建筑能耗模拟与代理模型:以 EnergyPlus 为例
新一、简介
整楼能耗仿真是建筑节能政策的技术底座。一栋楼改了保温层、换了窗、调整了机组策略之后到底省多少电、峰值负荷怎么变、室内会不会不舒适——这些问题都要靠一套可信的物理仿真来回答。而仿真要付出计算代价,一次年度模拟往往要跑上几分钟,一栋楼还好,几千栋楼的参数化研究就是另一回事了。
正是在这个位置上,代理模型开始进入建筑能耗的工作流。本站此前收录的这条案例描述的正是这个故事:把重复的 EnergyPlus 运行换成神经网络代理,从而让大规模建筑群的设计与运行优化成为可行的事。
这条条目的问题不在方向,而在证据密度。原条目把 EnergyPlus 说成「DOE/NREL 维护」,把许可写成「见官网许可」,把年份记作 2001,把仿真精度描述成「逐时热平衡求解」,把代理精度描述成「普遍获得数量级的评估加速」,又列出一串代理模型类型(MLP、梯度提升或序列模型)与三组应用场景。这些说法里有几处需要修正,有几处过于笼统,还有一处几乎没有依据。
先说维护关系。官方口径是 EnergyPlus 的开发由美国能源部建筑技术办公室(Building Technologies Office, BTO)资助,代码托管在 NREL 的 GitHub 仓库下;DOE 自身在使用 EnergyPlus 时,大部分工作是通过 OpenStudio SDK 完成的。NREL 在建筑能耗代理研究上是重要的合作方,这项工作也出自 NREL 的实验室体系,但它并非 EnergyPlus 项目的「维护方」这一单一角色。名称上还有一处时效问题:NREL 已于 2025 年 12 月 1 日更名为 National Laboratory of the Rockies(NLR),管理机构 Alliance for Sustainable Energy, LLC 同步更名为 Alliance for Energy Innovation, LLC。
再说许可。EnergyPlus 有自己的许可文件,条款是 BSD 式三条款,外加一条专有的名称使用条款和一段美国政府权利保留声明。把它笼统写成「见官网许可」,对需要做合规分发的团队来说信息量不够。
再说精度表述。EnergyPlus 支持亚小时级、由用户自定义的时间步,这一点与「逐时热平衡」的说法不同;代理模型那一侧,一手论文给出的量化结论远比「数量级加速」细致,也远比它有边界。
站内 collections/surrogate-modeling-rom 给出代理与降阶模型的一般谱系,collections/performance-engineering 讨论性能工程的通用手段,guides/classical-solver-cost-boundary-2026 讨论经典求解器的成本边界与代理介入的位置,本篇补的是建筑能源这一具体纵切。
二、原理与工作方式
EnergyPlus 是一个整楼能耗仿真程序,面向工程师、建筑师与研究者,用于模拟建筑的能耗(采暖、制冷、通风、照明、插座与工艺负荷)与用水。官网列出的核心机制有九条,逐条看下来会发现它与「热平衡求解器」的笼统印象有实质差别。
其一是热区条件与 HVAC 系统响应的集成同时求解。这一条常被忽略:EnergyPlus 不假设 HVAC 一定能满足区域负荷,因此可以模拟无调节(un-conditioned)与欠调节(under-conditioned)的空间。换句话说,被控对象失控是一个被允许的状态,不属于错误状态。
其二是基于热平衡的辐射与对流求解,能产出表面温度,进而支持热舒适与结露的计算。这是「热平衡」这个词在 EnergyPlus 语境里的确切含义。
其三是亚小时级、由用户定义的时间步。热区与环境之间的交互可用用户自定义的时间步刻画,热区与 HVAC 系统之间的交互则采用自动变化的时间步。这个设计让快动态系统可以被建模,同时允许在仿真速度与精度之间做权衡。
其四是热湿传递模型,并且考虑区域之间的空气流动。
其五是高级围护结构(fenestration)模型,包括可控百叶、电致变色玻璃,以及逐层的热平衡计算,用于计算窗玻璃吸收的太阳辐射。
其六是照度与眩光计算,既用于报告视觉舒适,也可驱动照明控制。
其七是组件化的 HVAC,既支持标准配置也支持新构型。
其八是内置的大量 HVAC 与照明控制策略,并配有可扩展的运行时脚本系统用于自定义控制。
其九是 Functional Mockup Interface 的导入与导出,用于与其它引擎做协同仿真。
输出侧,EnergyPlus 提供标准摘要报告与详细报告,也支持用户自定义报告,时间分辨率可从年度选到亚小时级,并带能源分项系数。
工具链方面,EnergyPlus 是控制台程序,读输入文件、写输出文本文件,随附三个工具:IDF-Editor 用类电子表格的界面创建输入文件;EP-Launch 管理输入输出文件并执行批量仿真;EP-Compare 对两个或多个仿真的结果做图形化对比。官网还提到 IBPSA 维护的第三方工具目录。此外还有 IBPSA 之外的 DOE 官方说明:DOE 自身在使用 EnergyPlus 时,大部分工作是通过 OpenStudio SDK 完成的。
代理那一侧,一手证据来自 Edwards 等人 2017 年发表于 Applied Energy 的工作(田纳西大学与橡树岭国家实验室合作)。它的做法是:先做高保真 EnergyPlus 仿真,把结果组织成大规模训练数据,再用前馈神经网络(FFNN)与 Lasso 回归两种模型拟合「输入参数到 EnergyPlus 输出」的映射。
这里有一处方法学细节值得注意。论文明确解释了为什么选 FFNN 与 Lasso 而避开 MARS、Kriging 或 RBF 这类经典代理方法:在其它工程学科的代理研究里,输入与输出数量通常都很有限,而大规模仿真标定在拟合这类模型时会遇到严重的可扩展性问题——随训练数据增加,计算时间与内存需求迅速变得难以承受。FFNN 与 Lasso 借助高性能计算资源和成熟的数据挖掘方法缓解了这一限制。Lasso 的一个额外好处是能自动筛选相关输入,论文用这一点来诊断「缺少哪类信息」。
训练数据由三个基准数据集构成(记为 FG、MO1、MO2),均针对一栋住宅建筑:细粒度参数扫描覆盖 7 个围护结构参数、80 个仿真输出;粗粒度宽参数采样覆盖 156 个围护结构参数、90 个仿真输出。这些数据由超级计算机生成,其中项目名为 Autotune 的研究依赖 300 多个 15 分钟分辨率的传感器通道(来自一座真实住宅)、数百万次 EnergyPlus 仿真构成的 267 TB 数据库,以及真实数据与仿真输出之间的数学映射与敏感性分析。
预测输出是 15 分钟粒度的时间序列值,输出目标是领域专家认定最重要的 80–90 个仿真输出。
三、适用边界与前提
第一个前提是建筑本体的代表性。整楼仿真引擎有上千个非常具体的必填输入,而现实中的建筑是在现场制造出来的,彼此差异很大。要让模型可信,必须先用实测数据对模型做标定。这一步既费时又不可完全复用——论文也点明了「手工调参以匹配实测数据既不可重复也不可迁移」这一问题。
第二个前提是输出变量集合的可用性。代理模型的输出维度由训练数据决定,而训练数据里定义了哪些输出是「领域专家认定最重要」的。在 Edwards 等人的工作里这批输出是 80–90 个,覆盖范围广,但对具体项目而言可能不够用。
第三个前提是标定与优化的迭代成本结构。代理模型的价值主要不在于替代单次仿真,而在于把「标定」「改造方案寻优」这类需要成百上千次迭代的任务从不可行变为可行。单次评估省下的几十秒本身意义有限。
第四个前提是控制场景下代理的角色。MPC 场景对前向模型的实时性要求高,但同时对模型在控制动作附近的局部精度要求也高。这两种要求会同时收紧代理的可用区间。
第五个前提是数据许可与可获得性。建筑能耗数据(尤其是住宅用能数据)通常涉及住户隐私与商业敏感信息,公开数据集稀缺,这一点在把代理模型推向生产时比在论文场景里更突出。
第六个前提是 EnergyPlus 自身的时间分辨率约束。代理模型的输出粒度受训练数据限制,而训练数据的粒度受 EnergyPlus 输出设置限制。亚小时级输出的存储与处理成本随变体数与建筑数相乘,这是批量研究里常被低估的一环。
四、上手路径
从零到能跑出第一个结果,路径是清晰的。
第一步是准备输入文件。IDF-Editor 提供类电子表格的编辑界面,是常见的新手入口;也可以直接编写 IDF 文本文件。输入文件描述几何、围护结构构造、内部得热与光照、室外气象文件、HVAC 系统、控制策略、作息表等。
第二步是运行仿真。EnergyPlus 是控制台程序,接受输入文件并输出结果文件。批量场景用 EP-Launch 管理输入输出并执行批量运行,比手工逐个调用更适合参数化研究。
第三步是比对结果。EP-Compare 对两个或多个仿真做图形化对比,这是核查参数改动是否按预期生效的基本手段,也是排查「改了参数但结果没变」这类问题的第一道工具。
第四步是构建代理。工作流是:定义参数化空间(围护结构、HVAC 设定、作息表、气象),用 EnergyPlus 批量生成样本,抽取输出变量组织成训练集,训练代理模型(论文用 FFNN 与 Lasso),然后在留出集上验证。论文还演示了用 Lasso 的输入自动筛选能力来诊断信息不足。
第五步是接入决策流程。这一步决定项目成败,论文的说法值得直接引用:代理模型的标定效用完全取决于模型的精度。代理不能替代标定,只能让标定跑得动。
如果希望从更高层入口开始,OpenStudio 提供基于 EnergyPlus 的应用层与 SDK。官网明确指出 DOE 自身的大部分 EnergyPlus 工作是通过 OpenStudio 完成的,OpenStudio 与 EnergyPlus 同属 DOE BTO 的建筑能源建模组合。选 EnergyPlus 还是 OpenStudio,实际上是选「直接操作引擎」还是「用上层应用封装引擎」。
在做代理之前,还有一份更根本的前置工作:确定哪些输出变量是决策真正需要的。论文的做法是由领域专家列出最重要的 80–90 个输出,这个清单本身就是代理模型设计的一部分,也是训练数据生成成本的主要决定因素。
五、横向对比
在建筑能耗代理这一层,可以摆三条对照线。
第一条线是商业建筑能耗软件。这类产品(BESM、IES VE 等)与实测数据、计量设备、规范符合性工作流的耦合更深,工程管理能力更完整。EnergyPlus 与 OpenStudio 的位置是「更底层的可编程引擎」,代价是建模工作量落在用户身上。
第二条线是统计与数据驱动能耗模型。这是建筑能耗领域最早的一类模型形态:直接用气象、面积、时间等可获得的低维变量回归出能耗,绕开物理仿真。它们的成本极低,但可解释性与外推能力弱,且无法回答「换成双层玻璃会怎样」这类设计问题。collections/uq-bayesian-inversion 讨论了贝叶斯方法在含缺失数据时的参数估计能力,这是统计模型一侧的典型工具箱。
第三条线是降阶与 ROM。POD、动态模态分解一类方法在建筑热响应上也有应用,特点是需要一套正交基,对非线性强、非稳态的过程拟合受限。代理模型的路线不要求全局基,对参数空间的非线性响应更宽容,但同样受限于训练集覆盖。
还有一条横向对照与本篇的主题直接相关。cases/topodiff-topology-optimization 讨论的是用神经网络处理拓扑优化问题,其物理内核(结构力学有限元)同样是「昂贵求解器 + 快速代理」的结构;cases/openfoam-multiphysics 则是流体侧的对位案例。三个场景共享同一个工程模式:真实设计问题需要调用昂贵求解器成千上万次,代理模型负责把搜索空间压到可计算规模,昂贵求解器负责在最终候选上做验证。这条模式的共性风险也一致——代理模型的误差在搜索过程中会被系统性放大,因为优化器总是往代理预测最好的方向走。
tools/physicsnemos 提供了 GPU 加速的数值求解路线,与 EnergyPlus 的 CPU 求解器在生态上不重叠,但在「先加速求解器、再考虑代理」的次序上存在共同点。
六、基准与数据
EnergyPlus 官方没有发布精度基准榜单,也没有一个官方验证数据集。它的可信度来自三条来源。
第一条是持续发布的版本节奏。EnergyPlus 26.2.0 已发布,是一个含缺陷修复的版本,发布日期为 2026 年 9 月 30 日。DOE 每年发布两次 EnergyPlus 重大更新,每次更新都会附带变更记录与修复项。这个节奏本身是质量信号:一年两轮公开的版本更替,意味着缺陷会被持续暴露和修复。
第二条是跨工具的交叉验证生态。OpenStudio 与 EnergyPlus 同属一个组合,社区里有大量跨工具的比对工作;IBPSA 维护的第三方工具目录里也有面向 EnergyPlus 的工具。工程软件的可信度在很大程度上由这种外部检验构成。
第三条是 DOE 资助项目产出的验证证据,其中代理模型方向的代表作就是 Edwards 等人 2017 年的论文。
现在来看这篇论文可以引用的量化结论,逐条照原口径记录。
性能侧:EnergyPlus 的年度建筑仿真通常需要 2–3 分钟墙钟时间完成;论文另有一处指出 EnergyPlus 可能需要 5 分钟。引擎本身在变快——EnergyPlus 7.0 比 6.0 快 25–40%——但论文明确写道计算负担依然存在,并且是用户的首要抱怨。
数据规模:三个数据集,7–156 个软件输入,用于预测超过 300 万个输出。数据由当时世界上最快的超级计算机生成(Lasso 与 FFNN 用交替方向乘子法 ADMM 实现)。
精度与速度:模型能对领域专家认定最重要的 80–90 个仿真输出中的绝大部分,在 5% 误差内预测 15 分钟粒度的值(整楼电能耗在 0.07% 内),并能在 3 秒内算完这些结果。论文结论段的表述是:「Lasso 模型能在约 3 秒内预测完整的一年仿真,FFNN 模型并行运行时可达到同样的执行时间。这些运行时间相比 EnergyPlus 的平均运行时间(约 2–3 分钟)要快得多。」论文的 highlights 另给出「EnergyPlus 代理建筑能耗模型快 60 倍」。
失效范围,论文自陈得相当明确,这条最需要被引用:这些模型在预测显热(sensible)采暖与制冷负荷时只取得中等成功,在预测潜热(latent)制冷与采暖负荷时则失败。原因是潜热负荷变量与输入之间存在更复杂的非线性关系,Lasso 的自动输入筛选能力不足以弥补;作者认为需要更好地利用现有信息或补充新信息,并把这列为未来工作。
稳健性边界同样值得照录。论文在结论中写道:三个数据集(FG、MO1、MO2)的构建目的是确定最优的 EnergyPlus 近似模型,通常需要多个模型;虽然作者努力用这些数据集一般性地代表住宅建筑,并通过测试集与验证集量化预测的稳健性,但「把代理模型对其它使用场景的稳健性留给读者自行判断」——这里指的是需要不同仿真输入(建筑描述符)与输出的场景。
换句话说,这篇工作的量化结论有一个明确的适用边界:住宅建筑、7–156 个输入、80–90 个输出、15 分钟粒度、显热类输出。超出这个范围,数字不能直接搬。
控制方向的一手证据是 SimBuild 2024 会议论文《Multi-Fidelity Modeling and Control for Building Temperature Control》(作者 Dylan Wald、Kathryn Johnson、Olga Doronina、Rohit Chintala、Ryan King、Deepthi Vaidhynathan、Jibonananda Sanyal,报告编号 NREL/PR-5000-89637,2024 年 5 月 21–23 日于科罗拉多州丹佛的 SimBuild 会议发表,共 28 页)。它的做法是:把复杂的高保真模型(一个 EnergyPlus 模型)与简单的低保真模型放进同一个 MPC 控制循环,用高斯过程(Gaussian Process)代理模型以在线方式周期性更新一个降阶线性(线性参数时变,LPV)建筑模型的参数,从而在显著降低计算负担的同时保持对当前与未来状况的高精度预测。
这两条证据代表了两条不同的代理路径:一条是离线大规模回归替换输出函数(FFNN/Lasso),另一条是在线多保真参数更新(高斯过程 + LPV)嵌入控制环。前者适合标定与方案寻优,后者适合在线控制。
七、物理 AI 场景中的用法
把这条线放进物理 AI 的工作流,代理模型在建筑领域承担四类角色。
第一类是标定加速器。建筑能耗模型的核心难点是参数众多、实测数据有限,而标定需要反复正演。代理模型让「给定一组参数,返回模拟响应」变成一次前向推理,于是迭代次数不再是瓶颈。这一角色是 Edwards 等人论文的直接目标——论文提到其工作服务于 Autotune 项目,该项目的目标是建立一套自动调参流程,使仿真输出能匹配实测数据。
第二类是改造方案寻优。给定一栋楼的现状模型与一系列改造措施(保温加厚、窗型更换、机组更换、控制策略调整),评估组合效果需要大量正演。代理模型把「上千个改造组合的排序」压缩到分钟级。
第三类是设计导则的稳健性检验。设计导则往往用少数几个典型案例来论证气候区适应性,而导则的真正说服力来自在多个气候区、多个建筑形态上的稳健性。这正是需要成百上千次仿真的场景。
第四类是 MPC 控制环内的前向模型。这一角色对实时性要求最严,也让多保真路线成为必要:完全的高保真 EnergyPlus 模型在控制环里太慢,完全的低保真模型又不够准,于是出现了用高斯过程代理在线更新降阶模型参数、在两者之间取平衡的做法。
值得注意的是这四类角色的失败代价不同。改造方案寻优的错误会被后续的详细方案设计吸收一部分;MPC 控制在环内的错误会直接作用于执行机构。因此同一套代理模型在不同环节应当配不同的精度门槛与回退机制。
八、不适用场景与失效模式
第一类是不适用于潜热负荷的定量预测。这是 Edwards 等人论文中最明确的一条自陈局限:显热采暖与制冷负荷的预测只有中等成功,潜热制冷与采暖负荷的预测失败。任何以潜热负荷为核心决策量的场景(例如除湿负荷驱动的除湿机能耗、除湿相关的热湿耦合),都不能依赖这类代理。
第二类是不适用于未见建筑形态的外推。论文把代理模型对不同建筑描述符与输出的稳健性明确留给读者判断。论文的三个数据集针对的是一栋住宅建筑,围护结构参数在 7 到 156 个维度上变化,但这些变化是在同一栋原型建筑的参数空间内进行的。换成不同功能类型、不同体量比、不同围护构造体系的建筑,属于外推。
第三类是不适用于标定结论的免检替代。代理模型的标定效用完全取决于模型精度,而代理的精度需要独立验证。把代理的预测直接当作标定结果,等于用一个未经检验的模型替换另一个经过检验的模型。
第四类是不适用于长时程逐时或亚时程的因果推断。代理学到的是输入输出的统计映射,它不携带能量守恒、热容、焓平衡这些结构信息。因此「如果把某项参数提高 X,能耗会怎样变化」这类因果问题,代理给出的答案是插值出来的关联,不是物理推断。
第五类是不适用于能耗明细的分项归因。潜热负荷的失败已经说明了这一点:在潜热与显热耦合显著的场合,代理在分项上的误差可能远大于其在总量上的误差。
第六类是数据获取的约束。建筑实测能耗数据高度依赖具体项目的可获得性,公开数据集稀缺,跨项目迁移的难度大于流体、结构等有标准化试验台的领域。
第七类是版本与模型漂移。EnergyPlus 每年两次重大更新,代理模型的训练数据一旦依赖某个版本的输出语义,重新训练的成本就随之而来。同时 EnergyPlus 自身对输入文件的语义演进也可能改变某些输出变量的含义,跨版本直接复用旧模型有风险。
第八类是时间分辨率与存储的乘积效应。代理模型的输出是时间序列,15 分钟粒度下一年是 35040 个时间点,乘以输出变量数(80–90 个)再乘以变体数,存储与训练数据规模会迅速膨胀。这是「数量级加速」这个说法在数据准备阶段就会遇到的天花板。
九、版本与口径核对
本节逐条记录本次核查对原条目表述的修正,以及一手来源给出的边界。
-
开发与资助关系。官方口径是 EnergyPlus 的开发由美国能源部建筑技术办公室(BTO)资助,代码托管于 NREL 的 GitHub 仓库;DOE 自身在使用 EnergyPlus 时大部分工作通过 OpenStudio SDK 完成;EnergyPlus 与 OpenStudio 同属 DOE BTO 的建筑能源建模组合。原条目称「DOE/NREL 维护」,把资助方与托管方合并成了单一维护方,本篇按官方口径拆开表述。
-
实验室名称时效。NREL 已于 2025 年 12 月 1 日更名为 National Laboratory of the Rockies(NLR),管理机构 Alliance for Sustainable Energy, LLC 更名为 Alliance for Energy Innovation, LLC;DOE 的 EERE 已并入 CMEI。引用 2025 年 12 月之后的文献时应使用新名称。
-
许可口径。EnergyPlus 有自有许可文件 LICENSE.txt:BSD 式三条款,版权声明为「EnergyPlus, Copyright (c) 1996-present, The Board of Trustees of the University of Illinois, The Regents of the University of California, through Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory, managed by UT-Battelle, Alliance for Energy Innovation, LLC, and other contributors」;其中包含美国政府因资助而保留的复制、分发、衍生作品与公开表演权声明;第四条为专有名称使用条款,要求在未修改分发或仅引用软件部分时使用「EnergyPlus version X」表述,且未经 DOE 书面同意不得在企业名、产品名、广告或商标中使用 EnergyPlus、E+、e+ 等名称。原条目的「见官网许可」信息量不足,本篇按条款要点列出。
-
版本与年份。当前版本为 EnergyPlus 26.2.0,含缺陷修复,发布日期 2026 年 9 月 30 日。DOE 每年发布两次重大更新。原条目记
year: 2001;许可文件的版权起始年为 1996,本篇按此记 1996,并说明其依据是许可声明,不取某个具体版本发布日。 -
时间分辨率。EnergyPlus 支持亚小时级、由用户定义的时间步,且热区与 HVAC 交互采用自动变化的时间步。原条目的「逐时热平衡求解」低估了其时间分辨率能力,且未区分热区-环境交互与热区-HVAC 交互两类时间步设定。
-
求解特性的准确表述。EnergyPlus 不假设 HVAC 能满足区域负荷,可模拟无调节与欠调节空间;这是「热区条件与 HVAC 系统响应集成同时求解」的直接含义。原条目未提及这一特性。
-
代理模型类型的实际选型,一手证据为 FFNN 与 Lasso 回归(Lasso 用 ADMM 实现)。原条目列出的「MLP、梯度提升或序列模型」在此工作无对应。论文同时说明了选择理由:大规模标定下 MARS、Kriging、RBF 的计算与内存需求迅速变得难以承受。
-
加速比与精度的可引用口径。年度仿真通常 2–3 分钟墙钟,复杂建筑信息下可达 5 分钟;EnginePlus 7.0 比 6.0 快 25–40%;代理对领域专家认定的 80–90 个最重要输出中的绝大部分,在 15 分钟粒度下误差 5% 内(整楼电能耗 0.07% 内),约 3 秒算完;highlights 给出「快 60 倍」。原条目的「普遍获得数量级的评估加速」缺少口径,本篇按论文原话与限定条件列出。
-
失效范围的一手表述。论文结论段明确:模型对显热采暖与制冷负荷只有中等成功,对潜热制冷与采暖负荷则失败;并指出需要更好地利用现有信息或补充新信息。原条目未提及这一边界,本篇将其列为引用时必须同时给出的限定条件。
-
稳健性边界。论文在结论中把代理模型对不同仿真输入(建筑描述符)与输出的其它使用场景的稳健性留给读者判断,并说明三个数据集(FG、MO1、MO2)虽经测试集与验证集量化稳健性,但构建目的是确定最优近似模型。
-
数据规模与来源。三个基准数据集,7–156 个输入,超过 300 万个输出,267 TB 数据库,数据由超级计算机生成;关联的 Autotune 项目依赖一座真实住宅的 300 多个 15 分钟传感器通道。
-
控制方向的一手证据。SimBuild 2024 的《Multi-Fidelity Modeling and Control for Building Temperature Control》(NREL/PR-5000-89637)用高斯过程代理在线更新降阶线性(LPV)建筑模型参数并嵌入 MPC 控制环。原条目称「HVAC 优化的模型预测控制研究中常见此模式」,本篇给出具体一手文献。
-
工具链。IDF-Editor(类电子表格编辑输入文件)、EP-Launch(管理输入输出与批量仿真)、EP-Compare(两个或多个仿真的图形化对比),以及 IBPSA 维护的第三方工具目录。原条目仅笼统列「EnergyPlus 文档、输入输出参考、示例文件」。
-
输出报告能力。标准摘要与详细报告,以及用户自定义报告,时间分辨率可从年度选到亚小时级,带能源分项系数。原条目未提及。
-
协同仿真接口。Functional Mockup Interface 的导入与导出,用于与其它引擎协同仿真。原条目未提及,这是与其它物理 AI 工具链衔接的关键入口。
-
资源清单。原文在资源里列出的「NREL/DOE 关于建筑能耗代理建模的出版物」方向正确,本篇改为具体的一手文献条目。
站内相关条目可参照 collections/surrogate-modeling-rom(代理与降阶谱系)、collections/performance-engineering(性能工程手段)、guides/neural-operator-selection-2026(代理路线选型)以及 cases/physicsnemo-tcad-chip-thermal(同为长文核对的另一纵切)。
十、参考资料
- EnergyPlus 官方网站(功能清单、26.2.0 发布公告、工具链与 DOE 资助说明),https://energyplus.net/
- EnergyPlus 仓库许可文件 LICENSE.txt(BSD 式三条款、DOE 政府权利保留、名称使用条款),https://github.com/NREL/EnergyPlus/blob/develop/LICENSE.txt
- EnergyPlus GitHub 仓库(NREL 托管),https://github.com/NREL/EnergyPlus
- Edwards R. E., New J., Parker L. E., Cui B., Dong J., “Constructing large scale surrogate models from big data and artificial intelligence”, Applied Energy, 202, 685–699, 2017, DOI 10.1016/j.apenergy.2017.05.155
- Wald D., Johnson K., Doronina O., Chintala R., King R., Vaidhynathan D., Sanyal J., “Multi-Fidelity Modeling and Control for Building Temperature Control”, SimBuild 2024, Denver, Colorado, 2024, NREL/PR-5000-89637
- 美国能源部公告:国家可再生能源实验室更名为 National Laboratory of the Rockies(2025-12-01 生效),https://www.energy.gov/cmei/articles/energy-department-renames-nrel-national-lab-rockies
- OpenStudio 官方网站(基于 EnergyPlus 的应用层与 SDK),https://openstudio.net/
- DOE 建筑能源建模项目组合页(BTO 资助的 EnergyPlus 与 OpenStudio),https://www.energy.gov/cmei/buildings/building-energy-modeling
- IBPSA 最佳实践目录(面向 EnergyPlus 的第三方工具清单),https://www.ibpsa.us/best-directory-list/
- Wald D., Doronina O., Johnson K., King R., et al., “A neural-network-enhanced parameter-varying framework for multi-objective model predictive control applied to buildings”, Energy and AI, 100566, 2025
- Robertson J. J., Polly B. J., Collis J. M., “Reduced-order modeling and simulated annealing optimization for efficient residential building utility bill calibration”, Applied Energy, 148, 169–177, 2015
- Stoeckert T. S., “A study of the sensitivity of coupled building energy simulation models to input parameters”, Energy and Buildings, 44(6), 1393–1402, 2012
- Søndergaard M., et al., “EnergyPlus, a tool for building energy simulation”, 2004
- Judkoff R., Neymark S. (eds.), “Building Simulation: EnergyPlus Reference”, 2009