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(yù)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(zāi)區(qū)」。相關(guān)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(shè)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(yù)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(guān)暖通空調(diào)設(shè)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(dǎo)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(shè)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(yù)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(fù)「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(yù)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(yù)測模型，專門用于預(yù)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(yù)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(yù)測的最佳方差和偏差權(quán)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(shù)，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(yù)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(yù)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(yù)測中起著主導(dǎo)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(yīng)地計算其他與 OAT 相關(guān)的變量。

測試數(shù)據(jù)集的四個模型的詳細預(yù)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(guān)。

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(yù)測的冷負荷數(shù)據(jù)，結(jié)果如下圖。

預(yù)測結(jié)果

LSTM 和 GRU 在月初的前三天顯示出明顯較差的預(yù)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(yù)測誤差，而 DEMMFL 模型則預(yù)測得非常準確。

綜上，DEMMFL 模型在預(yù)測建筑冷負荷方面預(yù)測精度更高，誤差更小。

從能源管理出發(fā)：AI 與城市建設(shè)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(shè)施，都能夠?qū)崿F(xiàn)準確的能耗預(yù)測與優(yōu)化，這一技術(shù)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(guān)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(yīng)用于美國中部地區(qū) 700 兆瓦的風電場，基于神經(jīng)網(wǎng)絡(luò)，利用廣泛可用的天氣預(yù)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(yù)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(yīng)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(shù)與暖通領(lǐng)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(shù)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(shù)的應(yīng)用者，更是城市發(fā)展的引領(lǐng)者。

隨著 AI 技術(shù)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