正确选择建筑翻新方案，对气候与经济都会产生深远影响。但由于建筑本身特性、地理位置和使用方式差异巨大，最优改造路径并不存在统一标准。乌梅奥大学的一项新研究显示，借助人工智能进行精细分析，可以为每栋建筑提供本地化、定制化建议，从而降低能源消耗、减少排放并节约成本。

建筑领域约占全球能源使用的 30%，并贡献了全球二氧化碳排放总量的四分之一以上。要实现既定气候目标，现有建筑的能源效率必须得到大幅提升。然而，目前许多规划与评估模型仍依赖高度简化的假设，将建筑划入宽泛类别，对本地条件和个体差异关注不足，往往给出相同的改造措施。

乌梅奥大学应用物理与电子系智能人–建筑交互（IHBI）实验室博士生 Santhan Reddy Penaka 在其博士论文中，提出了一套新的数据驱动方法，更好地刻画单体建筑的独特特征。

“很多现有模型默认同一类别的建筑性能相似，因此给出通用的翻新建议。但现实中，即便是相邻的两栋建筑，最有效的改造措施也可能完全不同。”Reddy Penaka 指出。

人工智能识别建筑关键差异

在研究中，团队结合了机器学习、可解释人工智能以及数据融合技术——即整合多种不完整的数据来源——来识别建筑中对能源消耗影响最大的构件，例如墙体、窗户、屋顶或地板。

对林雪平、隆德和乌梅奥三地共 81 个建筑群的案例分析表明，最具效果的翻新策略会随着建筑类型、气候区和地理位置的不同而显著变化。在某些建筑中，加强墙体保温是最关键的干预手段，而在另一些建筑中，这一措施几乎不起作用。

“如果沿用统一的翻新方案，这些差异往往会被忽略。通过更精细的分析，可以把有限资源投入到真正最有影响力的环节。”Reddy Penaka 说。

居住行为同样是关键变量

该模型的另一重要特点，是将人们实际使用住宅的方式纳入考量，而不是简单假设“平均”居住行为。例如，开窗频率、电器使用习惯等都会被考虑在内。

研究发现，如果对居住者行为做过于简化的假设，能源使用计算结果可能出现高达 15% 的偏差。将模型应用于分析瑞典计划于 2027 年实施的基于功率的电价机制时，结果显示，仅通过改变用电行为，就有可能将电力系统的峰值负荷降低 6% 至 17%，具体数值取决于建筑类型。

从学术成果走向实际工具

为了让研究成果真正服务于实践，Reddy Penaka 还开发了一个交互式 3D 可视化平台。房主可以借助该平台，将自家建筑的能源性能与本地类似建筑进行对比，并探索不同翻新措施和行为改变的“假设情景”。

“我们的目标，是从宽泛的政策口号转向可在地方层面落地的、基于证据的策略，让市政部门和物业所有者都能实际采用。”Reddy Penaka 总结道。