0 引言

随着建筑总量的持续增长，建筑用能也不断升高。2015年建筑运行的总商品能耗(以标准煤计)为8.64亿t，约占全国能源消耗总量的20%[1]。因此，如何在保证人们建筑使用需求的同时，控制建筑用能的增长，实现新建建筑的节能设计，具有非常重要的意义。

选取2017年10月—2018年6月中国医科大学附属第四医院创伤骨科70名临床实习生作为研究对象。将其随机分为新教学法组（3D打印技术、PBL教学法）与传统教学法组，每组各35名实习学生。其中，观察组中，男24例，女11例；年龄21～25岁，平均年龄（23.1±1.6）岁，入组考核成绩（85.35±4.11）分；对照组中，男26例，女9例；年龄20～25岁，平均年龄（22.8±1.7）岁，入组考核成绩（84.62±3.87）分。两组临床实习生入组考核成绩、一般资料比较，差异无统计学意义（P＞0.05），具有可比性。

一些学者在研究中强调了建筑设计初期决策的重要性[2-5]。而由于计算过程耗时长，详细的动态能耗模拟软件，如EnergyPlus，eQUEST，TRNSYS，ESP-r，IES，DeST等并不适用于设计初期。近年来，结合建筑能耗预测方法和优化算法在设计初期进行方案节能优化成为研究热点。优化过程中会生成大量的备选方案，这些方案需要被一一计算，从而为优化指出准确方向，这对建筑能耗预测方法的计算速度提出了更高的要求。因此，有必要选择一种在设计初期就能快速准确计算建筑能耗的方法。

4.根据串联、并联电路电流的特点，判断流过各分电阻的电流变化。根据串、并联电路的特点，即：串联电路中，电流处处相等；在并联电路中，总电流等于各分电流之和。以此为依据来判断流过各分电阻的电流变化。

产业动态区域集聚指数，反映出一定时间段内某一产业向某地区的聚集情况，体现了产业在区域间转移的方向和速度。产业动态集聚指数小于1代表产业转出，而且数值越小，表示转出强度越大；产业动态集聚指数大于1代表产业转入，而且数值越大，表示转入强度越大。公式为：

Radosevic等人提出了一个分布式的多种建筑性能耦合模拟的策略，由于不同模拟软件的模拟速度不一致，它们之间的数据交换经常会有延迟，因此提出了分布式并行的方法，同时启动多种性能模拟，采用并行加速，以此来克服这个问题，使得耦合后的系统运行更平稳[58]。

最早的建筑能耗计算始于20世纪70年代能源危机时，建筑能耗简化计算方法也正是从这个时候开始发展的[6]。20世纪80年代中期，有研究人员使用统计学方法来预测商业建筑能耗[7]，目前最主要的统计学方法是多元回归方法。20世纪90年代初期，随着人工智能的发展，开始有研究人员使用改进的学习算法来预测商业建筑能耗[8]，目前最有代表性的人工智能方法是人工神经网络模型。21世纪，随着硬件技术的飞速发展，研究人员可以通过增加计算资源的方式加快计算速度，云计算的出现，使得这种方法被越来越多地采用。

围绕财政部中心工作，浙江专员办高度重视部门预算绩效监管工作。转型以来，在工作理念上，牢固树立了以资金绩效为核心的预算闭环监管理念。明确提出预算编制审核—预算执行监控—决算编制审查—预算编制审核的部门预算闭环监管体系中，资金绩效是监管的核心。预算编制合规性、科学性审核，预算执行时效性、规范性、安全性监控，决算编制全面性、合规性审查最终服务于消化存量资金、提升资金绩效和提升预算执行有效性的管理目标。

本文对上述4种建筑方案能耗快速预测方法(工程简化算法、统计学方法——多元回归方法、人工智能方法——人工神经网络模型和并行计算方法)在设计阶段的应用进行研究综述，从预测精度、方法适用情况、方法局限性等方面进行总结，为建筑方案能耗快速预测方法的选择提供参考，为方法在未来的改进指出方向。

其次，传播与翻译拥有类似的过程。基于传播过程的要素来分析，翻译活动涉及两次传播过程：第一次传播过程中，作者为传播主体，译者是传播对象；第二次传播过程中，译者则作为主体，传播对象为译入语读者。具体如图：

1 建筑方案能耗快速预测方法的综述

1.1 工程简化算法

1.1.1 传统的简化算法

传统的建筑能耗简化计算方法基于热力学第一定律，通过围护结构热工性能、室外空气状态和室内控制参数来计算室内外的热量交换[6]。主要包括度日法[9-10]、当量满负荷运行法[11]、有效传热系数法[12]和温频法[13]。刘大龙等人的综述[6]中还提到了一些学者对上述方法的完善和改进，包括：杨善勤对有效传热系数法的研究[14-15]，李力[16]和苏芬仙等人[17]对温频法的研究。Al-Homoud综述了度日法和温频法，指出：由于在度日法中，基于围护结构的能耗占主导地位，因此不适用于以内部负荷为主导的建筑或者冷负荷不依赖于室内外温差的建筑的能耗预测；而温频法可用于以内部负荷为主导、或者冷负荷不线性依赖于室内外温差的大型建筑的能耗预测[18]。在基于温度的度日法的基础上，Shin等人提出了一种基于比焓的制冷度日数(以下简称CDD)方法，分析结果显示，基于比焓的CDD方法的误差比基于温度的CDD方法的误差小约2%[19]。

曾剑龙提出了建筑围护结构稳态传热计算方法[20]。夏春海[21]、周潇儒[22]、余琼[23]基于曾剑龙的研究对建筑围护结构稳态传热计算方法进行了一系列持续的改进研究。这种方法从本质上也属于传统的建筑能耗简化计算方法。周潇儒从4个方面对基础模型进行修正，提出了建筑围护结构供热/供冷负荷模型，并验证了模型的准确性[22]。

ISO 13790：2008提供了3种不同复杂程度的建筑热性能和能量性能设计与评估的计算方法：逐月稳态计算方法、简单的逐时动态计算方法、详细的动态模拟方法[24]。其中，逐月稳态计算方法是在室内外温差传热计算的基础上使用热增益和热损失利用因子进行修正的方法。一些研究人员基于ISO 13790：2008进行了研究[25-26]。ISO 13790：2008提供的计算方法的优点是：1) 输入量简单、数量少；2) 定义明确，计算规则透明；3) 输入量和输出量之间的相关性直观、容易识别。但是缺点在于：依据建筑的类型和热惯性，可能会产生较大的计算偏差[26]。这种缺点使得该方法的应用范畴受到了一些限制。

1.4.3 其他方法

一些研究人员通过简化气象数据来预测建筑能耗：White等人使用月平均温度来预测建筑能耗；该方法不需要复杂的输入，准确度比度日法和温频法更高，适用于校园、大型商业建筑或住宅的能耗预测[27]。Westphal等人提出了一种基于简化气象数据分析非居住建筑负荷的方法，气象数据包括月平均最高和最低温度、大气压力、云层和相对湿度，每个月使用2个典型日的气象数据来估计空调和供暖负荷；该方法在轻质围护结构的情况下预测效果良好，但在围护结构的热惯性会影响到全年负荷的情况下有局限性[28]。

1.1.3 简化建筑热模型方法

1.1.4 其他方法

Wang等人提出了一种简化建筑热模型并给出了确定简化模型参数的方法。对于建筑围护结构，可以使用频率特性分析来确定模型参数。但对于建筑内部构件，很难获得详细的物理性质。为了克服这个问题，建筑内部质量用集中热质量的热网表示，并且使用运行数据来确定参数。在不同的真实商业办公楼中进行了测试，测试结果表明，简化的建筑能耗模型可以稳定、准确地预测建筑的动态热性能，模型预测的冷负荷与实际测量的冷负荷之间的平均误差约为10%[29]。

夏春海等人对方案设计阶段的建筑性能模拟方法进行了综述[30]。在建筑单体热模拟中提到了2种方法：Baker等人开发的用于建筑热模拟的LT Method 3.0，在该方法中，将建筑内部空间划分成主动空间和被动空间，并使用ESP-r进行了验证[31-32]；Urban等人开发的在线模拟工具MIT design advisor，可以对单个房间的能耗、舒适性、自然通风、采光、全寿命周期成本进行快速计算，还可以对建筑进行优化[33]。

1.2 统计学方法——多元回归方法

建筑能耗预测的统计学方法是基于建筑能耗数据集，通过回归方法将建筑能耗和建筑参数关联起来的一种方法。这里以应用最广泛的多元回归方法为主体进行综述。

在使用多元回归方法进行建筑方案能耗预测的研究中，输入变量以建筑形体参数、围护结构属性为主[34-39]。表1总结了使用多元回归方法进行建筑方案能耗预测的研究。案例类型多样，有单户住宅，有实验设计的标准矩形建筑，有常规形状的建筑。研究所应用的阶段基本上是建筑方案设计初期。2012年之前的2项研究所使用的回归模型是多元多项式回归模型，而近年来的研究均为多元线性回归模型。描述建筑形体的参数主要为建筑体形系数、长宽比、朝向、建筑面积、楼层数等。由表1可以看出，不同研究预测误差相差悬殊，输入变量数量越多、对方案的描述越细致，预测误差越小。

 

表1 使用多元回归方法进行建筑方案能耗预测的研究汇总

  

案例类型应用阶段训练数据集回归模型类型输入变量输出变量预测误差Catalina等人[34]单户住宅设计初期法国16个主要城市的TRN-SYS模拟数据库多元多项式回归 体形系数、围护结构传热系数、窗地面积比、建筑时间常数、气象参数逐月供暖能耗最大误差5.1%,平均误差2%Catalina等人[35]单户住宅设计初期17户住宅的测试数据多元多项式回归 建筑整体热损失系数、南面当量面积、室内外温差供暖能耗平均误差小于20%Hygh等人[36]标准矩形建筑设计初期EnergyPlus模拟数据多元线性回归总建筑面积、楼层数、进深、长宽比、朝向、屋顶热阻、屋顶颜色、屋顶发射率、窗户传热系数、窗户太阳能得热系数、墙体传热系数、遮阳投影因子、窗墙面积比总能耗最小误差1.88%,最大误差3.61%Asadi等人[37]7种常规形状的建筑设计初期DOE-2模拟数据多元线性回归顶层天花板内饰、顶层天花板外部保温层、顶层绝缘垫、天花板内饰、天花板绝缘层、首层构造、首层内饰、楼层内饰、作息、楼层构造、外墙吸收比、屋顶吸收比、屋顶构造、内墙类别、外墙类别、玻璃类别、建筑朝向总能耗误差小于5%Pulido-Arcas等人[38]9个气候区的标准矩形建筑设计初期通过ISO13790:2008方法计算得到多元线性回归层数、楼层面积、形体比例、窗墙面积比、性能效率、能效比、供热排放系数、空调排放系数总能耗最大平均误差41%,最小平均误差11%Marta等人[39]西班牙萨拉戈萨228个街区的7981个住宅建筑改造阶段HULC模拟软件计算多元线性回归围护结构构成、朝向和日照情况、窗户比例、建筑几何比例总能耗最大误差13.9%,平均误差6.28%

1.3 人工智能方法——人工神经网络模型

2) 多元回归方法。多元回归方法是基于大量的建筑能耗历史数据，回归得到能耗关于输入变量的计算公式，应用于方案阶段的能耗预测。输入变量主要包括2类：建筑形体参数和围护结构属性。多元回归方法的准确性随着方案描述详细程度的升高而升高，它的优势在于计算速度快，但是缺点在于，它是一种数据驱动方法，必须使用大量的数据训练得到。与工程模型相比，它受限于数据集本身的特性，因此普适性较差。

使用人工神经网络模型进行建筑方案能耗预测的研究中，输入变量主要以围护结构参数为主[44-48]。表2总结了5篇针对方案阶段进行能耗预测的研究。所使用的人工神经网络模型基本上为反向传播神经网络模型。案例来源和规模差异较大，有标准的矩形建筑，有典型的居住建筑，还有大量的真实居住建筑。获取训练数据集的方式主要是使用模拟软件进行计算。在建筑形体的描述方面，和多元回归方法类似，大部分的研究对象为标准的矩形建筑，只有Turhan等人[48]的研究对象不局限于矩形建筑，但是其输入变量的描述方式相对宏观，没有深入到具体的建筑形体层面。在预测误差方面，和多元回归方法相比，人工神经网络模型具有更高的准确性。

1.4 并行计算方法

 

表2 使用人工神经网络模型进行建筑方案能耗预测的研究汇总

  

案例类型训练数据集神经网络模型类型输入变量输出变量预测误差Ekici等人[44]3个体形系数不同的标准矩形建筑使用有限差分方法计算得到反向传播神经网络朝向、保温层厚度、透明比例供暖负荷3.43%Yan等人[45]1栋典型居住建筑DeST模拟计算反向传播神经网络18个围护结构参数、供暖度日数、空调度日数总能耗最小平均误差1.77%,最大平均误差3.37%Wong等人[46]亚热带气候区具有照明控制的办公建筑EnergyPlus模拟计算前馈多层感知器建筑表皮设计相关参数(太阳能孔径、日光孔径、悬挑、侧翼投影)、室外气象参数(日平均干球温度、日平均湿球温度、日太阳辐照量、日平均晴朗指数)、日期类型总能耗最小平均误差5.6%,最大平均误差8.2%孙澄等人[47]严寒地区2000个矩形办公建筑Ecotect模拟计算反向传播神经网络朝向、开间、进深、层高、层数、开间数、进深数、每开间窗数、每进深窗数、窗宽、窗高供暖能耗最优均方误差0.6%Turhan等人[48]148个居住建筑KEP-IYTE-ESS模拟计算反向传播神经网络宽度/长度、墙体综合传热系数、面积/体积、总外表面积、窗户总面积/外表面积供暖负荷平均误差5.06%

这类方法的本质是通过增加计算资源缩短模拟时间，同时保证原有的计算信息量和精度。由于以前个人计算机的限制，这方面并没有得到足够的重视，随着目前个人计算机并行计算硬件架构的完善和云计算的出现，这种方式被更多的采用。

1.4.1 EnergyPlus的并行加速方法

Zhang开发的JEplus采用EnergyPlus作为能耗模拟内核，用于参数化分析，便于用户探索不同的建筑设计方案之间的差异性，参数化分析要求对多个参数的多个值的组合进行枚举计算，有并行计算的要求，因此提出了一种替换EnergyPlus模拟参数的并行计算方法，可以对其中的RunPeriod参数进行替换，该参数默认值是1月1日到12月31日，可以将这个范围切分成更小的多个时间区间，同时进行逐时能耗计算[49]。Garg等人采用RunPeriod切分并行的方式，将全年模拟切分成12个月的逐月模拟，计算速度可以提升为原来的6倍左右，且误差不超过1.7%[50-52]。

[29]CNN,“The Top Tourist Destinations in 2017”, https://edition.cnn.com/travel/article/top-tourist-destinations-2017/index.html, 2017年11月16日。

1.4.2 用于参数分析的并行加速方法

Tian对建筑能耗预测模型的敏感度分析方法进行了总结，敏感度分析需要同时计算大量的建筑模型案例，因此经常会应用并行方法进行案例计算；总结了2种常用的并行计算模式，一种是在拥有多个处理器和内核的单个计算机上进行计算，另一种是在多台计算机组成的集群上进行计算[53]。Tian等人采用由200台计算机组成的PlymGrid集群同时进行2 400个EnergyPlus模拟计算，用于分析气候变化对校园建筑的影响，耗时1 d，如果采用正常的办公计算机进行计算，需要耗时1个多月[54]。

Agdas等人利用分布式高性能计算集群，通过修改EnergyPlus的关键参数，采用5种不同的窗户传热系数、11个不同的设备功率密度水平、5个时间段，共组成275个能耗模拟案例，在分布式集群上同时进行这些案例的模拟，计算得到不同参数组合对应的建筑能耗值，为实现动态的建筑性能反馈和接近实时的设计决策提供支持[55]。

基本的法线贴图虽然能在一定程度上绘制出具有真实感的场景，但它也存在一些缺陷：它始终没有考虑表面细节的高度问题。当以一个较偏的角度去观察一个采用法线贴图技术绘制的场景时，这个问题就变得非常明显了：如图1 所示，表面的凸起看起来似乎太“矮”了，它没能挡住在藏它“身后”的凸起。这些凸起更像是被画在了表面上而不是实际存在的，场景的真实感太低。

Hygh等人采用由11个节点、88个处理器组成的Linux集群计算20 000个EnergyPlus模型，对美国4个地区的供暖、空调和整体建筑负荷进行参数化处理[36]。Eisenhower等人采用由184个处理器组成的Linux集群同时调用5 000个EnergyPlus模型进行了计算[56]。

1.1.2 简化气象数据方法

Zhao等人采用支持向量机(SVM)方法挖掘大量的建筑能耗历史数据，训练得到建筑能耗预测模型，由于建筑是一个多参数的系统，因此SVM的规模比较大，学习时间成本比较高，因此采用了并行的方法进行SVM模型的回归，随着学习数据集的增大，采用并行思路的优势变得更加明显，预测结果更加准确[57]。

1.2.2 PPG组排除标准 （1）屈光间质中重度浑浊，（2）伴有非青光眼性视神经病变或视网膜疾病，（3）屈光度球镜≥±6D、柱镜≥±2D。

正试期第2、第4周采用全粪收集方式采集粪样，每组用蛇皮袋固定于随机选取的4只试验羊尾后，每日更换两次并称重，将饲料样与粪样带回实验室进行常规分析计算养分表观消化率。正试期第2、第4周每组随机选取4只试验羊，晨饲后3 h利用负压原理经口腔采集瘤胃液各30 ml，四层纱布过滤后，采用上海雷磁pHS-3C型精密pH计立即测定pH值，之后将滤液分装在3个10 ml灭菌离心管中，置于-20℃下保存待测NH3-N浓度和MCP含量。

经理室不很豪华但显得气派，一张大班台上坐了三个人，班台后面的墙上挂了世界、中国、广西三幅地图。坐在中间那位中等身材，穿着纯绵T恤的男子大概就是主考官吧？大约三十多岁年龄，投向竹韵的目光很柔和，竹韵坐下的时候，他还微笑着亲手递来了一杯水说，我是公司总经理海力。不要紧张。但是，坐在海力左边那位二十多岁的妙龄女郎却不那么和善，虽然身材一流，面容姣丽，但是表情太冷，用不太友善的目光看了竹韵一眼说，开始吧。

2 建筑方案能耗快速预测方法的比较

在建筑方案阶段，设计师和节能工程师通常会对多个建筑方案进行节能分析。详细的节能分析具有较高的时间成本，所以预测速度快是建筑方案能耗快速预测方法的首要要求；第二，能耗预测方法必须能够正确地反映出设计变动带来的能耗变动趋势，才能引导节能优化向着正确的方向进行；第三，由于建筑方案阶段需要对多个方案进行分析比较，有一定的硬件成本，所以建筑能耗预测需要量力而行，在计算资源丰富的情况下，可以考虑使用更多的计算资源以达到更高的计算精度。所以本章从计算速度、计算精度、计算资源消耗等方面对4种建筑方案能耗快速预测方法进行比较，如表3所示。

总而言之，小学语文教学要想打造有效课堂，语文教师必须要致力于培养学生的核心素养，遵循语文教育规律，促进学生的思维碰撞，既注重听、说、读、写、思的教育，又重视课内外一体化学习，使小学生的综合能力在语文课堂得以强化。同时，还要凸显以人为本的原则，开发课程资源，让小学生通过语文学习养成良好的学习习惯和健全的人格，为学生的终身发展奠定基础。

 

表3 建筑方案能耗快速预测方法的比较

  

代表方法方法优点方法缺点方法附加要求方法适用情况工程简化方法传统的简化算法(度日法、当量满负荷运行法、有效传热系数法、温频法)、简化气象数据方法、简化建筑热模型方法输入变量少、计算速度快对复杂条件进行了简化,准确性较差无适用于设计初期,帮助用户了解建筑能耗趋势统计学方法多元回归方法计算速度快方法的适用情况受限于能耗数据集的特性,无法对具有复杂形体的建筑方案进行能耗预测建筑能耗历史数据集适用于建筑能耗数据集所限定的范围之内的建筑能耗预测,建筑体型相对简单人工智能方法人工神经网络模型计算速度快、准确性较高、在处理变量之间的非线性关系方面优于其他方法方法的适用情况受限于能耗数据集的特性,无法对具有复杂形体的建筑方案进行能耗预测建筑能耗历史数据集适用于建筑能耗数据集所限定的范围之内的建筑能耗预测,建筑体型相对简单并行计算方法计算准确性在4种方法中最高对计算资源的依赖性强、计算耗时长高性能服务器适用于具有较好的硬件条件、对计算精度要求较高、能耗模拟工具能够实施并行的情况

在输入参数来源方面，不同能耗预测方法的输入参数类型基本一致，都是与建筑方案设计相关的形体参数、热工参数、使用作息、系统设定等等，区别在于输入参数的详细程度会依据计算方法的详细或简化而有所不同；在统计学方法和人工智能方法中，有些研究会预先对输入参数进行相关性分析，保留对能耗影响大的参数，剔除对能耗影响小的参数，再进行模型训练和校核。

实验组患者术后6h、术后12h、术后24h、术后72h认知功能障碍发生率依次为3.33%、3.33%、3.33%、6.66%,参照组患者术后6h、术后12h、术后24h、术后72h认知功能障碍发生率依次为33.33%、12.22%、20.00%、26.66%,组间差异明显,P<0.05,存在统计学意义,详见表1。

关于模型训练与校核的方法和数据来源方面，只有统计学方法和人工智能方法需要依据大量的数据集进行训练与校核。数据来源通常有模拟计算和实际测试2种渠道，其中实际测试的数据由于纳入了建筑实际运营中很多非理想的因素，更适用于某个特定建筑的运营管理，模拟计算的数据更适用于方案阶段的能耗预测。在训练和校核方法方面，通常是将数据集分成训练集和测试集，用训练集得到能耗预测模型，再用测试集进行模型准确性验证；也有一些研究将训练集分成更多的组，进行多次交叉验证。

1) 工程简化算法。建筑能耗的简化预测模型有多种，如：传统的简化算法(度日法、当量满负荷运行法、有效传热系数法、温频法)、简化气象数据方法、简化热模型方法等。工程简化模型的优势在于输入量少，计算速度快，虽然计算的准确性和详细的工程模型相比有一定差距，但能够帮助用户了解建筑的能耗趋势，适用于设计初期。刘大龙等人综述指出，简化算法只分析孤立的建筑元素，假设每个建筑元素独立对空间环境起作用，相互间没有影响[6]。事实上围护结构、空调系统、室内设备等所有组成建筑的诸多元素之间的相互关系，在很大程度上会影响建筑能耗[59]。此外，简化算法基于很多假设，对很多复杂的条件进行了简化，这也会给计算带来偏差。

人工神经网络模型是建筑能耗预测中应用最广泛的人工智能模型，它的优势在于能够解决变量之间的非线性关系，在预测能耗方面比传统模拟方法和回归方法具有更高的精度，在建筑领域有非常好的应用潜力[40-42]。Melo等人开发了商业建筑的年空调能耗预测模型，研究测试了6种技术——多元线性回归、多元自适应样条回归、支持向量机、高斯过程、随机森林和人工神经网络，分析了建筑能耗模拟结果之间的差异，结果表明人工神经网络模型的预测结果最佳[43]。

3) 人工神经网络模型。人工神经网络模型的优势在于，它能够捕捉变量之间的非线性关系，在研究中得到了广泛的应用。Zhao等人对建筑能耗预测方法进行了综述[60]，Pombeiro等人比较了线性回归、模糊理论和人工神经网络3种方法[61]。这些文献中都提到了人工神经网络模型的这种优势。如果人工神经网络模型与优化算法相结合，可以实现更高的性能[62]。但是人工神经网络模型和多元回归方法的共同劣势在于，它们需要大量的历史数据作为训练数据集，且二者都无法对复杂的建筑形体进行准确的描述，无法对复杂方案的能耗进行准确预测。

4) 并行计算方法。并行计算方法的本质是一种空间换时间的做法，通过增加计算资源从而缩短整体计算时间，其优点在于能够不改变原有模拟计算的内核所具有的特征，同时能够加快计算速度，随着云计算和分布式并行计算技术的成熟，这种方法的前景越来越广阔。目前，该方法主要应用于能耗模拟的加速，特别是EnergyPlus模拟，同时在敏感度分析和参数分析方面应用得比较多。它的弱点是对计算资源的依赖性太强，一般的个人计算机不具备足够的并行计算能力。

3 结论

本文综述了4种建筑方案能耗快速预测方法：工程简化算法、统计学方法中的多元回归方法、人工智能方法中的人工神经网络模型和并行计算方法，从方法精度、方法速度和适用范围3个方面对4种方法进行了总结。

方法精度：工程简化算法对很多复杂条件进行了简化，在简化的过程中必然有一定程度的准确性损失。统计学方法和人工智能方法的精度取决于数据集的质量、规模，变量选择是否科学，等等。数据集的规模足够、质量越高，变量选择越合理，统计学方法和人工智能方法的预测精度就越高。人工智能方法相对于统计学方法的优势在于，它能够捕捉变量之间的非线性关系，因此其预测精度优于统计学方法。并行计算方法通过增加计算资源来进行详细的模拟计算。总体来说，预测精度由低到高的顺序为：工程简化算法，统计学方法，人工智能方法，并行计算方法。

方法速度：如果只关注计算过程，由于统计学方法和人工智能方法的计算相当于使用经验公式，那么在方法速度方面，工程简化算法、统计学方法和人工智能方法差别不大。由于统计学方法和人工智能方法的应用需要先基于数据集获取计算模型，如果考虑这一部分耗时，则会比工程简化算法耗时长。并行计算方法的耗时取决于需要运行的算法本身的计算速度以及可用硬件资源的多少。

适用范围：工程简化算法虽然预测精度较低，但是速度快，因此适用于建筑设计初期，因为在这个阶段，只需要了解方案性能的变化趋势就够了。统计学方法和人工智能方法需要依靠大量的历史数据，数据集本身的属性会使模型的应用存在局限性，例如应用的气候区、建筑类型、系统形式等等。而且这2种方法无法对复杂建筑形体进行精确描述。因此，统计学方法和人工智能方法更适用于某一特定地区、某一特定建筑类型且建筑形体相对简单的情况。并行计算方法通过增加计算资源来实现加速，能够应对输入变量多、算法复杂、计算耗时的情况，因此适用于计算资源丰富、对计算精度要求较高的情况。

综上所述，在计算资源不丰富、对计算精度要求不高的情况下，可首选工程简化算法进行能耗预测；在本身已经具备大量的建筑方案能耗历史数据的情况下，可以选择统计学方法和人工智能方法进行能耗预测；而在具备丰富的计算资源、对计算精度有更高要求的情况下，可以选择并行计算方法进行方案阶段能耗预测。

参考文献：

[1] 清华大学建筑节能研究中心. 中国建筑节能年度发展研究报告2017[M]. 北京：中国建筑工业出版社，2017：8

[2] ECHENAGUCIA T M, CAPOZZOLI A, CASCONE Y, et al. The early design stage of a building envelope: multi-objective search through heating, cooling and lighting energy performance analysis[J]. Applied Energy, 2015, 154(18): 577-591

[3] TURRIN M, BUELOW P V, STOUFFS R. Design explorations of performance driven geometry in architectural design using parametric modeling and genetic algorithms[J]. Advanced Engineering Informatics, 2011, 25(4): 656-675

[4] RAMALLO-GONZLEZ A P, COLEY D A. Using self-adaptive optimisation methods to perform sequential optimisation for low-energy building design[J]. Energy and Buildings, 2014, 81: 18-29

[5] ZHAI Z J, MCNEILL J S. Roles of building simulation tools in sustainable building design[J]. Building Simulation, 2014, 7(2): 107-109

[6] 刘大龙，刘加平，杨柳. 建筑能耗计算方法综述[J]. 暖通空调，2013，43(1)：95-99

[7] SULLIVAN R, NOZARI S, JOHNSON R, et al. Commercial building energy performance analysis using multiple regression[G]∥ASHRAE Trans, 1985, 91(2): 337-353

[8] KREIDER J F, WANG X A. Improved artificial neural networks for commercial building energy use prediction[C]∥Proceedings of the ASME-JSES-KSES International Solar Energy Conference, 1992: 361-366

[9] FISCHER R D, FLANIGAN L J, TALBERT S G. Degree day method for simplified energy analysis[G]∥ASHRAE Trans, 1982, 88(2):522-571

[10] NALL D M, ARENS E A. Influence of degree day base temperature on residential building energy prediction[G]∥ASHRAE Trans, 1979, 85(1): 727-735

[11] STAMPER M B. Annual cycle moisture analysis[C]∥Proceedings of the Conference of the Thermal Performance of the Exterior Envelopes of Buildings, 1979：3-5

[12] VENDER MEER W J. Energy conservative housing for New Mexico[R]. Albuquerque, NM: University of New Mexico, New Mexico Energy Institute, 1978

[13] BUSCH R D. Method of energy analysis: fundamentals of building energy dynamics[M]. London: Cambridge the MIT Press, 1996: 220-237

[14] 杨善勤. 用有效传热系数法估算采暖耗热量及进行建筑节能设计[J]. 建筑科学，1986，4(2)：55-65

[15] 杨善勤. 关于用有效传热系数法估算采暖耗热量的几个问题[J]. 暖通空调，1988，18(1)：20-23

[16] 李力. 建筑能耗计算法的分析比较[J]. 重庆建筑大学学报，1999，21(5)：122-124

[17] 苏芬仙，张从军，田胜元. BIN建筑能耗计算方法的改进[J]. 重庆建筑大学学报，2006，28(1)：88-91

[18] AL-HOMOUD M S. Computer-aided building energy analysis techniques[J]. Building and Environment, 2001, 36(4):421-433

[19] SHIN M, DO S L. Prediction of cooling energy use in buildings using an enthalpy-based cooling degree days method in a hot and humid climate[J]. Energy and Buildings, 2016, 110: 57-70

[20] 曾剑龙. 性能可调节围护结构研究[D]. 北京：清华大学，2006：39-62

[21] 夏春海. 面向建筑方案的节能设计方法研究[D]. 北京：清华大学，2008：43-50

[22] 周潇儒. 基于整体能量需求的方案阶段建筑节能设计方法研究[D]. 北京：清华大学，2009：37-52

[23] 余琼. 方案阶段建筑节能参数化设计方法研究[D]. 北京：清华大学，2011：21-40

[24] ISO. Energy performance of buildings-calculation of energy use for space heating and cooling：ISO 13790：2008[S]. Geneva：European Committee for Standardization, 2008：1-82

[25] KIM Y J, YOON S H, PARK C S. Stochastic comparison between simplified energy calculation and dynamic simulation[J]. Energy and Buildings, 2013, 64: 332-342

[26] SOFIC M, KORJENIC A, BEDNAR T. Quantification of safety factors for simplified heating and cooling demand calculation methods for Vienna[J]. Building Simulation, 2011, 4(3): 189-204

[27] WHITE J A, REICHMUTH R. Simplified method for predicting building energy consumption using average monthly temperatures[C]∥Proceedings of the 31st Intersociety Energy Conversion Engineering Conference, 1996: 1834-1839

[28] WESTPHAL F S, LAMBERTS R. The use of simplified weather data to estimate thermal loads of non-residential buildings[J]. Energy and Buildings, 2004, 36(8):847-854

[29] WANG S, XU X. Simplified building model for transient thermal performance estimation using GA-based parameter identification[J]. International Journal of Thermal Sciences, 2006, 45(4): 419-432

[30] 夏春海，朱颖心，林波荣. 方案设计阶段建筑性能模拟方法综述[J]. 暖通空调，2007，37(12)：37-40

[31] BAKER N, STEEMER K. Energy and environment in architecture—a technical design guide[M]. London: E & FN Spon, 2000：90-118

[32] BAKER N, STEEMER K. LT method 3.0—a strategic energy-design tool for Southern Europe[J]. Energy and Buildings, 1996, 23(3): 251-256

[33] The MIT design advisor[EB/OL].[2018-03-28]. http:∥designadvisor.mit.edu/design/

[34] CATALINA T, VIRGONE J, BLANCO E. Development and validation of regression models to predict monthly heating demand for residential buildings[J]. Energy and Buildings, 2008, 40(3): 1825-1832

[35] CATALINA T, IORDACHE V, CARACALEANU B. Multiple regression model for fast prediction of the heating energy demand[J]. Energy and Buildings, 2013, 57(2): 302-312

[36] HYGH J S, DECAROLIS J F, HILL D B, et al. Multivariate regression as an energy assessment tool in early building design[J]. Building and Environment, 2012, 57(17): 165-175

[37] ASADI S, AMIRI S S, MOTTAHEDI M. On the development of multi-linear regression analysis to assess energy consumption in the early stages of building design[J]. Energy and Buildings, 2014, 85: 246-255

[38] PULIDO-ARCAS J A, PÉREZ-FARGALLO A, RUBIO-BELLIDO C. Multivariable regression analysis to assess energy consumption and CO2 emissions in the early stages of offices design in Chile[J]. Energy and Buildings, 2016, 133: 738-753

[39] MARTA M, BELINDA L M. Simplified model to determine the energy demand of existing buildings. Case study of social housing in Zaragoza, Spain[J]. Energy and Buildings, 2017, 149: 483-493

[40] KUMAR R, AGGARWAL R K, SHARMA J D. Energy analysis of a building using artificial neural network: a review[J]. Energy and Buildings, 2013, 65(4): 352-358

[41] AL-SABA T, EL-AMIN I. Artificial neural networks as applied to long-term demand forecasting[J]. Artificial Intelligence in Engineering, 1999, 13(2): 189-197

[42] JOVANOVI R Ž, SRETENOVI A A, ŽIVKOVI B D. Ensemble of various neural networks for prediction of heating energy consumption[J]. Energy and Buildings, 2015, 94: 189-199

[43] MELO A P, VERSAGE R S, SAWAYA G, et al. A novel surrogate model to support building energy labelling system: a new approach to assess cooling energy demand in commercial buildings[J]. Energy and Buildings, 2016, 131: 233-247

[44] EKICI B B, AKSOY U T. Prediction of building energy consumption by using artificial neural networks[J]. Advances in Engineering Software, 2009, 40(5): 356-362

[45] YAN C W, YAO J. Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD[C]∥Proceedings of the 2nd International Conference on Future Computer and Communication, 2010: 286-289

[46] WONG S L, WAN K K W, LAM T N T. Artificial neural networks for energy analysis of office buildings with daylighting[J]. Applied Energy, 2010, 87(2): 551-557

[47] 孙澄，韩昀松. 寒地办公建筑采暖能耗神经网络预测模型建构[J]. 建筑学报，2013(增刊2)：154-158

[48] TURHAN C, KAZANASMAZ T, UYGUN I E, et al. Comparative study of a building energy performance software (KEP-IYTE-ESS) and ANN-based building heat load estimation[J]. Energy and Buildings, 2014, 85: 115-125

[49] ZHANG Y. ‘Parallel’ EnergyPlus and the development of a parametric analysis tool[C]∥IBPSA BS 2009, 2009：1382-1388

[50] GARG V, CHANDRASEN K, MATHUR J, et al. Development and performance evaluation of a methodology, based on distributed computing, for speeding EnergyPlus simulation[J]. Journal of Building Performance Simulation, 2011, 4(3): 257-270

[51] GARG V, JAWA A, MATHUR J, et al. Development and analysis of a tool for speed up of EnergyPlus through parallelization[J]. Journal of Building Performance Simulation, 2014, 7(3): 179-191

[52] GARG V, CHANDRASEN K, TETALI S, et al. EnergyPlus simulation speedup using data parallelization concept[C]∥ASME International Conference on Energy Suistainability, 2010:1041-1047

[53] TIAN W. A review of sensitivity analysis methods in building energy analysis[J]. Renewable and Sustainable Energy Reviews, 2013, 20(4): 411-419

[54] TIAN W, WILDE P D. Uncertainty and sensitivity analysis of building performance using probabilistic climate projections: a UK case study[J]. Automation in Construction, 2011, 20(8): 1096-1109

[55] AGDAS D, SRINIVASAN R S. Building energy simulation and parallel computing: opportunities and challenges[C]∥Proceedings of the Winter Simulation Conference, 2014: 3167-3175

[56] EISENHOWER B, O’NEILL Z, FONOBEROV V A, et al. Uncertainty and sensitivity decomposition of building energy models[J]. Journal of Building Performance Simulation, 2012, 5(3): 171-184

[57] ZHAO H X, MAGOULS F. Parallel support vector machines applied to the prediction of multiple buildings energy consumption[J]. Journal of Algorithms and Computational Technology, 2010, 4(2): 231-249

[58] RADOSEVIC M T, HENSEN J L M, WIJSMAN A J T M. Distributed building performance simulation—a novel approach to overcome legacy code limitations[J]. HVAC and R Research, 2006, 12(S1): 621-640

[59] BARNABY C S. A survey of simplified techniques for calculating energy effects of building mass[C]∥Proceedings Building Thermal Mass Seminar, 1982: 207-221

[60] ZHAO H X, MAGOULS F. A review on the prediction of building energy consumption[J]. Renewable and Sustainable Energy Reviews, 2012, 16(6): 3586-3592

[61] POMBEIRO H, SILVA C. Modeling energy consumption in an educational building: comparative study between linear regression, fuzzy set theory and neural networks[J]. Intelligent Systems in Science and Information, 2014, 591: 293-307

[62] POMBEIRO H, SANTOS R, CARREIRA P, et al. Comparative assessment of low-complexity models to predict electricity consumption in an institutional building: linear regression vs. fuzzy modeling vs. neural networks[J]. Energy and Buildings, 2017, 146: 141-151