机器学习和人工智能在建筑脱碳方面的潜力

McKinsey近期发表的报告指出，通过机器学习、人工智能和基于物理的模型，建筑投资组合所有者有望以前所未有的速度和规模加快净零排放工作。这种新型方法使得识别建筑脱碳机会更加迅速，并为实现净零排放提出了解决方案。

简介

根据McKinsey发布的报告，新的方法利用了卫星数据、地理空间分析、法规、成本评估以及太阳能或地热能的可行性等信息。这些算法能够快速分析建筑组合并提出解决方案，为其实现净零排放提供支持。

专家认为，这种新方法可以在数周内为整个投资组合制定财务优化计划，考虑到监管环境、建筑特征和租赁结构等方面的因素。

见解

McKinsey的专家指出，建筑物排放占全球燃烧相关排放的40%，因此，必须在2030年前将直接建筑排放减少50%，间接排放减少60%，才能在2050年实现建筑存量净零碳排放。传统的脱碳方法费时费力且昂贵，而采用人工智能驱动的方法则可以提高脱碳规划的速度和规模，消除了对模糊建筑原型的依赖。

报告强调了基于人工智能方法在房地产投资组合中的潜力，假设未来没有诸如增量监管、碳定价以及绿色溢价等因素。优化可再生能源采购的同时，实施能源效率和电气化措施将帮助建筑业主和居住者节能、降低成本，并避免监管处罚，以收回投资。

最佳建筑脱碳计划的特点

McKinsey强调了实现最有效的建筑脱碳计划的七个关键部分，通过使用人工智能和机器学习方法进行优化：

1. 高效的净零规划： 通过联合采购和战略排序，确保整个投资组合的协调、全面的计划。
2. 资产特定计划： 针对每栋建筑量身定制脱碳计划，考虑到建筑布局、隔热类型等方面的特定要求。
3. 实现净零的完整途径： 避免短期策略增加成本并忽视协同效应。
4. 综合范围1和范围2计划： 充分利用相互依赖性，避免阻碍能源效率和电气化。
5. 可行的步骤： 提供精确指示，促进设施管理团队和供应商之间的沟通和快速执行。
6. 量化： 为财务规划提供详细见解，包括具体目标、投资挑战、运营成本等方面。
7. 净零导向决策： 将脱碳计划纳入组织运营中，更新资本计划、低排放系统预算等。

McKinsey指出，除了脱碳挑战外，扩大供应链以满足新需求、培训熟练工人以部署改造和其他电气化工作也是影响该行业的因素。

采用人工智能支持的全生命周期脱碳方法有望简化计划、加速流程并降低成本，对于解决建筑相关排放问题具有重要意义。

以上，McKinsey的报告为我们展示了机器学习和人工智能在建筑领域中加速净零排放工作的潜力，带来了前所未有的机遇和优势。