AI赋能的建筑中央冷却系统在线控制优化：提升效率与鲁棒性的创新策略

本研究针对建筑能源系统中AI算法从理论研究到实际应用的转化难题，提出了一种融合深度学习与遗传算法(GA)的在线优化控制技术。团队开发了简化型深度学习赋能遗传算法，将优化计算时间从6.9分钟缩短至0.6分钟，并通过动态阈值检测机制构建鲁棒保障方案。硬件在环测试表明，该策略在Raspberry Pi控制站上实现7.66%的节能效果，为建筑冷机系统的实时优化控制提供了可靠解决方案。

　　在全球能源危机与碳中和目标的背景下，建筑能耗问题日益凸显。据统计，建筑能耗占全球总能耗的40%，而在香港等热带地区，空调系统能耗更是高达建筑总能耗的80%。传统PID控制方法难以应对动态变化的建筑负荷，而现有AI优化算法又面临计算效率与实施可靠性的双重挑战。香港理工大学的研究团队在《Advances in Applied Energy》发表的研究，为这一领域带来了突破性进展。

研究团队创新性地将深度学习与遗传算法(GA)相结合，开发出适用于边缘计算的优化控制系统。通过Dymola软件构建建筑冷机系统的数字孪生模型，生成6万组训练数据建立混合模型（hybrid model），其中关键非线性组件采用人工神经网络(ANN)建模。硬件方面选用Raspberry Pi作为控制站，通过TCP/IP协议与虚拟系统实时交互。

研究结果部分：

1. 优化效率：通过将物理模型替换为ANN模型，单次迭代时间从3.22秒降至0.27秒，整体优化耗时缩减为原来的1/6.9。在四核ARM处理器（1.5GHz）上实现18 GFLOPs的计算性能。

2. 控制性能：优化后的冷却水回水温度(T_cwr)平均升高2.30K，供水温度(T_cws)降低1.93K。虽然海水泵能耗增加38.1%（1469.3kW），但冷却水泵节能47.9%（4340.1kW），压缩机节能4.45%（2605.7kW），最终实现日均7.66%的综合节能效果，相当于减少2.9吨CO₂排放。

3. 鲁棒保障：设计的动态阈值检测机制采用简单移动平均(SMA)算法，当检测到数据异常或超过20分钟无响应时，自动切换至基于专家知识的预设方案，确保系统稳定运行。

这项研究的创新之处在于：首次实现了AI优化算法在边缘计算设备上的实时部署，通过混合建模平衡了计算效率与模型精度；提出的双重保障机制有效解决了AI控制系统在实际应用中的可靠性问题。该技术路线不仅适用于中央空调系统，也为其他复杂工业系统的智能优化提供了可借鉴的实施方案。未来研究可进一步探索自适应控制算法在多变工况下的应用，推动建筑能源系统向更高水平的智能化发展。