AI 赋能绿色制冷，香港岭南大学开发 DEMMFL 模型进行建筑冷负荷预测
内容提要
城市化进程加速导致碳排放量增加，建筑是能耗大户。香港研究人员提出了一种新的预测建筑冷负荷的模型(DEMMFL)，以达到节能目标。研究团队使用DEMMFL模型进行预测，结果表明其预测精度和误差方面表现出色。这种技术的扩展将有助于更好地管理城市建筑能耗，促进可持续发展。
延伸解读
冷负荷预测为何关键
文章指出，暖通空调占全球建筑能耗的38%，而冷负荷预测能优化冷水机组排序控制，避免设备频繁启停造成的额外消耗。香港地处热带，空调能耗占比更高，因此精准预测冷负荷对节能尤为重要。DEMMFL模型正是针对这一需求，利用历史数据实现长期准确预测，为建筑能耗管理提供直接工具。
DEMMFL的技术选择与优势
DEMMFL采用正则化统计学习方法，通过交叉验证优化超参数，并对比了Lasso、ridge和Lasso-ridge回归。结果显示，Lasso-ridge在多数模式下优于其他方法，测试集整体性能比第二名提升4.2%。与LSTM、GRU等深度学习模型相比，DEMMFL因融入知识驱动的工程化特征，在RMSE上表现最佳，尤其在假期等异常日预测更准。
建筑差异影响预测敏感性
研究对两座办公楼的冷负荷相对于室外气温（OAT）的敏感性进行了评估。结果发现，南塔因规模较大，其冷负荷对OAT变化更敏感；除运营时段外，两座塔楼的敏感性差异在其他模式中均有所增加。这表明不同建筑的特性和运营模式会导致冷负荷响应不同，预测模型需考虑建筑个体差异。
从预测到城市能源管理
DEMMFL模型不仅适用于办公大楼，还可扩展至商业大厦、住宅区和公共设施，帮助理解和管理城市建筑群的整体能耗。文章提到，IBM、谷歌DeepMind、施耐德电气、商汤科技、美的楼宇科技等企业已利用AI进行能源管理，例如美的Smart Control算法引擎结合云平台可实现节能减碳15%-30%。这显示AI在建筑节能领域正从研究走向落地。
Q&A
DEMMFL模型是什么？它主要用于解决什么问题？
DEMMFL（动态工程化多模态特征学习）是香港岭南大学和香港城市大学研究人员提出的一种预测模型，专门用于长期准确预测建筑冷负荷，以达到节能目标。
DEMMFL模型采用了哪些技术方法来提升预测准确性？
DEMMFL模型采用正则化的统计学习方法，使用Lasso、ridge以及Lasso-ridge回归，通过交叉验证优化学习超参数，并对所有特征和数据进行有效的缩放和处理，从而提升模型的准确性和效率。
在建筑冷负荷预测中，哪种回归方法表现最好？
Lasso-ridge回归在除非运营时段外的所有模式中均优于其他三种技术，并且在测试集上的整体性能比排名第二的方法提高了4.2%，在建筑冷负荷的长期预测中表现出色。
DEMMFL模型与其他深度学习模型相比，预测效果如何？
DEMMFL模型在预测建筑冷负荷方面精度更高，误差更小。与LSTM、GRU和AutoGluon等深度学习模型相比，DEMMFL模型实现了最佳的RMSE，而AutoGluon模型取得了次优。在月初前三天和中秋节假期等特殊时段，深度学习模型出现较大预测误差，而DEMMFL模型预测非常准确。
冷负荷对室外气温（OAT）的敏感性如何？不同建筑有何差异？
OAT特征在冷负荷预测中起主导作用。不同建筑的冷负荷对OAT的敏感性存在显著差异，南塔由于其较大的规模，其冷负荷对OAT的变化更为敏感。除了在运营时段模式外，两座塔楼的敏感性差异在其他所有模式中都有所增加，这可能与建筑的不同特性和运营模式有关。
AI技术在能源管理和城市建设中有哪些应用案例？
谷歌DeepMind将机器学习算法应用于风电场，预测风力输出以制定能源供应计划；商汤科技基于大装置和日日新大模型体系赋能电力系统智能化升级；美的楼宇科技结合AI与暖通经验开发Smart Control算法引擎，实现节能减碳15%-30%、舒适性提升30%以上。
