智能建筑能源管理系統

一個基于樓宇自控的智能建筑通常擁有三層的能源管理結構：現場層、網絡層、管理層。現場層包括各種現場設備，有傳感器、執行器和各種智能儀表，智能儀表有水表、電表、氣表等。現場層的通信采用現場總線標準，較為常用的有 RS485、M-BUS 等。網絡層是管理層和現場層之間相互通信的橋梁，將現場層采集到的數據信息上傳給管理層，同時將管理層發出的動作指令發送到現場層，讓現場設備執行相應的指令操作。管理層是對現場設備進行統一的監視、控制和管理，同時將現場設備運行產生的數據存儲到服務器中，用以記錄設備的日常運行日志和打印故障設備的報警信息等。

物聯網與建筑能源管理系統的融合

智能建筑能源管理系統的三層結構具備了與物聯網融合的條件，也為應用物聯網技術創造了必要性。現場層可以增加采用物聯網技術的各種智能設備，網絡層可以改造成有線和無線網絡進行數據之間的通信，實現建筑能耗設備的遠程監控和管理。管理層可以采用物聯網的云計算技術進行海量數據的處理，因此，智能建筑能源管理系統已經具備了物聯網的結構形態。

設備控制節能

通過深度數據挖掘分析，建立用能設備運行全景數據分析，再依托人工智能技術，在運行空調、除濕機、風機等其它用能設備期間，保證環境溫濕度、水位在標準范圍內，避免設備過度運行能耗浪費情景，結合人工智能技術優化設備運行策略，降低能耗，同時延長設備壽命。

預測性維護

許多設施都采用預防性維護來確保設備正常運行。這通常涉及例行檢查以及對設備狀態及其使用頻率的假設。互聯傳感器技術通過對維護智能建筑的技術（包括設備溫度，功率和聲音）提供更細致的洞察，從而將這一概念提升到一個新的水平。

這方面的一個例子是監測通風風扇電機，這些電機通常在商業建筑中每天24小時運行。不同的機械諧波隨著它們的老化而被識別，并且，通過使用基于LoRa的傳感器和調制解調器，電機的健康狀況及其生命周期位置可以確定問題出現的時間，以便在出現更大問題之前，在最方便的時間安排維護。

故障診斷預測與健康管理

通過現場采集來的實時數據，可對復雜建筑設備的全生命周期進行故障診斷、預測、健康狀態評估和健康管理。可采用的AI算法模型有：神經網絡（分類）、強化學習、貝葉斯（分類）、K-均值（聚類）、馬爾科夫（預測）、專家系統，基于這些算法模型可研制故障樹檢索系統、故障預測系統、健康管理系統。

能耗預測

在建筑能源系統中，如果歷史數據有效且數據量足夠，可利用機器學習/深度學習等技術，建立建筑能耗預測算法模型，根據建筑歷史用能數據，預測建筑未來一段時間的能源負荷需求，為能源管理者制定能源需求計劃、節能考核等提供可靠的數據支持。

管理側節能

基于大數據支撐，通過能耗三級計量系統，從各個區域用能上進行大數據分析管理，并對各區域用能情況實時監測，異常狀態的分級報警，在減少人員巡查的工作量的同時，保障設備供電安全。進而實現管理層面節能目標。

根據以上幾種應用場景，人工智能與物聯網技術將繼續為智能建筑的節能管理提供新的機會。借助連接的設備和強大的分析功能，我們可以實施更多可提高效率的解決方案，并為可持續性和節約提供新的機會。
責任編輯：tzh