HVAC系统中空气处理机组预测性能评估的集成多任务学习模型

《Sustainability》:An Ensemble Multi-Task Learning Model for Predictive Performance Evaluation of Air Handling Units in HVAC Systems

【字体: 大 中 小 】 时间:2026年08月07日 来源:Sustainability 4.1

编辑推荐:

  随着城市化导致室内舒适度需求增加,暖通空调(HVAC)系统,特别是空气处理机组(AHU),对于室内气候控制至关重要。大数据和人工智能(AI)的出现为HVAC运行的安全性和可靠性提供了新途径。因此,本研究聚焦于AHU的预测性能评估,该领域相较于故障检测和最优控制

  
随着城市化导致室内舒适度需求增加,暖通空调(HVAC)系统,特别是空气处理机组(AHU),对于室内气候控制至关重要。大数据和人工智能(AI)的出现为HVAC运行的安全性和可靠性提供了新途径。因此,本研究聚焦于AHU的预测性能评估,该领域相较于故障检测和最优控制问题受到的关注较少。利用来自橡树岭国家实验室(Oak National Laboratory)的实时运行数据,所提出的模型采用多任务学习(MTL)来提高AHU回风属性(包括温度、含湿量和功耗)的预测精度,且在训练阶段不允许任何单一任务主导其他任务。此外,该模型引入了一种集成方法,通过梯度提升回归树(GBRT)提升技术协同不同MTL算法的能力。研究评估了四种MTL加权策略:平均损失(MTL)、几何损失(MTL-GL)、动态加权(MTL-DW)和不确定性加权(MTL-UW)。基线MTL在环境变量预测上达到最高精度,回风温度均方误差(MSE)为0.0022,平均绝对误差(MAE)为0.0391,决定系数(R2)为0.98。相比之下,MTL-UW在RTU功率预测上表现最佳,MSE为6702,MAE为45.6620,R2为0.88。基于此,研究人员开发了一种集成多任务学习(E-MTL)框架。该新颖策略显著超越了传统数据驱动基线,E-MTL模型一致优于单个MTL变体,在所有目标变量上实现了最低的均方根误差(RMSE)和MAE。本研究通过将精确的多任务预测直接映射到建筑可持续性指标,架起了先进人工智能与环境管理之间的桥梁。论文最后展示了所提模型作为AHU性能评估指标的重要作用,及其在真实场景中对智能决策的贡献。通过提供可操作的运行前瞻性,所提模型为降低HVAC运行碳足迹、最小化净能源需求以及推进可持续性目标提供了重要框架。本质上,该开发的模型有望促进HVAC组件的优化决策,并培养主动策略以确保一致运行并延长HVAC系统寿命。
**研究背景与问题**
随着城市化进程加速,全球超过90%的人口生活在室内建筑环境中,对室内舒适度的需求持续增长。暖通空调(HVAC)系统,尤其是空气处理机组(AHU),是维持室内气候控制的核心设备,其能耗占建筑总能耗的40%左右。AHU通过调节送风温度、湿度、洁净度和流量来满足热舒适要求,其回风属性(温度、相对湿度)直接反映系统热性能和效率。然而,现有研究主要集中于AHU的故障检测与诊断、预测控制及最优控制,对系统预测性能评估的关注较少。传统方法(如物理模型和数据驱动单任务学习)存在局限性:物理模型(白箱/灰箱)构建成本高且校准困难,单任务学习无法捕捉多输出任务(如回风温度、湿度、功率)之间的相关性,导致训练不足或过拟合。此外,多数预测模型仅关注送风属性等可控变量,缺乏对回风属性(作为性能评估指标)的预测能力,且难以推广到不同建筑(因建筑热特性差异大)。因此,亟需开发一种鲁棒、自适应的预测性能评估模型,以支持AHU的智能决策和可持续运行。

**研究内容与结论**
本研究利用橡树岭国家实验室(ORNL)柔性研究平台(Flexible Research Platform)的实时RTU(屋顶单元)运行数据(冷却季基线测试,2021年7月8日至14日,1分钟分辨率),提出了一种集成多任务学习(E-MTL)框架,用于预测AHU回风温度、回风相对湿度和RTU功耗,并以此作为性能评估指标。研究对比了四种MTL加权策略(平均损失、几何损失、动态加权、不确定性加权),并采用梯度提升回归树(GBRT)作为元模型集成各基模型输出。结论表明:E-MTL框架在所有目标变量上一致优于单个MTL模型,最佳配置(E-MTL1)在回风温度上达到R2=0.98(MAE=0.040°C),回风相对湿度R2=0.96(MAE=0.343%),RTU功耗R2=0.88(MAE=46.85 Wh)。10分钟滞后窗口(lookback period)在响应速度与稳定性之间取得最佳平衡。该模型通过将预测回风属性与实测值对比,可辅助建筑管理系统(BMS)识别过冷、过热或组件故障,无需单独标注故障数据集,从而直接服务于可持续性目标(降低碳足迹、减少净能耗)。

**关键技术方法**
本研究采用的主要技术方法包括:(1)门控循环单元(GRU)作为共享编码器,处理15步滞后窗口(1分钟分辨率)的9维特征向量(室外温度/相对湿度、区域平均室内温度/相对湿度、RTU送风温度/相对湿度/风量、RTU回风温度/相对湿度),输出64维隐藏表示;(2)多任务学习(MTL)框架,将共享表示分叉为三个任务特定全连接输出头,分别预测回风温度、回风相对湿度和RTU总功耗(1分钟超前预测),并采用四种加权策略(平均损失、几何损失、动态加权、不确定性加权)平衡各任务损失;(3)集成学习,以四种MTL基模型在验证集上的预测输出和权重重要性作为元特征,训练梯度提升回归树(GBRT)元模型(500个提升阶段,最大深度3,学习率0.2)。数据来源为ORNL柔性研究平台(两楼层建筑,10个热区,RTU容量44 kW,能效比9.6),仅保留RTU级和建筑平均传感器通道(共10个特征),排除区域级VAV箱数据。

**研究结果**
**4.1 多任务学习损失曲线**:各MTL模型(平均加权、几何损失、动态加权、不确定性加权)的损失曲线在训练初期均显著下降,随后趋于稳定。回风温度和RTU功率预测任务收敛较早,曲线平滑度差异反映了不同加权策略对共享层和任务层学习能力的影响。
**4.2 模型性能评估**:基于测试数据集,采用MSE、MAE和R2指标评估。平均加权MTL在回风温度预测上表现最佳(R2=0.98),动态加权MTL在回风相对湿度上达R2=0.96,不确定性加权MTL在RTU功率预测上最优(R2=0.88)。各模型在不同输出上的MSE差异表明单一策略存在局限性,论证了集成方法的必要性。
**4.3 基线MTL与集成E-MTL方法的比较**:集成模型(E-MTL1,采用平均加权和几何损失MTL作为基模型)在所有目标变量上一致优于单个MTL模型,实现了最低的MSE和MAE以及最高的R2值(温度0.98,湿度0.96,功率0.88)。集成方法通过加权平均/元学习方案减轻了单个模型的偏差,并在波动性较大的变量(如功率和湿度)上提高了预测鲁棒性。但训练多个基模型增加了离线计算开销,可能影响极端实时应用(如亚秒级微电网操作)的延迟。
**4.4 滞后周期对模型性能的影响**:对5、10、15、20分钟滞后窗口进行敏感性分析。5分钟滞后导致模型过拟合噪声(高MAPE),20分钟滞后引致相位延迟(除几何损失MTL外均表现不佳)。10分钟滞后在响应速度与稳定性之间取得最佳平衡,集成模型有效平衡了各基模型在滞后周期上的性能差异。

**讨论与结论**
**讨论**:研究通过两个场景阐明了模型的实际影响。场景1:模型预测早上8:00至9:00回风温度升高2°C、相对湿度上升5%、功耗飙升10%,BMS据此提前调整送风参数和风扇速度,优化能效和室内环境。场景2:检测到异常功耗激增、回风温度低于设定点(过冷)且湿度高于预期(除湿不足),结合历史模式锁定冷却阀卡滞故障,支持主动维护。这些场景基于测试集精度(E-MTL1的MAE:温度0.040°C,湿度0.343%,功率46.85 Wh)和滞后分析(10分钟最优)的定量结果,证实模型可有效辅助性能评估和智能决策。
**结论**:本研究提出的E-MTL框架利用ORNL RTU运行数据,实现了AHU回风属性(温度、相对湿度、功率)的高精度预测,最佳配置在测试集上达到R2=0.98、0.96和0.88,均优于单个MTL模型。10分钟滞后窗口为最优静态折中。模型输出可直接作为性能评估指标,用于检测过冷、过热或组件故障,无需额外故障标注数据。局限性包括:模型对快速气象变化的响应受固定滞后窗口限制,未来可探索自适应窗口机制;当前预测与上游冷水/热水系统的性能耦合仅通过送风属性隐式捕获,可集成一次侧参数(如供回水温度)以实现整体预测框架;模型验证仅基于单一建筑(ORNL平台),未来需在不同建筑和地理位置上验证跨系统可迁移性。论文发表在《Sustainability》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号