AI賦能綠色制冷，香港嶺南大學開發(fā)DEMMFL模型進行建筑冷負荷預測

近年來，城市化進程加速所帶來的碳排放量驟增，已經(jīng)嚴重威脅到了全球環(huán)境。多個國家均已給出了「碳達峰，碳中和」的明確時間點，一場覆蓋全球、全行業(yè)的「綠色革命」已經(jīng)拉開序幕。在一眾行業(yè)中，建筑是當之無愧的能耗大戶，其中又以暖通空調(diào) (Heating, ventilation, and air-conditioning, HVAC) 系統(tǒng)為「重災區(qū)」。相關數(shù)據(jù)顯示，供暖、通風和空調(diào) (HVAC) 占全球建筑物能源消耗的 38%。

針對居高不下的建筑能耗，業(yè)內(nèi)往往通過優(yōu)化設備運行效率，以及智能控制來實時調(diào)控能耗。其中，針對冷水機組運行控制方面，冷負荷預測是優(yōu)化冷水機組排序控制的重要途徑，其能夠忽略冷負荷的臨時變化，避免不必要地開關暖通空調(diào)設備和冷水機組，從而減少由于啟停引起的消耗。

此外，不同地區(qū)的氣候條件不同，導致其在 HVAC 方面的消耗亦有所不同，例如香港處于熱帶氣候條件，HVAC 的能耗占比更高。在香港特別行政區(qū)機電工程署舉辦的「建造機電設施的全球人工智能挑戰(zhàn)」中，來自香港嶺南大學和香港城市大學的研究人員，提出了一種新的動態(tài)工程化多模態(tài)特征學習 (DEMMFL, dynamically engineered multi-modal feature learning) 模型，用于長期準確預測建筑冷負荷，從而達到節(jié)能的目標。

獲取論文：

https://www.sciencedirect.com/science/article/pii/S0306261923015477

后臺回復「冷負荷」獲取完整論文PDF

數(shù)據(jù)集：兩棟辦公樓的冷負荷數(shù)據(jù)

在本研究中，研究人員聚焦于香港兩座辦公大樓 (South_Tower 和 North_Tower，ST&NT) 的建筑能耗問題，建立了一個詳細的數(shù)據(jù)集，涵蓋了 2020 年 4 月 1 日至 2021 年 9 月 30 日的時間范圍。該數(shù)據(jù)集通過每 15 分鐘的采樣間隔收集數(shù)據(jù)，確保了對建筑能耗動態(tài)的細致捕捉。

用以收集數(shù)據(jù)的兩棟辦公樓

模型架構(gòu)：DEMMFL 模型

如下圖所示，為了預測建筑冷負荷，將收集到的數(shù)據(jù)特征輸入 DEMMFL 模型和 Deep Learning 模型，輸出 ST 和 NT 共同的冷負荷數(shù)據(jù)。

利用 DEMMFL 模型的輸入和輸出

在本研究中，研究團隊開發(fā)了一種稱為 DEMMFL（動態(tài)工程化多模態(tài)特征學習）的預測模型，專門用于預測建筑冷負荷。該模型結(jié)構(gòu)是在沒有自回歸輸出項的情況下，利用過去輸入數(shù)據(jù)的卷積構(gòu)建的。

為了實現(xiàn)長期預測的準確性，DEMMFL 模型采用正則化的統(tǒng)計學習方法以實現(xiàn)預測的最佳方差和偏差權衡。研究中使用了 Lasso、ridge 以及最近開發(fā)的 Lasso-ridge 回歸，通過交叉驗證（CV）來優(yōu)化學習超參數(shù)。通過這種方法，研究團隊能夠?qū)Πɡ湄摵稍趦?nèi)的所有特征和數(shù)據(jù)進行有效的縮放和處理，從而提升模型的準確性和效率。

此外，本研究還探索了多種深度學習模型，包括通過 AutoGluon 實現(xiàn)的 XGBoost 和 LightBoost，以及 LSTM 和 GRU。所有這些模型的訓練方法均采用平均平方誤差作為損失函數(shù)，訓練方法為 ADAM。

整體性能最好：Lasso-ridge 回歸

研究人員對比了 DEMMFL 模型在訓練集和測試集上的統(tǒng)計學習性能，結(jié)果顯示，Lasso-ridge 在除非運營時段外的所有模式中均優(yōu)于其他三種技術，并且在測試集上的整體性能比排名第二的方法提高了4.2%。

Lasso-ridge 回歸性能優(yōu)越

這一結(jié)果表明，在利用 Lasso-ridge 方法時，DEMMFL 模型在建筑冷負荷的長期預測方面表現(xiàn)出色，不僅在精度上有顯著提升，而且在變量選擇上更為高效，這為建筑能耗管理提供了一個有效的工具。

預測敏感性：冷負荷與 OAT

在對 NT 和 ST 的工作日運營時段模式進行分析時，研究人員發(fā)現(xiàn) OAT（室外氣溫）特征在冷負荷預測中起著主導作用。

建立模型后，研究團隊對每個模型中冷負荷相對于 OAT 的敏感性進行了評估。在保持其余變量不變的情況下，他們將 OAT 增加一攝氏度，并相應地計算其他與 OAT 相關的變量。

測試數(shù)據(jù)集的四個模型的詳細預測結(jié)果

實驗結(jié)果表明，不同建筑的冷負荷對 OAT 的敏感性存在顯著差異。南塔由于其較大的規(guī)模，其冷負荷對 OAT 的變化更為敏感。此外，除了在運營時段模式外，兩座塔樓的敏感性差異在其他所有模式中都有所增加，這可能與建筑的不同特性和運營模式有關。

DEMMFL 模型：高精度、低誤差

研究人員使用 LSTM、GRU 和 AutoGluon 等深度學習模型對同一訓練數(shù)據(jù)集進行了優(yōu)化，并在 2021 年 9 月的同一測試集上與 DEMMFL 模型進行比較。由于采用了知識驅(qū)動的工程化特征，DEMMFL 模型展現(xiàn)出了明顯的優(yōu)勢，實現(xiàn)了最佳的 RMSE，而 AutoGluon 模型取得了次優(yōu)。

模型比較結(jié)果

比較實際與四個模型預測的冷負荷數(shù)據(jù)，結(jié)果如下圖。

預測結(jié)果

LSTM 和 GRU 在月初的前三天顯示出明顯較差的預測結(jié)果，在 9 月 22 日（中秋節(jié)假期）時，深度學習模型出現(xiàn)了很大的預測誤差，而 DEMMFL 模型則預測得非常準確。

綜上，DEMMFL 模型在預測建筑冷負荷方面預測精度更高，誤差更小。

從能源管理出發(fā)：AI 與城市建設的未來

利用 DEMMFL 模型，無論是商業(yè)大廈、住宅區(qū)還是公共設施，都能夠?qū)崿F(xiàn)準確的能耗預測與優(yōu)化，這一技術的擴展將幫助我們更好地理解和管理城市建筑群的整體能耗，從而促進更高效、更可持續(xù)的城市發(fā)展。

關乎全球環(huán)境，降碳降耗需要每個家庭、每個企業(yè)、每個行業(yè)共同努力。近年來，快速增長的能耗優(yōu)化需求也催生一批成熟解決方案，并在落地中持續(xù)迭代。IBM、谷歌 DeepMind、施耐德電氣，以及國內(nèi)的商湯科技、美的樓宇科技等企業(yè)均利用人工智能協(xié)助能源管理。

例如，谷歌 DeepMind 將機器學習算法應用于美國中部地區(qū) 700 兆瓦的風電場，基于神經(jīng)網(wǎng)絡，利用廣泛可用的天氣預報和歷史渦輪機數(shù)據(jù)進行訓練，在實際發(fā)電前 36 小時，預測風力輸出，從而提前一天建議工作人員基于每小時交付多少電力，制定更加準確的能源供應計劃。

商湯科技基于其大裝置 SenseCore 和商湯日日新 SenseNova 大模型體系強大的架構(gòu)底座，持續(xù)輸出高質(zhì)量的AI算法和算力賦能電力系統(tǒng)多域智能化升級。

美的樓宇科技結(jié)合 AI 技術與暖通領域?qū)＜医?jīng)驗，開發(fā)了一款面向暖通空調(diào)系統(tǒng)運行優(yōu)化的算法引擎 Smart Control，可以精準匹配冷熱需求，結(jié)合 iBUILDING 云平臺，可以實現(xiàn)節(jié)能減碳 15%-30%、舒適性提升 30%以上的優(yōu)化效果。

在未來，AI 技術將與城市規(guī)劃和管理緊密結(jié)合，打造一個高度集成、智能互聯(lián)的生態(tài)系統(tǒng)，在其中 AI 扮演的角色不僅是技術的應用者，更是城市發(fā)展的引領者。

隨著 AI 技術的不斷發(fā)展，我們期待著一個更加高效、可持續(xù)和包容的城市未來。

參考文獻：

https://www.sciencedirect.com/science/article/pii/S0306261923015477?via%3Dihub

https://www.marketsandmarkets.com/industry-news/AI-Powered-Energy-Sector-in-2023-Products-Companies-and-Innovations

https://tech.chinadaily.com.cn/a/202308/04/WS64ccbca7a3109d7585e47fbf.html