用于经核实建筑脱碳的 AI 驱动能耗基线

这对日常生活为何重要

建筑物为我们的居所降温、为办公室提供照明、为酒店营造舒适环境——但它们也消耗大量电力，并排放全球相当大的温室气体份额。本文探讨人工智能（AI）如何帮助大型建筑实时不断“调校”能源使用，削减浪费而不牺牲舒适度。研究表明，当智能算法与可信的认证规则结合时，普通建筑可以成为应对气候变化和激活绿色融资的强大工具。

从固定估算到“活”的基线

目前，大多数建筑能耗评估依赖固定基线和关于天气、占用率及设备性能的粗略经验规则。这些方法是为较静态的世界设计的，当人们作息变化、新设备安装或极端天气来袭时就显得力不从心。因此，改造后的宣称节能常常存在不确定性且难以审计。本研究用一种按小时更新的“活”基线取代了这些僵化方法。它将来自电表、传感器和本地气象站的数据流输入 AI 模型，让模型不断学习建筑的真实表现，从而能以一个会随时间移动但可信赖的参考来衡量节能，而不是一次性的估算。

智能引擎如何工作

作者构建了一个混合型 AI 引擎，结合了两种优势：一种模型（LSTM）擅长捕捉随时间变化的模式，例如制冷需求的日常和季节性波动，另一种模型（XGBoost）则擅长同时处理多种建筑特征，如楼层面积、设备类型和改造年份。两者协同处理十栋位于新加坡的商业、住宅和混合用途建筑的逐小时能耗、占用和天气数据。系统学习在“正常”条件下建筑本该使用的能量，并将其与在实施节能升级或更智能控制后实际使用的能量进行比较。这一差值被细致地计算为实际节能量的估算值。

把数字转化为可被信赖的气候证明

关键步骤是将 AI 的预测转化为监管机构和金融方已经认可的度量标准。该框架可以直接接入新加坡的能源节约计算（ECC）方法，该方法是国家绿色建筑认证（Green Mark）的基础。通过既有公式，系统将预测能耗和实际能耗转换为节能量，再根据该国电网排放因子换算为二氧化碳减排。该方案在十栋建筑上部署三年，AI‑ECC 结合体的预测误差通常低于 5%，经核实的节能约为 6,885 MWh，避免排放约 3,221 吨二氧化碳当量。在一些改造建筑中，人均（或按平方米）能耗下降超过 60%，所有这些都以审计人员可核查、认证机构可接受的方式记录在案。

以一家酒店作为现实试验场

为展示实际效果，作者详述了一例位于新加坡市中心的八层酒店案例。在安装了更高效的冷水机组、LED 照明和对室内二氧化碳水平响应的智能通风后，酒店将电表和传感器接入 AI 系统。模型先在国家级数据上预训练，再在现场进行微调，预测能耗并建议运行调整，例如在炎热潮湿的日子提前启动冷水机或调整制冷设定点。2020–2023 年间，该酒店的能耗强度从近 500 降至约 200 千瓦时/平方米·年，年减排约 290–310 吨二氧化碳。这些成果帮助该物业获得了最高级别的 Green Mark 白金认证，并以持续减排为条件获得了利率较低的可持续性挂钩贷款。

从智能建筑走向更绿色的金融

作者认为，超越单个场所，这一方法可以重塑城市和投资者对建筑脱碳的看法。因为该框架遵循国际关于能源绩效评估的指导并生成清晰、可解释的仪表盘，其输出可以支持环境报告、认证，甚至碳信用或绿色债券计划。换言之，经核实的节能可以成为一种能够吸引投资以推动更多升级的“货币”。尽管前期成本、老旧建筑的数据缺口和对专业人员的需求仍是障碍，研究表明一个集成的 AI 与政策工具包可以将日常的建筑运行转化为通向净零目标的可靠且可扩展路径。

引用: Li, J., Hao, Y. & Li, Y. AI-enabled energy baselines for verified building decarbonization. Sci Rep 16, 5815 (2026). https://doi.org/10.1038/s41598-026-36284-w

关键词: 智能建筑, 能源效率, 人工智能, 建筑改造, 碳排放