Lund 大学论文用强化学习、KNN 代理模型与 LLM 语义流程分别匹配建筑全生命周期的三类数据条件

无模型强化学习控制器作为监督式供暖控制层在奥地利十三栋在用建筑中实测 138 天，相对多年基线降低供暖能耗 29.7%、相对上一年降低 7.9%，同时维持可接受的室内温度并将区域供热平均回水温度降低 3.85 °C。 该结果来自真实在用建筑的长周期现场部署，而非仅仿真或实验室环境，把强化学习供暖控制从仿真验证推进到多栋实际建筑的运行评估。 现场部署覆盖十三栋在用建筑、138 天真实运行，并同时报告相对多年基线与相对上一年的两组对比以及室内温度与回水温度指标。

以瑞典住宅四年测量数据训练的 KNN 代理模型达到 RMSE 9.12 kW 与 R² 0.9184，作为数据驱动环境用于在物理部署前离线评估替代控制动作，预测节能 4–7%、削减超过 40% 的已识别需求峰值，并在 98.4% 的评估区间内将室内温度维持在舒适范围。 该工作把代理模型定位为部署前的安全评估环境，回应了在在用建筑上直接测试未经验证策略不安全这一实际约束。 代理模型精度以 RMSE 与 R² 报告，离线评估给出节能区间、需求峰值削减比例与舒适区间占比等多项指标。

结合大语言模型与 Sentence-BERT 的多智能体语义流程解析 IFC 标准表示的 BIM 材料描述，处理 789 个建筑围护构件、生成 345 个候选材料匹配并验证其中 172 个，完整流程约 13.4 分钟、处理成本低于 5 美元。 该流程针对设计或改造阶段缺乏运行数据、仅有设计与数字文档的情形，把异构材料描述自动链接到经验证的热工、质量与能量属性，从而支持能耗与热湿性能仿真。 结果以处理构件数、候选匹配数、验证匹配数、执行时间与成本等可核查的过程指标呈现。

论文的整体论点是：在建筑全生命周期的任一阶段，都可以把合适的 AI 方法与当时可获得的数据相匹配，以支持相应的建筑性能目标。 该框架把实时控制、部署前评估与语义知识提取三类方法组织为互补组合，而非单一通用模型。 该结论由三项分别对应运行、历史数据与设计文档条件的研究共同支撑，属于综合性的框架主张。

该论文面向建筑性能管理的实践者与研究者：运行阶段的管理者可参考强化学习监督式供暖控制，在具备控制基础设施与连续传感器数据的在用建筑中实现节能与降低回水温度；希望在部署前评估控制策略的团队可使用代理模型作为数据驱动环境，在历史运行数据可得的条件下离线比较替代控制动作；设计与改造阶段缺乏运行数据时，可用语义流程从 IFC/BIM 文档中提取经验证的材料属性以支持能耗与热湿性能仿真。三项方法分别对应运行、历史数据与设计文档三类数据条件，其适用性以相应数据可得为前提。

当前可获取的是论文摘要与书目信息，而非全文，因此三项研究的具体实验设计、基线定义、统计处理与验证细节无法在此评估。读者可能仍会关注：强化学习控制在其他气候区、建筑类型与供热系统下的表现；代理模型精度对离线评估结论的影响程度；语义流程中 345 个候选匹配仅 172 个通过验证所反映的匹配可靠性；以及三类方法在同一建筑全生命周期中协同使用时的衔接方式。这些问题属于后续研究可展开的方向。