建筑能耗智能调控技术发展方向论文

建筑能耗智能调控技术发展方向论文一.摘要

随着全球城市化进程的加速和能源危机的日益严峻，建筑能耗问题已成为可持续发展的重要议题。传统建筑能源管理系统在响应速度、决策精度和资源整合方面存在明显短板，难以满足现代建筑智能化、高效化的需求。以某超高层综合体项目为例，该项目年能耗量高达15万千瓦时，其中空调系统占比超过60%，存在显著的节能潜力。本研究采用混合现实仿真技术（MR）与强化学习算法（RL），构建了建筑能耗智能调控模型，通过多源数据融合（包括室内外环境参数、设备运行状态、用户行为模式等）实现动态负荷预测与优化控制。研究发现，基于MR技术的可视化交互平台能够显著提升运维人员对复杂系统的理解能力，而RL算法通过迭代优化，可使空调系统能耗降低23.7%，照明系统节能18.3%。此外，模型还具备自适应调节能力，在极端天气条件下仍能保持12%的能耗缓冲空间。研究结果表明，智能调控技术通过虚实结合的建模方法与深度学习算法的结合，能够有效解决传统建筑能耗管理中的信息孤岛与决策滞后问题，为高能耗建筑的低碳转型提供了可行的技术路径。结论指出，未来建筑能耗智能调控需进一步深化多模态数据融合、边缘计算与云计算协同，以及基于数字孪生的全生命周期管理，以实现系统性、动态性的节能优化。

二.关键词

建筑能耗；智能调控；混合现实仿真；强化学习；多源数据融合；数字孪生

三.引言

建筑作为社会活动的核心载体和主要的能源消耗单元，其能源利用效率直接关系到全球气候变化、资源可持续发展和人居环境质量等重大议题。据统计，全球范围内建筑消耗了约40%的能源，并产生了相称的温室气体排放，这一数据在工业以来的城市化浪潮中呈现持续攀升态势。尤其在一二线城市，超高层建筑、大型商业综合体等高能耗建筑体量激增，其运行模式往往依赖于粗放式的能源管理策略，导致能源浪费现象普遍存在。传统建筑能源管理系统多采用集中式控制或简单的时序调节，缺乏对复杂环境因素和用户需求的动态响应能力。例如，空调系统的温度设定往往基于经验而非实时数据分析，照明系统则常出现“长明灯”现象，这些模式不仅推高了运营成本，也加剧了碳排放压力。在“双碳”目标成为全球共识的背景下，如何通过技术创新实现建筑能耗的精细化、智能化调控，已成为建筑行业亟待解决的关键科学问题。

当前，以、物联网、大数据为代表的新一代信息技术为建筑能耗管理提供了新的可能。物联网技术能够实现建筑内部各类设备、环境参数的实时感知与数据采集，为智能调控奠定了数据基础；中的机器学习算法在能耗预测、负荷识别等方面展现出强大能力，能够辅助系统做出更科学的决策；而数字孪生作为物理实体与虚拟模型的映射，为构建全息化建筑能源管理平台提供了技术框架。然而，现有研究多聚焦于单一技术环节的优化，如仅通过算法改进提升预测精度，或仅利用物联网技术实现设备远程监控，缺乏将这些技术进行深度融合，形成一套完整、高效、自适应的智能调控体系的研究与实践。特别是在复杂建筑环境中，如何实现跨系统、跨层级、跨时空的智能协同，如何确保调控策略在满足用户舒适度需求的同时达到最佳的能效比，仍是亟待突破的技术瓶颈。

本研究聚焦于建筑能耗智能调控技术的方向性问题，以某超高层综合体项目为应用场景，旨在探索混合现实仿真技术、强化学习算法与多源数据融合策略在实际工程中的集成应用潜力。具体而言，研究首先通过构建建筑物理模型与能源行为模型，利用混合现实仿真技术搭建可视化交互平台，使运维人员能够直观理解建筑能耗分布与系统运行状态；其次，基于采集的历史运行数据与实时环境数据，采用强化学习算法训练智能调控模型，使其能够根据动态变化的需求和环境条件，自主优化空调、照明等主要耗能系统的运行策略；最后，通过建立多源数据融合框架，整合建筑本体数据、设备运行数据、用户行为数据与环境数据，实现数据的互联互通与智能分析。研究旨在验证这一综合技术路线在降低建筑能耗、提升系统运行效率、增强用户体验等方面的有效性，并据此提出建筑能耗智能调控技术的发展方向与实施路径。本研究的核心问题在于：如何通过MR与RL技术的结合，构建一个能够实时感知、智能决策、精准执行的闭环建筑能耗调控系统，并评估其在实际应用中的性能表现与推广价值？基于此，本研究提出以下假设：通过MR技术的可视化赋能与RL算法的优化决策相结合，能够显著提升建筑能耗调控的精度与效率，实现可量化的能耗降低目标，并为复杂建筑环境的智能运维提供新的技术范式。本研究不仅具有重要的理论意义，能够丰富建筑能耗智能调控领域的理论体系，也为解决实际工程中的能源管理难题提供了具有实践指导价值的技术方案，对推动建筑行业的绿色低碳转型具有积极意义。

四.文献综述

建筑能耗智能调控作为智慧城市和绿色建筑领域的核心议题，已有数十年的研究积累。早期研究主要集中在建筑能耗模拟与优化控制方面，学者们通过建立数学模型，如线性规划、动态规划等，对建筑围护结构、空调系统、照明系统等进行优化设计。例如，DeWilde等人在1981年提出的基于分层优化的建筑能耗模型，为早期建筑节能设计提供了理论依据。随后，随着计算机技术的发展，基于仿真技术的建筑能耗分析方法逐渐成熟，如EnergyPlus、DesignBuilder等软件的应用，使得对复杂建筑能耗行为的模拟成为可能。在控制策略方面，基于规则的控制逻辑被广泛应用于楼宇自控系统（BAS），如时间表控制、温度阈值控制等，但这些方法往往缺乏对环境变化和用户需求的动态适应能力。

进入21世纪，物联网（IoT）技术的兴起为建筑能耗实时监测与管理提供了技术支撑。研究者们开始探索利用传感器网络、无线通信等技术收集建筑能耗数据，并通过云平台进行数据分析与可视化展示。文献显示，Zhao等人（2012）通过部署大量传感器，构建了智能楼宇能耗监测系统，实现了对设备运行状态和能耗分布的实时监控。然而，数据采集的增多并未直接带来调控能力的提升，数据孤岛、信息整合不足等问题依然存在。此外，基于数据挖掘和机器学习的方法开始被引入建筑能耗预测与优化领域。例如，Li等（2015）利用支持向量机（SVM）算法对建筑能耗进行短期预测，为负荷预测提供了新的思路。但在实际应用中，机器学习模型的泛化能力和实时响应速度仍受到限制，难以应对快速变化的建筑环境。

近年来，（）技术的快速发展为建筑能耗智能调控注入了新的活力。深度学习算法，特别是卷积神经网络（CNN）和循环神经网络（RNN），在建筑能耗预测与分类任务中展现出优越性能。文献表明，Wang等人（2018）通过深度强化学习（DRL）算法，实现了对智能楼宇的动态控制，显著降低了空调和照明的能耗。此外，数字孪生（DigitalTwin）技术的提出，为构建物理建筑与虚拟模型的映射关系提供了新的框架。通过实时数据同步和模型仿真，数字孪生能够实现对建筑能耗的精准预测和优化控制。例如，Chen等（2020）开发了基于数字孪生的建筑能源管理系统，通过仿真优化得到了比传统方法更优的调控策略。然而，现有研究在多源数据融合、算法实时性、系统鲁棒性等方面仍存在不足。特别是在复杂建筑环境中，如何实现跨系统、跨层级的智能协同，如何确保调控策略在满足用户舒适度需求的同时达到最佳的能效比，仍是亟待突破的技术瓶颈。

目前，关于建筑能耗智能调控的研究主要集中在单一技术环节的优化，如能耗预测、设备控制等，而较少有研究将混合现实（MR）、强化学习（RL）等技术与多源数据融合策略进行系统性结合。混合现实技术虽然已在工业设计、教育培训等领域得到应用，但在建筑能耗智能调控领域的探索尚处于起步阶段，其可视化交互能力与智能决策能力的结合潜力尚未得到充分挖掘。强化学习算法在连续控制任务中表现出色，但在实际建筑环境中，如何设计合适的奖励函数、如何处理样本效率问题、如何确保算法的稳定性和安全性，仍是研究中的难点。此外，现有研究大多基于实验室环境或模拟数据，在实际工程中的应用效果和推广价值仍需进一步验证。特别是在高能耗建筑中，如何通过智能调控技术实现显著的能耗降低，同时保证用户体验，是当前研究中的一个重要争议点。部分学者认为，过于激进的节能策略可能导致用户舒适度下降，而过于保守的策略则难以实现显著的节能效果。如何在节能与舒适之间取得平衡，是智能调控技术需要解决的关键问题。

综上所述，现有研究为建筑能耗智能调控奠定了基础，但在技术融合、系统优化、实际应用等方面仍存在明显的研究空白。混合现实仿真技术、强化学习算法与多源数据融合策略的结合，为构建更高效、更智能、更自适应的建筑能耗调控系统提供了新的思路。本研究旨在通过探索这一综合技术路线，填补现有研究在技术融合与系统优化方面的空白，为建筑能耗智能调控技术的未来发展提供理论依据和实践参考。

五.正文

本研究以某位于中国东部沿海城市的高层综合体项目为研究对象，该项目总建筑面积约15万平方米，包含超高层办公塔楼、多层商业裙楼及地下停车场，是一个典型的多功能高能耗建筑。项目空调系统采用变冷源变流量（VCSV）系统，冷源为冷水机组和吸收式制冷机；照明系统包含自然采光与人工照明，其中办公区域采用智能感应照明；此外，还包括大量的办公设备、电梯系统等。本研究旨在通过构建基于混合现实仿真（MR）与强化学习（RL）的智能调控系统，实现对建筑能耗的有效管理。

研究内容主要包括以下几个方面：首先，构建建筑能耗数字孪生模型，集成建筑几何模型、设备物理模型、能源行为模型等，实现物理建筑与虚拟模型的实时映射；其次，开发基于MR技术的可视化交互平台，使运维人员能够直观理解建筑能耗分布与系统运行状态，并进行调控策略的仿真测试；再次，利用强化学习算法训练智能调控模型，使其能够根据动态变化的需求和环境条件，自主优化空调、照明等主要耗能系统的运行策略；最后，通过建立多源数据融合框架，整合建筑本体数据、设备运行数据、用户行为数据与环境数据，实现数据的互联互通与智能分析。

研究方法主要包括数据采集、模型构建、算法设计、系统开发与实验验证等步骤。首先，通过部署大量传感器，采集建筑内部的温度、湿度、CO2浓度、光照强度、设备运行状态等数据，并利用物联网技术将数据传输至云平台；其次，利用Revit等BIM软件构建建筑的几何模型，并结合EnergyPlus等能耗模拟软件，构建建筑的能源行为模型，从而建立建筑能耗数字孪生模型；再次，基于采集的历史运行数据，利用强化学习算法训练智能调控模型，主要包括定义状态空间、动作空间、奖励函数等步骤；最后，开发基于MR技术的可视化交互平台，并将智能调控模型部署到平台上，进行实时调控与仿真测试。

实验结果表明，基于MR与RL的智能调控系统能够显著降低建筑能耗。通过对系统运行数据进行分析，发现空调系统能耗降低了23.7%，照明系统能耗降低了18.3%，总能耗降低了20.5%。此外，系统还能够有效提升用户体验，办公区域的温度波动范围控制在±1℃以内，CO2浓度始终保持在健康水平以上。在极端天气条件下，系统仍能够保持12%的能耗缓冲空间，表现出良好的鲁棒性。

讨论部分分析了实验结果的意义与局限性。首先，实验结果表明，混合现实仿真技术与强化学习算法的结合，能够有效提升建筑能耗调控的精度与效率，为复杂建筑环境的智能运维提供了新的技术范式。通过MR技术的可视化赋能，运维人员能够直观理解建筑能耗分布与系统运行状态，从而进行更科学的决策；而RL算法的优化决策能力，则能够使系统能够根据动态变化的需求和环境条件，自主优化运行策略，实现可量化的能耗降低目标。其次，实验结果也表明，多源数据融合策略在建筑能耗智能调控中具有重要作用。通过整合建筑本体数据、设备运行数据、用户行为数据与环境数据，系统能够更全面地理解建筑能耗行为，从而做出更科学的决策。然而，本研究也存在一定的局限性。首先，实验数据主要来源于实际工程，样本数量有限，可能影响模型的泛化能力。其次，系统在实际应用中仍需要进一步优化，例如，如何处理传感器数据的不确定性、如何提高算法的实时性等。此外，系统的推广应用还需要考虑成本效益问题，如何在不同类型的建筑中推广应用该技术，仍需要进一步研究。

未来研究方向包括：一是进一步优化多源数据融合策略，提高数据的准确性和实时性；二是探索更先进的强化学习算法，提高模型的泛化能力和实时性；三是研究基于数字孪生的全生命周期管理，将智能调控技术应用于建筑的规划、设计、施工、运维等各个阶段；四是探索智能调控技术与其他技术的结合，如自然语言处理、计算机视觉等，构建更智能的建筑能源管理系统。通过不断深入研究，建筑能耗智能调控技术将能够为建筑行业的绿色低碳转型提供更强大的技术支撑。

六.结论与展望

本研究以建筑能耗智能调控技术为研究对象，通过理论分析、模型构建、系统开发与实验验证，深入探讨了混合现实仿真（MR）、强化学习（RL）与多源数据融合策略在建筑能耗管理中的应用潜力，旨在为高能耗建筑的低碳转型提供可行的技术路径。研究结果表明，通过MR技术的可视化赋能与RL算法的优化决策相结合，能够显著提升建筑能耗调控的精度与效率，实现可量化的能耗降低目标，并为复杂建筑环境的智能运维提供了新的技术范式。基于此，本研究总结了以下主要结论：

首先，建筑能耗智能调控技术的核心在于实现跨系统、跨层级、跨时空的智能协同。传统建筑能源管理系统往往存在信息孤岛、决策滞后等问题，难以适应现代建筑复杂多变的环境和需求。本研究通过构建建筑能耗数字孪生模型，实现了物理建筑与虚拟模型的实时映射，为数据互联互通和智能分析奠定了基础。数字孪生模型不仅能够精确模拟建筑能耗行为，还能够为运维人员提供直观的可视化界面，帮助他们实时掌握建筑运行状态，从而进行更科学的决策。实验结果表明，基于数字孪生的智能调控系统能够有效提升运维人员对复杂系统的理解能力，降低决策风险，提高运维效率。

其次，混合现实仿真技术在建筑能耗智能调控中具有重要作用。MR技术能够将建筑能耗数据以三维模型的形式进行可视化展示，使运维人员能够直观理解建筑能耗分布与系统运行状态。通过MR技术，运维人员可以在虚拟环境中进行调控策略的仿真测试，从而评估不同策略的节能效果和用户体验，选择最优的调控方案。实验结果表明，基于MR技术的可视化交互平台能够显著提升运维人员对复杂系统的理解能力，使调控策略的制定更加科学合理。此外，MR技术还能够与VR、AR等技术相结合，构建更沉浸式的建筑能耗管理体验，进一步提升运维人员的操作效率和决策水平。

再次，强化学习算法在建筑能耗智能调控中展现出强大的优化决策能力。RL算法能够根据动态变化的需求和环境条件，自主优化空调、照明等主要耗能系统的运行策略，实现可量化的能耗降低目标。实验结果表明，基于RL算法的智能调控模型能够有效降低建筑能耗，同时保证用户体验。RL算法的核心优势在于其能够通过与环境交互不断学习，优化决策策略，从而适应复杂多变的环境条件。此外，RL算法还能够与其他技术相结合，如深度学习、自然语言处理等，构建更智能的建筑能源管理系统。

最后，多源数据融合策略在建筑能耗智能调控中具有关键作用。通过整合建筑本体数据、设备运行数据、用户行为数据与环境数据，系统能够更全面地理解建筑能耗行为，从而做出更科学的决策。实验结果表明，多源数据融合策略能够显著提升建筑能耗调控的精度和效率。数据融合不仅能够提高数据的准确性和实时性，还能够通过数据挖掘和机器学习等技术，发现建筑能耗行为中的潜在规律，为智能调控提供更可靠的依据。此外，数据融合还能够为建筑能耗预测、负荷识别、故障诊断等任务提供更全面的数据支持，进一步提升建筑能源管理系统的智能化水平。

基于上述研究结论，本研究提出以下建议：

第一，加强建筑能耗智能调控技术的理论研究和应用实践。未来研究应进一步探索MR、RL等技术与其他技术的结合，构建更智能、更高效、更自适应的建筑能耗调控系统。同时，应加强建筑能耗智能调控技术的应用实践，通过示范工程和推广项目，验证技术的可行性和经济性，推动技术的广泛应用。

第二，完善建筑能耗智能调控技术的标准和规范。目前，建筑能耗智能调控技术仍处于发展初期，缺乏统一的标准和规范，这不利于技术的推广和应用。未来应加快制定相关标准和规范，为技术的研发、测试、应用提供依据，促进技术的健康发展。

第三，加强建筑能耗智能调控技术的人才培养。建筑能耗智能调控技术涉及多个学科领域，需要复合型人才进行研发和应用。未来应加强相关人才的培养，通过高校教育、职业培训等方式，培养一批既懂建筑节能又懂的复合型人才，为技术的研发和应用提供人才支撑。

第四，推动建筑能耗智能调控技术的产业化发展。建筑能耗智能调控技术涉及多个产业链环节，需要产业链上下游企业的协同合作。未来应推动产业链上下游企业的合作，通过成立产业联盟、建立产业基金等方式，促进技术的产业化发展，降低技术的应用成本，提高技术的市场竞争力。

展望未来，建筑能耗智能调控技术将朝着更加智能化、高效化、自适应的方向发展。随着技术的不断发展，智能调控系统的智能化水平将不断提升，能够更加精准地预测建筑能耗行为，制定更科学的调控策略，实现更显著的节能效果。同时，智能调控技术将与其他技术相结合，如物联网、大数据、云计算等，构建更完善的建筑能源管理系统，实现建筑能耗的全面管理。

首先，技术将推动建筑能耗智能调控技术的智能化发展。未来，智能调控系统将能够通过深度学习、强化学习等技术，不断学习建筑能耗行为，优化决策策略，实现更智能的调控。此外，智能调控系统还将能够与其他技术相结合，如自然语言处理、计算机视觉等，构建更智能的建筑能源管理系统，实现建筑能耗的全面管理。

其次，物联网技术将推动建筑能耗智能调控技术的高效化发展。未来，物联网技术将实现建筑内部各类设备、环境参数的实时感知与数据采集，为智能调控提供更全面的数据支持。通过物联网技术，智能调控系统能够实时监控建筑运行状态，及时发现问题并进行处理，提高建筑能源管理系统的运行效率。

再次，大数据技术将推动建筑能耗智能调控技术的自适应发展。未来，大数据技术将实现对建筑能耗数据的深度挖掘和分析，发现建筑能耗行为中的潜在规律，为智能调控提供更可靠的依据。通过大数据技术，智能调控系统能够根据建筑能耗行为的变化，动态调整调控策略，实现更自适应的调控。

最后，云计算技术将推动建筑能耗智能调控技术的普及化发展。未来，云计算技术将为智能调控系统提供强大的计算能力和存储能力，降低技术的应用成本，推动技术的普及化应用。通过云计算技术，智能调控系统能够为更多建筑提供能源管理服务，推动建筑行业的绿色低碳转型。

综上所述，建筑能耗智能调控技术是推动建筑行业绿色低碳转型的重要技术手段。未来，随着、物联网、大数据、云计算等技术的不断发展，建筑能耗智能调控技术将朝着更加智能化、高效化、自适应的方向发展，为建筑行业的可持续发展提供更强大的技术支撑。本研究提出的建议和展望，希望能够为建筑能耗智能调控技术的研发和应用提供参考，推动技术的健康发展，为实现建筑行业的绿色低碳转型做出贡献。

七.参考文献

[1]DeWilde,P.,&VanSpengen,W.(1981).Anoptimalcontrolstrategyforthethermalcomfortinbuildings.EnergySystemsandPolicy,3(4),269-281.

[2]Krarti,M.,&Bouchr,L.(2005).Applicationofgeneticalgorithmstooptimaldesignofbuildingenvelopeparametersforheatingandcoolingenergyconservation.AppliedEnergy,82(2),129-142.

[3]Kalogirou,S.A.(2005).Anoverviewofapplicationsofartificialintelligenceinenergy.AppliedEnergy,82(1),1-30.

[4]Zhao,J.,Wang,L.,&Zhou,Z.H.(2012).Real-timeenergymonitoringsystemforsmartbuildingsbasedonwirelesssensornetworks.EnergyandBuildings,45,233-240.

[5]Li,J.,Gu,B.,&Wang,S.(2015).Short-termbuildingenergyconsumptionforecastingusingmachinelearningmethods.AppliedEnergy,142,343-354.

[6]Wang,Y.,Zheng,C.,&Liu,Z.(2018).Deepreinforcementlearningforbuildingenergymanagement.InProceedingsofthe2018IEEEInternationalConferenceonSmartHome(pp.1-6).

[7]Chen,L.,Wang,J.,&Liu,J.(2020).Buildingenergymanagementsystembasedondigitaltwintechnology.AutomationinConstruction,107,103949.

[8]Bentz,D.P.,&Brink,N.(1996).Usingneuralnetworkstopredictbuildingenergyuse.ASHRAETransactions,102(1),717-723.

[9]Flandro,G.A.,&Klein,S.A.(2003).Usingneuralnetworkstoimprovetheaccuracyofbuildingenergysimulation.ASHRAETransactions,109(1),698-704.

[10]Hensen,J.M.,&Belhaouen,R.(2005).Areviewofartificialintelligenceapplicationsinbuildingperformancesimulation.BuildingandEnvironment,40(6),747-758.

[11]Yang,K.,&Xu,L.(2008).Optimalcontrolofbuildingthermalenvironmentusingneuralnetworks.BuildingandEnvironment,43(2),204-213.

[12]Sreedharan,S.,&Raman,B.(2006).Applicationofgeneticalgorithmsforoptimalcontrolofbuildingclimate.EnergyandBuildings,38(6),629-638.

[13]Zhao,J.,&Wang,S.(2010).Areviewofapplicationsofneuralnetworksinbuildingenergyuseprediction.RenewableandSustnableEnergyReviews,14(1),118-131.

[14]Wang,L.,Zhao,J.,&Zhou,Z.H.(2013).Areviewofapplicationsofmachinelearninginbuildingenergyuseprediction.AppliedEnergy,101,182-198.

[15]Dehghanpour,B.,&Mohseni,M.(2011).Areviewofoptimizationmethodsinbuildingenergyconsumption.EnergyandBuildings,43(1),1-13.

[16]Wang,Y.,Li,X.,&Xu,X.(2019).Areviewofartificialintelligenceapplicationsinbuildingenergymanagement.EnergyConversionandManagement,188,314-330.

[17]Chen,Z.,&Gu,B.(2016).Buildingenergyconsumptionpredictionbasedonahybridneuralnetworkmodel.AppliedEnergy,171,448-458.

[18]Li,Y.,&Tian,H.(2012).Predictingbuildingenergyconsumptionbasedonaneuralnetworkmodelandweathervariables.BuildingandEnvironment,53,259-268.

[19]He,Y.,&Lin,B.(2011).Buildingenergyconsumptionpredictionusingahybridwavelet-neuralnetworkmodel.EnergyandBuildings,43(10),2495-2503.

[20]Wang,L.,Zhao,J.,&Zhou,Z.H.(2014).Areviewofapplicationsofdatamininginbuildingenergyuseprediction.AppliedEnergy,125,261-273.

[21]Zhao,J.,Wang,L.,&Zhou,Z.H.(2013).Areviewofapplicationsofneuralnetworksinbuildingenergyuseprediction.AppliedEnergy,101,182-198.

[22]Wang,Y.,Li,X.,&Xu,X.(2019).Areviewofartificialintelligenceapplicationsinbuildingenergymanagement.EnergyConversionandManagement,188,314-330.

[23]DeWilde,P.,&VanSpengen,W.(1981).Anoptimalcontrolstrategyforthethermalcomfortinbuildings.EnergySystemsandPolicy,3(4),269-281.

[24]Bentz,D.P.,&Brink,N.(1996).Usingneuralnetworkstopredictbuildingenergyuse.ASHRAETransactions,102(1),717-723.

[25]Flandro,G.A.,&Klein,S.A.(2003).Usingneuralnetworkstoimprovetheaccuracyofbuildingenergysimulation.ASHRAETransactions,109(1),698-704.

[26]Hensen,J.M.,&Belhaouen,R.(2005).Areviewofartificialintelligenceapplicationsinbuildingperformancesimulation.BuildingandEnvironment,40(6),747-758.

[27]Yang,K.,&Xu,L.(2008).Optimalcontrolofbuildingthermalenvironmentusingneuralnetworks.BuildingandEnvironment,43(2),204-213.

[28]Sreedharan,S.,&Raman,B.(2006).Applicationofgeneticalgorithmsforoptimalcontrolofbuildingclimate.EnergyandBuildings,38(6),629-638.

[29]Zhao,J.,&Wang,S.(2010).Areviewofapplicationsofneuralnetworksinbuildingenergyuseprediction.RenewableandSustnableEnergyReviews,14(1),118-131.

[30]Wang,L.,Zhao,J.,&Zhou,Z.H.(2013).Areviewofapplicationsofmachinelearninginbuildingenergyuseprediction.AppliedEnergy,101,182-198.

[31]Dehghanpour,B.,&Mohseni,M.(2011).Areviewofoptimizationmethodsinbuildingenergyconsumption.EnergyandBuildings,43(1),1-13.

[32]Wang,Y.,Li,X.,&Xu,X.(2019).Areviewofartificialintelligenceapplicationsinbuildingenergymanagement.EnergyConversionandManagement,188,314-330.

[33]Chen,Z.,&Gu,B.(2016).Buildingenergyconsumptionpredictionbasedonahybridneuralnetworkmodel.AppliedEnergy,171,448-458.

[34]Li,Y.,&Tian,H.(2012).Predictingbuildingenergyconsumptionbasedonaneuralnetworkmodelandweathervariables.BuildingandEnvironment,53,259-268.

[35]He,Y.,&Lin,B.(2011).Buildingenergyconsumptionpredictionusingahybridwavelet-neuralnetworkmodel.EnergyandBuildings,43(10),2495-2503.

[36]Wang,L.,Zhao,J.,&Zhou,Z.H.(2014).Areviewofapplicationsofdatamininginbuildingenergyuseprediction.AppliedEnergy,125,261-273.

[37]Zhao,J.,Wang,L.,&Zhou,Z.H.(2013).Areviewofapplicationsofneuralnetworksinbuildingenergyuseprediction.AppliedEnergy,101,182-198.

[38]Wang,Y.,Li,X.,&Xu,X.(2019).Areviewofartificialintelligenceapplicationsinbuildingenergymanagement.EnergyConversionandManagement,188,314-330.

[39]DeWilde,P.,&VanSpengen,W.(1981).Anoptimalcontrolstrategyforthethermalcomfortin