《發(fā)現(xiàn)人工智能》期刊發(fā)表的一項新研究提出一種計算框架，通過神經網絡模型預測控制（NN MPC）同步優(yōu)化建筑熱環(huán)境與光環(huán)境。該方案在天津一棟五層中學教學樓的應用中實現(xiàn)17.4%的節(jié)能率，熱不滿意度降低8.2%，照度合規(guī)率提升21.1%，用戶滿意度從68.2%躍升至86.3%。

研究構建了兼顧能耗、熱舒適（基于PPD指標）、視覺舒適（基于自然采光系數(shù)）、眩光約束（統(tǒng)一眩光評級≤16）及全生命周期成本的多目標優(yōu)化模型。模型重點處理窗墻比與太陽得熱系數(shù)的物理耦合效應，解決單一參數(shù)設計無法化解的非線性權衡問題。

為捕捉耦合關系，研究采用改進的遺傳算法-反向傳播（GA-BP）神經網絡作為預測引擎。遺傳算法搜索初始權重與閾值以規(guī)避局部極小值，反向傳播進行誤差驅動微調。兩項改進確保可重復性與適應性：固定梅森旋轉隨機種子為1，并采用按時間順序排列的代謝數(shù)據集劃分法，訓練窗口逐日滑動，使網絡始終基于Zui新數(shù)據學習短期負荷波動。

預測精度顯著提升。改進型GA-BP的決定系數(shù)達0.961，均方根誤差為0.174，優(yōu)于標準GA-BP、ARIMA、支持向量回歸及長短期記憶網絡。多步預測中，平均誤差從1小時的0.103僅微增至24小時的0.158，證明模型在全天預測周期內保持穩(wěn)定，滿足預測控制的前瞻性規(guī)劃需求。

預測器之上部署NN MPC控制框架。與傳統(tǒng)閾值響應式溫控不同，NN MPC采用滾動時域機制：在每個采樣時刻，GA-BP模型預測未來時段內的室內溫度與照度，控制器求解包含空調供水溫度與照明功率在內的約束優(yōu)化問題。僅執(zhí)行序列中的首個動作，隨后接入新傳感器數(shù)據進行反饋修正與時域前移，形成狀態(tài)感知、預測優(yōu)化、控制執(zhí)行與反饋校正的閉環(huán)。

靜態(tài)設計配置由融合NSGA-II與MOPSO的并行混合優(yōu)化器完成。每次迭代從100個種群生成50個后代，通過快速非支配排序選擇下一代并剪枝重復帕累托解以維持多樣性?；旌蟽?yōu)化器的逆世代距離降至0.039（較單一算法降低超40%），僅需118次迭代即收斂。離線計算耗時263.5秒，實時決策交由NN MPC處理。

案例應用于天津建筑面積4,532.41平方米的教學樓，采用中國標準氣象數(shù)據庫北京地區(qū)典型氣象年數(shù)據，優(yōu)化外墻屋頂保溫厚度等8項變量。帕累托解集中，Zui優(yōu)節(jié)能設計年能耗為60.53千瓦時/平方米，Zui優(yōu)熱舒適方案將不滿意度降至22.85%，Zui優(yōu)采光方案達到3.42%的采光系數(shù)。優(yōu)先成本的設計雖節(jié)省479,138元全生命周期費用，但采光系數(shù)從1.85%降至1.52%，直觀呈現(xiàn)經濟性與視覺舒適的權衡。綜合平衡方案因四項指標均達中等至Zui優(yōu)水平，被視為常規(guī)建筑的Zui實用選擇。

動態(tài)控制層在仿真與實地驗證中證實有效性。工作日內室內維持約18攝氏度與300勒克斯，夏季高溫日室外超30攝氏度時室內仍保持26攝氏度。相比傳統(tǒng)比例積分控制，年總能耗從73.11降至60.37千瓦時/平方米，節(jié)約全生命周期成本52,400元，滿意度升至86.3%。實地測試顯示，室內溫度偏差由±1.3攝氏度收窄至±0.6攝氏度，照度偏差下降55.3%，暖通與照明能耗分別降低14.7%和19.9%。

跨氣候魯棒性測試揭示優(yōu)勢與局限。在氣候相近的天津，各項指標波動不超過1.7%。但在上海濕熱夏季能耗損失率達8.1%，在廣州漫長強烈制冷季攀升至14.9%，表明模型對相鄰氣候泛化良好，但在熱工與太陽輻射條件差異顯著的區(qū)域面臨挑戰(zhàn)。作者建議可通過氣候特異性遷移學習、在線模型更新及適用于缺乏歷史數(shù)據新建建筑的小樣本學習技術彌補差距。

該研究兼具工程與計算意義。將快速可復現(xiàn)的神經預測器嵌入滾動時域控制器，證明建筑采光與得熱的矛盾無需僅靠圖紙一次性解決。建筑圍護結構可在離線階段優(yōu)化全生命周期經濟與舒適度，而傳感器與預測算法能隨天氣與人員流動逐小時動態(tài)重協(xié)商陽光、人工照明與空調的平衡。對于學校建筑，改善光照與熱環(huán)境對防控近視與提升學習效率具有直接價值，18個百分點的滿意度提升凸顯了動態(tài)智能控制的實際效益。

資料來源：bioengineer.org；原文發(fā)布日期：2026-10-19。本文為資料編譯。