陳棟才, 張思洪, 蔡永翔, 陳湘萍
(1 貴州大學 電氣工程學院,貴陽 550025; 2 貴州電網有限責任公司 電力科學研究院, 貴陽 550002)
隨著第五次信息革命,計算機技術得到高速發展。 上世紀80 年代,Joanna Eley[1]提出了智能建筑的概念,美國的康州哈特福德市建造了第一座基于信息技術和物聯網技術的智能建筑“都市辦公大樓”。智能建筑通過使用系統集成技術,將計算機網絡技術、現代通訊技術、現代自動控制技術等數字化技術與建筑技術等相關技術有機地結合一體,根據需求響應,將建筑的結構、系統、服務管理進行最優組合,所有的一切構成了安全、高效、方便和舒適的建筑物[2]。智能建筑系統由多個互相協同的部分組成,能夠在任何情況下對建筑進行管理。 通過對周圍環境資源的合理利用,智能建筑依托現代化技術,實現了綠色環保、節能減排的目的,如今已經成為建筑行業和信息技術行業交叉發展的重要領域。
在人與建筑互動的過程中,建筑與人之間產生了大量的數據,因此可以把建筑看作一個具有感知能力的“生命體”。 智能建筑擁有以下內涵特征:自感知,即可監測并收集建筑運行期間的歷史數據等;自管理,即通過對歷史數據信息的分析處理,完成建筑內基于大數據學習的自我行為管理等;自學習,即能夠分析建筑物自身運行及環境相關的大量數據,進行自我學習;自呼吸,即使建筑物依托綠色技術,模仿自然循環,以達到減少能耗,節約資源,保護環境的目的。 智能建筑典型特征如圖1 所示[3]。
圖1 智能建筑典型特征[3]Fig.1 Typical characteristics of intelligent buildings
對于智能建筑領域的研究,絕大多數學者選擇從某一方面著手。 如:改進群智能算法[4]、管理控制[5-6]、建立評價體系[7]、物聯網集成[8]、建筑負荷預測[9]等方面,僅局限于方法層面或技術層面。 現有的這些文章雖然具有一定價值,但未能客觀揭示智能建筑研究的全貌,也未能適當關注探索過去幾十年來的研究熱點。 在傳統的評論文章中,很難在大時間尺度的大量研究中有效地組織、總結和定量分析某一特定領域的發展。
由于智能建筑是一個跨學科的研究領域,涵蓋了建筑類、計算機類、能源類、控制類等學科,為了全面了解智能建筑的進展和熱點,本文采用文獻計量分析方法,利用可視化工具CiteSpace 對國內外眾多有關智能建筑的文獻數據進行分析處理,繪制發文情況、關鍵詞、被引文獻等知識圖譜,從智能建筑全局出發,并結合相關文獻資料研究解讀,得到至今為止國內外智能建筑的研究現狀及前言,并預測智能建筑的發展趨勢。
以Web of Science 數據庫中的核心合集數據庫作為數據來源,引文索引選擇Science Citation Index Expanded(SCIE)和Conference Proceedings Citation Index-Science(CPCI-S),主題以“smart building*”OR “ intelligent building * ” AND “ artificial intelligence” AND “big data”進行檢索,時間跨度選擇2010 年至2022 年,并精煉檢索結果,去重后得到2 997 篇文獻。
CiteSpace[10]是美國德雷塞爾大學陳超美教授基于Java 平臺開發的一款文獻計量可視化分析軟件,其結合網絡分析與關聯規則分析等方法,繪制知識圖譜,并通過圖譜分析該領域的研究動態、研究趨勢、研究熱點,是近年來最具影響力的信息可視化分析軟件之一[11]。 當前, CiteSpace 軟件已被廣泛應用于諸多領域的研究綜合分析[12]。 通過知識圖譜的形式,與傳統文獻相比,可以更加清晰地展示智能建筑研究領域的發展脈絡、研究熱點等。
CiteSpace 與3 個中心概念相關:異構網絡、中介中心性和突變檢測。 這些概念可以解決3 個實際問題,即了解研究的現狀和熱點、研究的相關性以及及時發現新趨勢和突變。 在CiteSpace 中,當前的研究現狀和熱點是基于文獻的標題、摘要和關鍵詞等標識符中提??;研究的相關性通過識別具有高中介中心性的節點來確定,使用戶更容易識別關鍵點,為了在可視化的網絡中脫穎而出,關鍵點用紫紅色外圈突出顯示;突發檢測算法可以適用于檢測某個研究領域急劇增加的研究熱點。
文獻計量學是以文獻計量特征為研究對象,采用數學與統計學的計量方法來描述、評價文獻的分布情況、統計規律以及預測文獻方向,是一門集合數學、統計學、文獻學的交叉科學[13]。 文章通過CiteSpace 的文獻計量分析方法,來探索基于人工智能和大數據的智能建筑研究領域的相關知識圖譜。首先,通過從WOS 數據庫中收集與智能建筑相關的文獻數據;將數據導入到CiteSpace 軟件中,對文獻的出版年份、國家與機構、作者共被引、共現關鍵詞和聚類、文獻共被引和聚類以及文獻突變進行分析;最后得出智能建筑研究領域的知識圖譜。
將收集到的2 997 篇文獻做一個年發文量統計,如圖2 所示。 發文量的演變大致可分為3 個階段:第一階段始于2010~2012 年,期間智能建筑相關文獻稀少且增長緩慢,反映出智能建筑處于起步階段的事實; 第二階段始于2013 ~2019 年,在此期間,智能建筑論文的年度發表量激增,表明智能建筑受到越來越多的關注,也表明更多的研究得到了執行; 第三階段始于2020~2022 年,發文量開始下跌,表明研究熱度有所下降,智能建筑的發展可能遇到了瓶頸。
圖2 基于WoS 智能建筑研究年發文量統計Fig.2 Annual publication statistics based on WoS intelligent building research
發現重點關注的國家和機構評價其學術影響力,對于了解該研究領域的研究基礎和研究動態具有重要意義。 因此,可將CiteSpace 中節點類型設為“country”或“Institution”,得到發文國家與機構的共現網絡。 如圖3 所示,節點越大,頻次越大,代表發文數量越多,每個節點從中心沿半徑方向到達邊緣的顏色趨勢表示了時間的演變,內圈的冷色代表早年,外圈的暖色代表近幾年。
圖3 發文分析共現網絡知識圖譜Fig.3 Publishing and analyzing the co-existing network knowledge graph
由圖3 中可見,發文量排名前列的國家依次為美國、中國、意大利等。 從圖3 所顯示的復雜連線可知,各個國家之間的合作關系較為不同。 如:中國和美國發文量是最多的,但與其他國家節點的連線很少,說明與其他國家之間的合作不多;而歐洲國家之間連線密集,說明歐洲國家之間合作很密切。
值得指出的是,高中心性意味著節點的重要性。按中心度來排列,印度<中國和法國<美國<英國<意大利<德國<西班牙,西班牙的中心度最高,達到0.36,表明西班牙與意大利、德國、英國等許多國家保持著廣泛的合作。 表1 顯示大多數國家節點的中心性較低,這意味著大多數國家之間的合作研究較為有限,各國和國際機構有必要加強合作與溝通。
表1 發文量前列的國家Tab.1 Countries with most publications
從表1 和表2 可以發現,中國、美國和意大利等發文量較多的國家,其發文并未集中在對應國家的國內某一機構,說明該國國內在該研究領域的研究勢力比較分散,需加強學術交流,形成良好的學術團體。
表2 發文量前5 位的機構Tab.2 Top 5 institutions with most publications
2.3.1 共現關鍵詞分析
對文獻關鍵詞進行分析,可對文章主題進行概括。 一篇文獻的幾個關鍵詞存在著某種關聯,而不同的文獻出現相同的關鍵詞代表著文獻間存在著某種關聯,這種關聯可以用異構網絡來表示。 頻次較高的關鍵詞可以反映該研究領域的研究熱點,而高中心性關鍵詞則反映了相應研究內容在該研究領域的地位和影響力[14]。 關鍵詞共現可視化結果如圖4 所示,圖中共有481 個節點,642 條連線,網絡密度為0.005 6,說明智能建筑研究主題比較廣泛,彼此之間較為松散。 圖譜中的節點表示關鍵詞,節點的大小、顏色、色帶寬度皆與關鍵詞的性質有關。 熱門關鍵詞在頻次上的排序見表3。
表3 重點關鍵詞Tab.3 Important keywords
圖4 英文關鍵詞共現網絡知識圖譜Fig.4 Knowledge graph of English keywords co-appear network
由表3 對關鍵詞的出現頻次和中介中心性進行統計,出現頻次由高到低的關鍵詞為系統(317)、模型(286)、管理(168)、優化(143)等,是智能建筑研究的基礎,且研究成果較多,絕大多數研究主要是以搭建模型系統模擬建筑運行,以進行管理優化為主。而設計(0.33)、效率(0.23)、策略(0.26)、需求側管理(0.27)、熱舒適(0.17)、互聯網(0.1)等中介中心性大于0.1 的關鍵詞,在智能建筑的研究中起連接作用,是該領域研究的重點內容,包括依托互聯網實現人、物和建筑之間的互聯[15];基于需求側管理的建筑能效分析[16];考慮建筑能耗和人員熱舒適度的管理控制策略[17]等。
2.3.2 關鍵詞聚類分析
由于未考慮到不同文獻時效性所帶來的影響,因此熱點研究的薄弱程度不足以反映一個學術領域的研究趨勢。 為了克服這個弱點,對關鍵詞進行聚類分析,以獲得智能建筑研究的新興趨勢和前沿,集群的標簽是LLR 集群的命名模式,不同集群之間的某些部分可能會重疊。 聚類結果如圖5 所示,得到了10 個聚類(僅顯示最大連接組件),模塊度Q為0.816,平均輪廓值S為0.928 6,且每個聚類的輪廓值都超過了0.5,表明結果是可靠且有意義的。
圖5 2010-2022 年的文獻關鍵詞的聚類可視化Fig.5 Cluster visualization of literature keywords from 2010 to 2022
由圖5 的聚類效果可見,#2 edge computing(邊緣計算)、#5 wireless sensor network(無線傳感網絡)符合智能建筑的“自感知” 特征;# 0 anomaly detection(故障診斷)、#1 energy management(能量管理)和#3 smart building system(智能建筑系統)符合智能建筑的“自管理”特征;#8 machine learning(機器學習)、#9 data mining(數據挖掘)符合智能建筑的“自學習”特征;#4 smart grid(智能電網)、#6 thermal energy storage(熱能存儲)和#7 life cycle assessment(生命周期評估)符合智能建筑的“自呼吸”特征。
聚類中出現頻次較高的關鍵詞system(系統)、neural network(神經網絡)、energy forecasting(能源預測)、iot(物聯網)、reinforcement learning(強化學習)、 predictive control ( 預 測 控 制)、 energy management(能源管理)等,從總體上來看:智能建筑的研究熱點主要集中于現代計算機技術、通信技術、電氣能源技術以及現代控制技術在建筑領域上的交叉應用。
但是,新的控制和通信技術的引入,對建筑能源管理系統產生了深遠影響,提供了更精確、高效的能源監測和控制手段,促進了建筑能源管理技術的不斷發展和創新需求。 模型預測控制(MPC)以其在能源管理方面的潛力,成為近年來的一項研究熱門。國外學者Serale G[18]定義了MPC 制定框架,并討論不同的現有MPC 算法用于建筑和HVAC 系統管理的結果,強調了應用MPC 在提高建筑物能源效率方面的潛在好處。 先進的建筑能源管理技術的發展離不開建筑負荷預測的發展,然而建筑能耗具有非線性、時變性強和不確定等特點,主流的基于詳細能耗模型模擬方法存在使用復雜,建模時間久,且存在性能差距等問題[19]。 因此,基于數據挖掘與機器學習的建筑負荷預測研究的重要性日益提高。 通過使用包括人工神經網絡(ANN)、支持向量機(SVM)、梯度提升(XGBoost)、分類與回歸樹(CART)等方法分析數據關聯關系,進行特征選擇,挖掘影響建筑能耗的決定性因素,進行負荷預測[20]。 以良好的建筑能源管理技術為基礎,以新型傳感器網絡為骨干,以物聯網集成系統為統帥,再輔以大數據、云計算等信息技術,即可實現綠色節能建筑[21],實現智能建筑的“自呼吸”。 在國內王宏等人[22]開展了針對人工智能和物聯網等技術為基礎的AIoT(Artificial Intelligence and Internet of Things)在實際綠色智能建筑樓宇自控中的融合應用研究。 主要包括基于AIoT 的智能建筑樓宇自控系統總體層級架構、智能自動照明系統的節能優化控制及其故障診斷與預測等研究,基于物聯網技術和神經網絡的故障預測診斷也成為智能建筑較傳統建筑的一大優點。
2.4.1 關鍵詞突變分析
通過對關鍵詞做突變分析,通過高頻關鍵詞的出現時間點,即可得到研究領域的熱點變化,反應該領域的研究趨勢,且突變強度的大小也反映了關鍵詞在這一時刻的熱門程度。 使用citespace 的“burstness”功能,對智能建筑近些年的突變詞分析見表4。
表4 根據爆發開始時間排序的關鍵詞Tab.4 Keywords sorted by outbreak start time
根據突變爆發時間,可大致將智能建筑研究熱點的演化過程分為兩個階段。
2.4.1.1 第一階段(2012~2017 年)
從突變強度分析,早期的智能建筑以smart grid(智能電網)、wireless sensor network(無線傳感網絡)和energy efficiency(能效)為主, 由于微電子技術的興起,樓宇自動化、通信網絡的系統集成達到進一步的發展,以及“電網2.0”的提出,即現有的傳統電力系統升級為具備先進通信、控制和能源技術的智能電網,以應對日益增長的可再生能源(如太陽能和風能)接入,提高電網的穩定性、可靠性和能源效率。 早期的智能建筑主要以建筑能耗管理策略、簡單傳感網絡和電氣自動化在建筑領域的[23]應用為主,后引入genetic algorithm(遺傳算法)[24]等群智能算法,進一步優化建筑管理與控制策略。
2.4.1.2 第二階段(2019~2022 年)
從突變強度分析,iot(物聯網)作為計算機科學技術與互聯網技術后的第三信息技術,從早期簡單的傳感網絡到現在的“萬物互聯”,統協建筑的各個子系統,實現真正的智能建筑。 傳統物聯網在智能建筑上的應用需要將設備產生的數據傳輸到云端計算再返回,以實現對設備系統的控制,為提高對數據的高效實時處理以及保證用戶的數據隱私安全。 如國內的Li Wenzhuo[25]以及國外的Yar Hikmat[26]等學者引入edge computing(邊緣計算),一種靠近物或數據源頭的網絡邊緣側,通過融合網絡、計算、存儲、應用核心能力的分布式開放平臺,就近提供邊緣智能服務[27]的服務方式,可有效處理數據且減少對互聯網帶寬的依賴,進一步提高物聯網的智能化。 reinforcement learning(強化學習)以及deep learning(深度學習)皆是人工智能研究在建筑領域上的應用,在大數據時代,分析并學習建筑歷史運行數據,在建筑能源管理、樓宇自動控制系統等方面有著良好的應用前景,使用戶獲得更好的居住體驗,使智能建筑“智慧化”。
2.4.2 被引文獻突變檢測分析
文獻的突變檢測能夠發現該研究領域的新興趨勢,即在某一時間段內人們對某一特定出版物研究內容的關注突然激增。 引文突發提供的證據表明,對出版物研究內容的關注與引用的激增相關聯,表明相關文獻在該研究領域已經受到了相應的關注。根據引用突變強度以及開始時間,選擇了代表性參考文獻見表5。
表5 根據爆發開始時間排序的代表性參考文獻Tab.5 Representative references sorted by outbreak start time
根據被引文獻的爆發時間,可把研究領域按時間分為兩個階段,與年發文量的分析相對應。
2.4.2.1 第一階段(2011~2018 年)
從表5 可以看出,本階段參考文獻的爆發強度均超過10,代表著這個研究領域具有里程碑意義的參考文獻。 最早的Dounis AI(2009)[28]發表了突變強度最高的文獻,主要介紹了以降低能耗和提高用戶熱舒適度為目的,在建筑環境中基于代理的智能控制系統的設計上。 Perez-Lombard (2008)[29]與Lu J(2010)[30]皆從暖通空調系統(HVAC)入手,討論如何利用廉價且簡單的傳感技術來自動感知建筑HVAC 系統的使用和睡眠模式,以及如何使用這些模式通過自動關閉家中的HVAC 系統來節省能源。由文獻突變分析得到的智能建筑早期研究熱點與2.4.1節中 關鍵詞突變分析結果基本吻合。
2.4.2.2 第二階段(2020~2022 年)
由突變文獻分析可大致分為3 個研究方向:
(1)物聯網技術在智能建筑上的集成應用。Minoli D(2017)[31]研究物聯網在當今各個行業的應用,其中包括智慧城市、智能電網、智能家居、智能監控、 能 源 優 化、 BA 系 統 等。 而 Plageras AP(2018)[32]研究將物聯網技術、大數據、云計算、新型傳感器有機結合,獲取建筑節能建議方案,從而得到綠色智能建筑。
(2)基于數據驅動的建筑能耗預測。 Amasyali K(2018)[33]回顧了開發數據驅動的建筑能耗預測模型研究,重點回顧了預測范圍、數據屬性和使用的數據預處理方法、用于預測的機器學習算法,以及用于評估的績效指標。 在此回顧的基礎上,確定了現有的研究空白,并強調了數據驅動的建筑能耗預測領域未來研究方向。
(3)建筑能源管理技術。 為充分發展智能電網,考慮到建筑系統對全球總發電量的消耗占據了重要部分,因此建筑系統與電網系統之間的有效集成和協同運行變得至關重要。 Lawrence TM(2016)[34]提出建筑管理人員必須平衡電網運營商的需求響應,請求與維持建筑運營所需的能源。 例如,維持占用建筑物內的熱舒適性需要能源,因此需要一種優化的解決方案,來平衡能源使用與室內環境質量(足夠的熱舒適性、照明等),建筑物及其系統與電網的成功集成還需要可互操作的數據交換。Wei TS(2017)[35]開發了一種數據驅動的方法,使用深度強化學習(DRL)技術,學習操作建筑HVAC 系統的最佳控制策略。 Reynolds J(2018)[36]以英國卡迪夫的一座小型辦公樓為研究對象,制定兩種優化策略,基于啟發式算法的日前優化和基于模型預測控制的日內逐時優化。 優化策略成功轉移負載與基準策略相比,價格更便宜,能源成本降低約27%。充分挖掘MPC 在建筑能量調節的潛力,是近年來一個重要的研究方法。
自1984 年世界上第一座智能建筑——美國的“都市辦公大樓”建成后,智能建筑的發展已經過了將近四十年的歷史。 時至今日,智能建筑在經歷多項現代化技術的更新后,較傳統建筑,擁有高效利用建筑面積、自動化程度高、數據可視化、綠色節能、可預測性維護、可實時控制和便捷程度高等優點,極大程度提高了用戶的使用體驗。 以國內最新智能建筑之一的騰訊濱海大廈為例,其已經擁有了高效的能量利用效率,完善的數字化轉型基礎設施以及智慧化管理平臺等多項智能建筑特征,深度融合了云計算、物聯網、人工智能、信息安全等前沿技術。 然而,目前智能建筑領域發展仍存在瓶頸與不足。 以物聯網的應用為例,當前物聯網的應用場景過于廣泛,導致存在碎片化問題,缺乏統一的連接協議和應用協議標準[37];數據挖掘以及深度學習在智能建筑上的應用存在數據不規范,重量不重質的問題,神經網絡屬于黑箱結構,工作狀態不穩定;智能技術的應用仍然以檢查和監測為主,并多采用信號提示的方式與人工進行交互,而缺乏進一步自主的智能應對[38];同時中國的智能建筑起步較慢,很多核心技術以及產品以國外市場為主流,冒失運用在國內智能建筑的實施可能存在“水土不服”的情況,需進一步推動國產技術的創新。
通過文獻計量學并結合CiteSpace 應用程序,旨在探究智能建筑研究領域的研究現狀和熱點。 通過從多個視角對繪制知識圖譜進行分析,發現關于智能建筑研究領域有如下特征:
(1)中國和美國發文量是最多的,但是和其他國家節點的連線很少,說明中國和美國和其他國家之間的合作不多;而歐洲國家之間連線很密集,說明歐洲國家之間合作很密切。
(2)通過對關鍵詞的共現和聚類分析,發現當前研究熱點主題主要聚焦于能量管理、熱舒適度、無線傳感網絡、深度強化學習、預測控制等。
(3)對共被引文獻和關鍵詞的突變檢測分析,探索研究前沿,主要有物聯網技術、基于數據驅動的建筑能耗預測和先進建筑能源管理技術等。
(4)綜合研究發現,智能建筑是現代化技術的集大成之作。 然而目前主流技術應用仍存在很大的局限性與不足。
在智能建筑的發展中,需要從設計階段就開始重視智能化技術的應用,加強技術創新,提高相關系統的使用效率,避免出現重建設輕使用的奇怪現象,全方位發揮智能建筑的優勢。