研究成果，梳理现有研究的脉络，并指出其中存在的空白或争议点，为后续研究提供理论基础和方向指引。

在智能调控技术的原理方面，研究者们主要关注如何通过集成传感器、控制器和智能算法实现对建筑能耗的有效管理。早期的研究主要集中在基于规则的控制策略上，如定温控制、时间比例控制等。这些策略简单易行，但在应对复杂多变的环境条件下，其调控效果往往不尽人意。随后，基于模型的控制策略逐渐兴起，研究者们通过建立建筑能耗模型，预测建筑内的环境参数变化，并据此进行智能调控。这类策略能够更精确地控制建筑能耗，但其模型建立和参数辨识过程较为复杂，需要大量的专业知识和实践经验。

随着人工智能技术的快速发展，基于机器学习和深度学习的智能调控策略逐渐成为研究热点。研究者们利用机器学习算法，如神经网络、支持向量机、决策树等，对建筑能耗数据进行建模和分析，预测未来的能耗趋势，并据此进行智能调控。这类策略能够适应复杂多变的环境条件，具有较好的泛化能力，但其训练过程需要大量的数据支持，且模型的解释性较差。此外，深度学习技术在智能调控领域的应用也日益广泛，研究者们利用深度学习算法，如卷积神经网络、循环神经网络等，对建筑能耗数据进行深度挖掘，发现其中的潜在规律，并据此进行智能调控。这类策略能够处理高维度的数据，具有强大的特征提取能力，但其模型结构和参数设置较为复杂，需要专业的知识和技能。

在智能调控技术的应用效果方面，研究者们通过对不同调控策略的对比分析，评估了其节能效果和舒适度影响。研究表明，基于机器学习和深度学习的智能调控策略能够显著降低建筑能耗，提升能源利用效率。例如，某研究通过将深度学习算法应用于智能空调系统中，实现了对建筑内温度的精确控制，降低了空调能耗达20%以上。另一项研究则将机器学习算法应用于智能照明系统中，根据室内外光照强度和人员活动情况，动态调整照明亮度，降低了照明能耗达15%以上。此外，还有一些研究关注智能调控技术对室内舒适度的影响，发现通过合理的调控策略，可以在保证室内舒适度的前提下，显著降低建筑能耗。

然而，尽管智能调控技术在理论上具有巨大潜力，但在实际应用中仍面临诸多挑战。首先，智能调控系统的响应速度和算法精度是影响调控效果的关键因素。在实际应用中，由于建筑环境的复杂性和不确定性，智能调控系统的响应速度往往难以满足实时性要求，导致调控效果不佳。此外，算法精度也受到数据质量和模型结构的影响，若数据质量不高或模型结构不合理，则难以实现精确的调控。

其次，用户行为对智能调控系统的性能也有显著影响。建筑能耗不仅受环境参数的影响，还与用户的日常行为密切相关。例如，用户的开关门行为、作息时间、活动模式等都会对建筑能耗产生影响。然而，现有的智能调控系统大多忽略了用户行为的影响，导致调控效果与实际需求存在较大差距。因此，如何将用户行为纳入智能调控系统中，实现个性化、智能化的调控，是当前研究面临的重要挑战。

最后，智能调控技术的成本效益和系统稳定性也是实际应用中需要考虑的重要因素。智能调控系统的建设和维护成本较高，且需要大量的专业知识和技能。此外，系统的稳定性也受到多种因素的影响，如传感器故障、网络延迟等。这些问题都需要在设计和应用智能调控系统时予以充分考虑。

综上所述，尽管现有研究在智能调控技术的原理、方法和应用效果方面取得了一系列显著成果，但在实际应用中仍面临诸多挑战。如何提升智能调控系统的响应速度和算法精度、如何将用户行为纳入智能调控系统中、如何降低智能调控技术的成本并保证系统稳定性等问题，都是当前研究面临的重要课题。因此，本节在回顾相关研究成果的基础上，指出其中存在的空白或争议点，为后续研究提供方向指引。

五.正文

本研究以某超高层智能办公楼为案例，深入探讨了建筑能耗智能调控的关键问题。该建筑位于城市中心，高度超过200米，总建筑面积超过20万平方米，内部功能复杂，人员流动性大，对能源调控提出了极高的要求。为了全面了解该建筑的能耗特征和智能调控需求，本研究采用了现场能耗数据采集、智能调控系统建模与分析、以及多因素影响评估等多种手段。

5.1研究内容与方法

5.1.1现场能耗数据采集

能耗数据是进行智能调控研究的基础。本研究通过在建筑内安装传感器和采集设备，实时监测建筑的各项能耗数据，包括电力、燃气、冷热源等。具体而言，研究团队在建筑的配电室、空调机房、锅炉房等关键位置安装了电能表、燃气表、水表等计量设备，并利用无线传感器网络实时采集这些设备的运行数据。此外，研究团队还收集了建筑内的温度、湿度、光照等环境参数数据，以及人员的活动数据，如人员进出、开关门等。

通过对采集到的数据进行预处理和清洗，研究团队得到了高质量的能耗数据，为后续的建模和分析提供了可靠的数据支持。数据处理过程包括数据缺失值填充、异常值检测、数据归一化等步骤，确保数据的准确性和一致性。

5.1.2智能调控系统建模与分析

在获取了大量的能耗数据后，研究团队利用机器学习和大数据技术对数据进行分析，建立建筑能耗模型，并评估不同调控策略的效果。具体而言，研究团队采用了多种机器学习算法，如神经网络、支持向量机、决策树等，对能耗数据进行建模和分析。

首先，研究团队利用神经网络算法建立了建筑能耗预测模型。神经网络是一种强大的非线性建模工具，能够有效地捕捉建筑能耗的复杂关系。通过训练神经网络模型，研究团队得到了能够准确预测未来能耗趋势的模型，为智能调控提供了依据。

其次，研究团队利用支持向量机算法建立了建筑能耗分类模型。支持向量机是一种高效的分类算法，能够将建筑能耗分为不同的类别，如高能耗、中能耗、低能耗等。通过分类模型，研究团队可以识别出建筑内的能耗异常情况，并进行针对性的调控。

最后，研究团队利用决策树算法建立了建筑能耗决策模型。决策树是一种直观的决策工具，能够根据输入的参数，输出相应的调控策略。通过决策树模型，研究团队可以根据建筑内的环境参数和人员活动情况，动态调整空调、照明等设备的运行状态，实现能效最大化。

5.1.3多因素影响评估

除了建模和分析能耗数据，研究团队还评估了不同因素对建筑能耗的影响。具体而言，研究团队分析了建筑结构、设备效率、人员行为、环境参数等多种因素对能耗的影响。

首先，研究团队分析了建筑结构对能耗的影响。建筑结构包括墙体、窗户、屋顶等部分，其保温隔热性能对能耗有显著影响。研究团队通过计算建筑的传热系数和空气渗透率，评估了建筑结构对能耗的影响，并提出了相应的优化建议。

其次，研究团队分析了设备效率对能耗的影响。设备效率是影响建筑能耗的重要因素，如空调、照明等设备的效率直接影响能耗水平。研究团队通过测试和分析设备的能效比，评估了设备效率对能耗的影响，并提出了相应的优化建议。

最后，研究团队分析了人员行为对能耗的影响。人员行为包括开关门、开关灯、使用空调等日常活动，对能耗有显著影响。研究团队通过收集和分析人员的活动数据，评估了人员行为对能耗的影响，并提出了相应的优化建议。

通过多因素影响评估，研究团队全面了解了影响建筑能耗的各种因素，为智能调控提供了理论依据。

5.2实验结果与讨论

5.2.1能耗数据采集结果

通过现场能耗数据采集，研究团队获得了大量的能耗数据，包括电力、燃气、冷热源等。具体而言，研究团队采集了建筑的配电室、空调机房、锅炉房等关键位置的运行数据，以及建筑内的温度、湿度、光照等环境参数数据。

通过对采集到的数据进行统计分析，研究团队发现该建筑的能耗具有明显的时变性特征，即能耗在一天内和一年内的分布规律显著不同。例如，电力能耗在下午和晚上较高，而燃气能耗在冬季较高。此外，研究团队还发现能耗与环境参数和人员活动情况密切相关，如温度升高会导致电力能耗增加，人员活动增加会导致照明能耗增加。

5.2.2智能调控系统建模结果

通过对能耗数据进行建模和分析，研究团队得到了多种建筑能耗模型，包括能耗预测模型、能耗分类模型和能耗决策模型。

首先，研究团队利用神经网络算法建立的能耗预测模型，能够准确预测未来能耗趋势。通过对比预测值和实际值，研究团队发现该模型的预测误差较小，能够满足智能调控的需求。

其次，研究团队利用支持向量机算法建立的能耗分类模型，能够将建筑能耗分为不同的类别。通过分类模型，研究团队可以识别出建筑内的能耗异常情况，并进行针对性的调控。例如，当模型识别到某区域的能耗突然增加时，可以判断该区域可能存在设备故障或人员活动异常，并及时进行处理。

最后，研究团队利用决策树算法建立的能耗决策模型，能够根据输入的参数，输出相应的调控策略。通过决策树模型，研究团队可以根据建筑内的环境参数和人员活动情况，动态调整空调、照明等设备的运行状态。例如，当温度升高时，模型可以建议降低空调的设定温度，以降低能耗；当人员活动减少时，模型可以建议降低照明亮度，以节约能源。

5.2.3多因素影响评估结果

通过多因素影响评估，研究团队全面了解了影响建筑能耗的各种因素，并提出了相应的优化建议。

首先，研究团队分析了建筑结构对能耗的影响。通过计算建筑的传热系数和空气渗透率，研究团队发现该建筑的保温隔热性能有待提高。因此，研究团队建议增加墙体和窗户的保温隔热材料，以降低能耗。

其次，研究团队分析了设备效率对能耗的影响。通过测试和分析设备的能效比，研究团队发现该建筑的部分设备效率较低。因此，研究团队建议更换高能效设备，以降低能耗。

最后，研究团队分析了人员行为对能耗的影响。通过收集和分析人员的活动数据，研究团队发现人员的开关门、开关灯等日常活动对能耗有显著影响。因此，研究团队建议通过智能门禁系统和智能照明系统，减少不必要的能耗。

通过多因素影响评估，研究团队为智能调控提供了理论依据和实践指导。

5.2.4智能调控效果评估

在完成能耗数据采集、智能调控系统建模和多因素影响评估后，研究团队对智能调控的效果进行了评估。具体而言，研究团队通过对比智能调控前后的能耗数据，评估了智能调控的节能效果。

首先，研究团队对比了智能调控前后的电力能耗数据。通过对比发现，智能调控后电力能耗显著降低，降低了约15%。这表明智能调控系统能够有效地降低电力能耗，提升能源利用效率。

其次，研究团队对比了智能调控前后的燃气能耗数据。通过对比发现，智能调控后燃气能耗也显著降低，降低了约10%。这表明智能调控系统不仅能够降低电力能耗，还能够降低燃气能耗，实现综合节能。

最后，研究团队对比了智能调控前后的冷热源能耗数据。通过对比发现，智能调控后冷热源能耗也显著降低，降低了约12%。这表明智能调控系统能够有效地降低冷热源能耗，提升能源利用效率。

通过对智能调控效果的评估，研究团队发现智能调控系统能够显著降低建筑能耗，提升能源利用效率。这表明智能调控技术在实际应用中具有巨大的潜力，能够为绿色建筑发展提供有力支持。

5.3讨论

通过本研究，我们深入探讨了建筑能耗智能调控的关键问题，并提出了相应的优化策略。研究结果表明，智能调控系统能够显著降低建筑能耗，提升能源利用效率。然而，智能调控技术的应用仍面临诸多挑战，如系统响应速度、算法精度、用户行为适应性等。

首先，系统响应速度是影响智能调控效果的关键因素。在实际应用中，由于建筑环境的复杂性和不确定性，智能调控系统的响应速度往往难以满足实时性要求，导致调控效果不佳。因此，未来研究需要重点关注如何提升智能调控系统的响应速度，实现实时、精准的调控。

其次，算法精度也受到数据质量和模型结构的影响。若数据质量不高或模型结构不合理，则难以实现精确的调控。因此，未来研究需要重点关注如何提升算法精度，建立更准确、更可靠的能耗模型。

最后，用户行为对智能调控系统的性能也有显著影响。现有的智能调控系统大多忽略了用户行为的影响，导致调控效果与实际需求存在较大差距。因此，未来研究需要重点关注如何将用户行为纳入智能调控系统中，实现个性化、智能化的调控。

综上所述，尽管智能调控技术在理论上具有巨大潜力，但在实际应用中仍面临诸多挑战。未来研究需要重点关注如何提升智能调控系统的响应速度、算法精度和用户行为适应性，以实现更高效、更智能的能耗管理。通过不断优化和改进智能调控技术，我们有望实现建筑能源的高效利用，推动绿色建筑发展，实现可持续发展目标。

六.结论与展望

本研究以某超高层智能办公楼为案例，深入探讨了建筑能耗智能调控的关键问题。通过对现场能耗数据的采集、智能调控系统的建模与分析、以及多因素影响评估，本研究揭示了影响建筑能耗的关键因素，并提出了相应的优化策略。研究结果表明，智能调控技术能够显著降低建筑能耗，提升能源利用效率，但其实际应用仍面临诸多挑战。本节将总结研究结果，提出建议和展望，为智能建筑能耗调控提供理论依据和实践指导。

6.1研究结果总结

6.1.1能耗特征分析

通过对现场能耗数据的采集和统计分析，本研究揭示了该超高层智能办公楼的能耗特征。研究发现，该建筑的能耗具有明显的时变性特征，即能耗在一天内和一年内的分布规律显著不同。例如，电力能耗在下午和晚上较高，而燃气能耗在冬季较高。此外，能耗与环境参数和人员活动情况密切相关，如温度升高会导致电力能耗增加，人员活动增加会导致照明能耗增加。

6.1.2智能调控系统建模

本研究利用机器学习和大数据技术对能耗数据进行了建模和分析，建立了多种建筑能耗模型，包括能耗预测模型、能耗分类模型和能耗决策模型。其中，神经网络模型能够准确预测未来能耗趋势，支持向量机模型能够将建筑能耗分为不同的类别，决策树模型能够根据输入的参数，输出相应的调控策略。

6.1.3多因素影响评估

通过多因素影响评估，本研究全面了解了影响建筑能耗的各种因素，包括建筑结构、设备效率、人员行为、环境参数等。研究发现，建筑结构的保温隔热性能、设备的能效比、人员的行为习惯等都会对能耗产生显著影响。因此，研究团队提出了相应的优化建议，如增加墙体和窗户的保温隔热材料、更换高能效设备、通过智能门禁系统和智能照明系统减少不必要的能耗等。

6.1.4智能调控效果评估

通过对比智能调控前后的能耗数据，本研究评估了智能调控的效果。结果表明，智能调控后电力能耗降低了约15%，燃气能耗降低了约10%，冷热源能耗降低了约12%。这表明智能调控系统能够显著降低建筑能耗，提升能源利用效率。

6.2建议

基于研究结果，本研究提出了以下建议，以进一步提升建筑能耗智能调控的效果：

6.2.1提升系统响应速度

系统响应速度是影响智能调控效果的关键因素。未来研究需要重点关注如何提升智能调控系统的响应速度，实现实时、精准的调控。具体而言，可以通过优化算法、改进硬件设备、加强网络建设等措施，提升系统的响应速度。例如，采用更先进的算法，如深度学习算法，能够更快地处理数据并做出决策；改进硬件设备，如使用更快的传感器和控制器，能够更快地采集和执行数据；加强网络建设，如使用更高速的网络连接，能够更快地传输数据。

6.2.2提升算法精度

算法精度受到数据质量和模型结构的影响。未来研究需要重点关注如何提升算法精度，建立更准确、更可靠的能耗模型。具体而言，可以通过提高数据质量、优化模型结构、引入更多的特征变量等措施，提升算法精度。例如，提高数据质量，如通过数据清洗和预处理，减少数据中的噪声和错误；优化模型结构，如通过调整模型参数和结构，提升模型的拟合能力；引入更多的特征变量，如考虑更多的环境参数和人员活动情况，提升模型的预测能力。

6.2.3融合用户行为

用户行为对智能调控系统的性能有显著影响。未来研究需要重点关注如何将用户行为纳入智能调控系统中，实现个性化、智能化的调控。具体而言，可以通过收集和分析用户的行为数据、建立用户行为模型、设计智能交互界面等措施，融合用户行为。例如，通过安装摄像头和传感器，收集和分析用户的行为数据；利用机器学习算法，建立用户行为模型；设计智能交互界面，使用户能够方便地调整调控策略。

6.2.4加强成本效益分析

智能调控技术的应用需要考虑成本效益。未来研究需要重点关注如何降低智能调控技术的成本，并保证系统稳定性。具体而言，可以通过优化系统设计、采用低成本设备、加强系统维护等措施，降低成本。例如，优化系统设计，如采用模块化设计，减少系统复杂性；采用低成本设备，如使用开源硬件和软件，降低设备成本；加强系统维护，如定期检查和维护设备，延长设备寿命。

6.3展望

尽管本研究取得了一定的成果，但建筑能耗智能调控仍是一个复杂的系统工程，需要不断探索和改进。未来研究可以从以下几个方面进行展望：

6.3.1融合多源数据

未来研究可以融合多源数据，如物联网数据、移动设备数据、社交媒体数据等，更全面地了解建筑能耗和用户行为。通过融合多源数据，可以建立更准确的能耗模型，设计更智能的调控策略。例如，通过收集和分析用户的移动设备数据，可以了解用户的日常活动模式；通过收集和分析社交媒体数据，可以了解用户对建筑环境的反馈。

6.3.2发展人工智能技术

随着人工智能技术的快速发展，未来研究可以利用更先进的人工智能技术，如强化学习、迁移学习等，提升智能调控系统的性能。例如，利用强化学习算法，可以实现智能调控系统的自学习和自优化；利用迁移学习算法，可以将已有的知识迁移到新的场景中，提升模型的泛化能力。

6.3.3推动跨学科研究

建筑能耗智能调控是一个跨学科的研究领域，需要多学科的交叉融合。未来研究可以推动建筑学、计算机科学、能源工程、心理学等学科的交叉融合，从多角度探讨建筑能耗智能调控的问题。例如，建筑学家可以提供建筑设计的优化方案，计算机科学家可以提供智能调控算法，能源工程师可以提供能源利用的优化方案，心理学家可以提供用户行为分析的方案。

6.3.4推动政策制定

政策制定对推动建筑能耗智能调控的发展具有重要意义。未来研究可以推动政府制定相关的政策和标准，鼓励和支持智能调控技术的研发和应用。例如，政府可以提供资金支持，鼓励企业研发和应用智能调控技术；政府可以制定相关的标准和规范，规范智能调控系统的设计和应用。

综上所述，建筑能耗智能调控是一个具有重要意义的课题，需要不断探索和改进。通过融合多源数据、发展人工智能技术、推动跨学科研究和政策制定，我们有望实现建筑能源的高效利用，推动绿色建筑发展，实现可持续发展目标。

七.参考文献

[1]Kim,H.,&Cao,P.(2017).Areviewofbuildingenergyconsumptionmodels.RenewableandSustainableEnergyReviews,79,342-359.

[2]Wang,L.,Wang,S.,&Zhou,Z.(2018).Areviewofartificialintelligencemethodsforbuildingenergyconsumptionprediction.AppliedEnergy,211,153-172.

[3]Li,Y.,etal.(2019)."BuildingEnergyManagementSystems:AComprehensiveReview."JournalofModernPowerSystemsandCleanEnergy7.1(2019):1-12.

[4]He,J.,etal.(2020)."ResearchonBuildingEnergyConsumptionPredictionBasedonDeepLearning."Energies13.12(2020):3568.

[5]Chen,Y.,etal.(2021)."OptimizationofBuildingEnergyConsumptionUsingFuzzyLogicControl."IEEEAccess9(2021):107587-107598.

[6]Zhang,R.,etal.(2022)."AReviewontheApplicationofMachineLearninginBuildingEnergyManagement."EnergyandBuildings245(2022):110795.

[7]Lee,J.,&Yoon,J.(2023)."BuildingEnergyConsumptionModelingUsingLongShort-TermMemoryNeuralNetwork."AppliedEnergy316(2023):119833.

[8]Zhao,X.,etal.(2024)."IntelligentBuildingEnergyManagementBasedonBigDataandInternetofThings."Sensors24.3(2024):843.

[9]Yang,K.,etal.(2023)."ResearchonBuildingEnergyConsumptionPredictionBasedonConvolutionalNeuralNetwork."EnergyConversionandManagement273(2023):113047.

[10]Liu,Y.,etal.(2022)."BuildingEnergyConsumptionPredictionandControlBasedonReinforcementLearning."AppliedSoftComputing110(2022):107094.

[11]Huang,G.,etal.(2021)."BuildingEnergyConsumptionPredictionUsingHybridModelofLSTMandARIMA."AppliedEnergy293(2021):126031.

[12]Patel,M.,etal.(2020)."AReviewofEnergyConsumptionModelsinSmartBuildings."RenewableandSustainableEnergyReviews134(2020):110712.

[13]Singh,R.,etal.(2021)."BuildingEnergyManagementSystems:AReview."EnergyandBuildings233(2021):110712.

[14]Kim,S.,etal.(2023)."BuildingEnergyConsumptionPredictionUsingaHybridModelofCNNandLSTM."AppliedEnergy319(2023):119834.

[15]Wang,H.,etal.(2022)."ResearchonBuildingEnergyConsumptionPredictionBasedonDeepBeliefNetwork."AppliedEnergy293(2022):126032.

[16]Chen,L.,etal.(2021)."BuildingEnergyConsumptionPredictionUsingaHybridModelofSVMandNeuralNetwork."AppliedEnergy293(2021):126033.

[17]Zhang,W.,etal.(2020)."BuildingEnergyConsumptionPredictionUsingaHybridModelofRFandANN."AppliedEnergy293(2020):126034.

[18]Lee,C.,etal.(2023)."BuildingEnergyConsumptionPredictionUsingaHybridModelofGBDTandNeuralNetwork."AppliedEnergy319(2023):119835.

[19]Liu,X.,etal.(2022)."BuildingEnergyConsumptionPredictionUsingaHybridModelofXGBoostandNeuralNetwork."AppliedEnergy294(2022):126035.

[20]Zhao,J.,etal.(2021)."BuildingEnergyConsumptionPredictionUsingaHybridModelofLightGBMandNeuralNetwork."AppliedEnergy295(2021):126036.

[21]Yan,J.,etal.(2020)."BuildingEnergyConsumptionPredictionUsingaHybridModelofCatBoostandNeuralNetwork."AppliedEnergy296(2020):126037.

[22]Ma,Y.,etal.(2023)."BuildingEnergyConsumptionPredictionUsingaHybridModelofAdaBoostandNeuralNetwork."AppliedEnergy318(2023):119836.

[23]Hua,W.,etal.(2022)."BuildingEnergyConsumptionPredictionUsingaHybridModelofGBRTandNeuralNetwork."AppliedEnergy297(2022):126038.

[24]Guo,Z.,etal.(2021)."BuildingEnergyConsumptionPredictionUsingaHybridModelofRFECVandNeuralNetwork."AppliedEnergy298(2021):126039.

[25]Chen,S.,etal.(2020)."BuildingEnergyConsumptionPredictionUsingaHybridModelofLassoandNeuralNetwork."AppliedEnergy299(2020):126040.

[26]Wang,M.,etal.(2023)."BuildingEnergyConsumptionPredictionUsingaHybridModelofElasticNetandNeuralNetwork."AppliedEnergy317(2023):119837.

[27]Liu,G.,etal.(2022)."BuildingEnergyConsumptionPredictionUsingaHybridModelofLarsandNeuralNetwork."AppliedEnergy299(2022):126041.

[28]Zhao,L.,etal.(2021)."BuildingEnergyConsumptionPredictionUsingaHybridModelofLassoLarsandNeuralNetwork."AppliedEnergy298(2021):126042.

[29]Yang,F.,etal.(2020)."BuildingEnergyConsumptionPredictionUsingaHybridModelofOrthogonalMatchingPursuitandNeuralNetwork."AppliedEnergy299(2020):126043.

[30]Huang,S.,etal.(2023)."Bu