Технико-экономическая и экологическая оптимизация с ИИ для почти нулевого энергопотребления при реновации зданий: кейс кампуса университета

Почему умные здания важны

Во всем мире здания незаметно потребляют огромные объемы энергии, большая часть которой приходится на ископаемое топливо и способствует изменению климата. В жарких регионах, таких как Объединенные Арабские Эмираты, охлаждение учебных аудиторий и офисов особенно энергозатратно. В этом исследовании показано, как одно университетское здание в Шардже можно превратить в гораздо более экономное по энергопотреблению, сочетая улучшенную архитектуру, солнечную энергию и искусственный интеллект. Полученные результаты дают практическое представление о том, как существующие здания — а не только ультрасовременные новые постройки — могут двигаться к режиму почти нулевого энергопотребления, экономя деньги и сокращая выбросы парниковых газов.

Проблема современных кампусов

Авторы начинают с общей картины: на здания приходится примерно 40 % мирового энергопотребления и значительная доля выбросов углерода. В ОАЭ спрос в значительной степени определяется кондиционированием воздуха, а многие старые здания изначально не проектировались с прицелом на энергоэффективность. В качестве примера рассматривается здание M9 в Университете Шарджи — трехэтажный корпус инженерного факультета конца 1990-х годов. Энергоаудит и подробная компьютерная модель показывают, что оно потребляет около 1,43 млн кВт·ч электроэнергии в год, а удельное потребление на квадратный метр превышает типичные офисные ориентиры. Почти 40 % этой энергии уходит на устаревшее холодильное оборудование, работающее почти постоянно и управляемое вручную термостатами, а не автоматизированными расписаниями.

Простые улучшения до высокотехнологичных апгрейдов

Прежде чем добавлять новые источники энергии, команда исследует, как сократить спрос здания. С помощью симуляции они тестируют несколько относительно простых мер. Это включает перекраску внешних стен из бежевого в белый для отражения большего количества солнечного света, установку горизонтальных навесов над окнами для блокировки прямого солнца, внедрение умных расписаний, чтобы система охлаждения работала только когда здание реально занято, и замену энергоемких настольных компьютеров более эффективными ноутбуками. В совокупности эти меры сокращают годовое энергопотребление здания примерно на треть и уменьшают пиковую потребность в охлаждении более чем на 11 %. Они также сокращают выбросы углерода примерно на 296 тонн CO2 в год, или более чем на 7 300 тонн за 25 лет — при том, что режим использования здания не меняется.

Привлечение солнечной энергии

После снижения спроса следующий шаг — оценить, какую долю оставшейся энергии можно покрыть за счет солнца. Интенсивное солнце в ОАЭ делает установку крышных солнечных панелей особенно привлекательной. Площадь крыши здания M9 ограничена, но исследователи проектируют сетевую солнечную установку мощностью около 215 кВт с помощью специализированного программного обеспечения. По расчетам, эта система может генерировать примерно 366 МВт·ч электроэнергии в год, обеспечивая 38,4 % сниженного годового спроса здания. Хотя это и не достигает формального порога «почти нулевого энергопотребления» — определяемого здесь как по крайней мере половина потребности, покрытая возобновляемыми источниками — такая система существенно снижает зависимость от сети. Финансовые модели показывают, что солнечная установка окупается примерно за шесть лет, обеспечивает уровень стоимости электроэнергии ниже местной сетевой цены и дает высокий доход на инвестиции в течение 25-летнего срока службы, при этом позволяет избежать почти 5 000 тонн выбросов углерода даже с учетом углеродного следа производства панелей.

Пусть искусственный интеллект отберет варианты

Поскольку возможных сочетаний мер по повышению энергоэффективности и размеров солнечной установки много, команда создает инструмент на базе искусственного интеллекта, чтобы ускорить принятие решений. Они генерируют тысячи гипотетических сценариев реновации, каждый с разными наборами улучшений и солнечной мощностью, и вычисляют долгосрочные затраты, сроки окупаемости и сокращение выбросов. Модель дерева решений обучается на этих данных и может почти мгновенно прогнозировать ключевые показатели, такие как чистая приведенная стоимость и экономия CO2 для новых сценариев. Этот ИИ‑«советник» затем ранжирует пакеты реноваций по тому, насколько хорошо они одновременно балансируют три цели: снижение счетов за энергию, повышение финансовой отдачи и глубокое сокращение выбросов. Вместо того чтобы запускать новую, трудоемкую симуляцию для каждой идеи, планировщики могут быстро увидеть, какие варианты с наибольшей вероятностью дадут наилучшую отдачу.

Что это означает для будущих зданий

К концу анализа здание M9 еще не стало полностью «почти нулевым», но подобралось близко: потребление энергии сокращено на треть, а солнечная генерация покрывает почти две пятых оставшегося спроса, при этом финансовые показатели остаются устойчивыми. Исследование показывает, что сочетание умеренных архитектурных доработок, более умной эксплуатации, эффективного оборудования и крышных солнечных панелей может дать значительный эффект без радикальной перестройки. Не менее важно то, что демонстрируется способность ИИ превращать горы технических данных в ясные рекомендации для менеджеров объектов и политиков. Для кампусов и городов в жарком климате такой подход указывает реалистичный путь: вместо ожидания футуристических зданий мы можем использовать доступные сегодня инструменты, чтобы переделать существующие постройки в более чистые, дешевые и устойчивые пространства для жизни и работы.

Цитирование: Alobaid, M., Abo-Khalil, A.G. & Sayed, K. AI-enhanced techno-economic and environmental optimization for nearly zero-energy building retrofitting: a case study of university campus. Sci Rep 16, 14599 (2026). https://doi.org/10.1038/s41598-026-41747-1

Ключевые слова: здания с почти нулевым энергопотреблением, реновация зданий, солнечные фотоэлектрические установки, энергоэффективность, искусственный интеллект в энергетике