人工智能技術在樓宇自控系統中應用初探

文/肖建平 （廣州市設計院）

1 引用

目前的樓宇自動化控制系統主要由可編程邏輯控制器（PLC）或直接數字控制器（DDC）以及管理軟件組成[1]。由自控工程師根據人工控制樓宇設備(空調、照明、電梯等)的方式編寫代碼并下載到控制器中自動執行。然而，數十年的應用實踐表明，這種類型的控制系統中超過一半以上無法投入日常使用[2～3]。尤其是在中央空調冷熱源（主要包含冷機、鍋爐、水泵、冷卻塔等設備）的控制方面，超過90%的自控系統（通常被稱為“群控系統”）無法投入自動化運行。這一問題造成的損失是驚人的，一方面大量的樓宇自動化設備（傳感器、執行機構、控制器等）閑置不用，一方面由于調節不及時造成大量資源（能源、人力、空間、時間）浪費。

本文圍繞空調冷熱源群控這一樓宇自動化控制系統的“重災區”，結合實際工程案例運行狀況，闡述利用人工智能自動學習、搜索與規劃等技術提高樓宇自控系統“智力”的優勢所在。

2 冷熱源的自主運行

2.1 面臨的困境

在設計階段，傳統的群控系統需要工程師根據可能的應用場景設計控制策略，手工編寫代碼實現這些策略。往往因為工期等原因，導致工程師難以考慮及實現多應用場景及各種設備故障預備方案等的精細化。這導致群控工程師在群控系統投用后需要根據不斷出現的新情況反復修改控制程序，而手工修改常常造成“補丁打補丁”、“按下葫蘆浮起瓢”的窘境。許多項目在花費了大量調試成本后達不到用戶期望最后不了了之。

造成這一情況根本的原因是完成此項工作所需的復雜度被嚴重忽視了。假設一個冷熱源只含10臺設備，每臺設備只考慮“開”、“關”、和“異常”3種狀態（尚不考慮可連續調節的運行參數例如變頻水泵的轉速，或者冷凍機的供水溫度等），那么設計一套滿足基本控制要求的自動化群控系統至少要考慮 310=59049狀態組合（雖然其中的大部分可以約減和歸并，但約減和歸并也是一項艱巨的工作）。這已經是一項“不可能完成”的任務了。更何況群控問題涉及多個設備的協同（比如開冷機前通常要求先打開冷機的冷/凍冷卻水閥門，而后打開水泵，最后開冷機），這要求在不同的時間點上布置各項操作。時間維度的引入進一步提高了問題的復雜性。人工設計不可能覆蓋這么多可能性，通常會在控制器中植入幾種控制預案。然而，現場出現的情況極有可能不在這些預案適用的范圍內，此時控制系統就可能不作為或者誤動作，給用戶造成麻煩。

2.2 采用優化搜索方法實現自主運行

群控問題中現場情況可能的組合超過了常人能處理的極限，而人工智能中的優化搜索技術擅長解決組合爆炸問題。拿計算機和人下棋做個例子，計算機的目標是“獲勝”，它根據游戲規則和當前態勢確定對自己最有利的下一步動作，由于通常情況下存在有許多種“下一步”（假設有L種），而針對每種“下一步”，人類棋手又可能有許多種對策（假設有M種），計算機還要考慮人類棋手出招后它的“下下步”（假設有N種）能夠給自己爭取近期或遠期的優勢，以此類推。雖然考慮的步數越多，計算機獲勝的把握度越大，但需要考慮的情形也越多（L×M×N×…）。由于計算機的性能限制，通常只能考慮有限的步數。這種每走一步前都“思考未來好幾步”并從中選取最能“獲勝”路數的做法稱為動態規劃。分支界定[5]搜索方法是解決動態規劃問題的主要手段。這類方法往往采用啟發式判據盡早排除獲勝幾率小的博弈路數，而將計算資源投入到最有潛力的路數中去。

為了解決群控問題，將“在未來一個時間窗口內，以最低的總能源費用運行各類設備滿足末端負荷需求”作為任務目標，將管路連接關系（例如：1號冷凍泵只能供應1號冷機）、設備的安全（例如：冷機運行時需要一定范圍內的冷凍/冷卻水流量；冷機關機后不能馬上開啟等）作為這個任務的約束條件（相當于棋類游戲的規則），將群控任務轉化為一個混合整數規劃問題（該問題不僅涉及設備啟停這類離散變量還涉及到設備開始運轉后運行參數的設定，比如冷機的供水溫度和水泵的頻率等）交給人工智能的優化搜索方法求解。下圖簡要說明了這個過程。計算機將當前狀態（各設備的運行狀態和處于該狀態的時長）作為搜索的起點。計算機可以同時采取加/減冷機、提高/降低供水溫度、加/減水泵、提高/降低供水泵頻率……，等多種操作中的一種或多種，使得空調冷熱源的狀態變化到新的狀態（5min后狀態）。計算機根據負荷數據、運行約束、設備性能、能源費用等檢測出那些危險狀態（導致冷機斷水等危險的狀態）、有潛力的狀態（滿足空調需求、安全、能耗費用較低）、和可行的狀態（滿足空調需求、安全、能耗費用沒有優勢），然后放棄危險狀態并將計算資源分配到后兩者上繼續搜索下一階段的操作獲得下一階段的狀態（25min后狀態），以此類推直到獲得理想的控制路徑或者達到規定的搜索步長（數小時后的狀態）。

搜索得到的最佳控制路徑規定了從當前開始的一個時段內不同時間點上不同設備的啟停指令或參數調整指令。例如：當前是1:00， 最佳控制路徑要求1:00啟動1號變頻冷凍水泵，頻率設在40Hz，同時啟動2#工頻冷卻泵；1:05啟動3#冷凍機，供水溫度設在8.5℃；1：25啟動1#和2#冷卻塔風機…。如果當前時間點對應的指令有別于計算機最近一次向對應設備發出的指令，計算機將當前時間點的指令發往對應設備（比如“啟動1號變頻冷凍水泵，頻率設在40Hz，同時啟動2#工頻冷卻泵”），否則保持“沉默”。計算機等待了數分鐘后或者檢測到現場設備的狀態發生變化或出現了需要關注的事件（比如設備突發報警）會根據冷熱源系統的當前狀態重新搜索最佳控制路徑，再次將對應當前時段的指令發往對應設備，周而復始。采用這種滾動方式依賴優化搜索技術而不是人工預設的控制邏輯實現了冷熱源的自主控制。

圖1 利用計算機從成千上萬種可能的控制路徑中搜索最安全和經濟的控制路徑

2.3 人工智能的“奇思妙想”

給定了任務目標和約束條件后，搜索算法可能會在所有可以采用的控制方案中尋找符合各項約束條件的最優控制路徑。有些控制行為符合運行人員的預期，比如利用變頻器的性能特點自動啟動多臺水泵運行在相近的低頻率上以較低能耗獲得所需的流量。而有些控制行為會有悖于或遠超出運行人員的預期：

“免費制冷”板換的反向使用：某個電子工廠的冷凍站包含3臺水冷機組和1臺“免費制冷”板換（當室外溫度接近0℃時，工廠會關停所有冷機并啟用板換，通過冷卻水直接冷卻車間內的空調循環水）。進入過渡季節后車間的制冷負荷不到一臺冷機的70%，但出于生產安全方面的考慮，工廠仍然要求冷機24h運行。在人工智能群控系統上線后，運行人員發現在冷機運行，冷卻水的溫度顯著高于冷凍水的情況下“免費制冷”板換被自動打開了。這一“荒唐”行為背后的原因是計算機在沒有其它可動用手段的情況下，試圖通過“免費制冷”板換將用不完的冷量反向輸送到冷卻水系統，以此降低冷卻水系統的能耗。

水蓄冷系統的“反常”放冷：某個冷凍站采用了水蓄冷系統，蓄冷量為日負荷的50%。運行人員在高電價時段（7:00～11:00以及19:00～23:00）到來前關閉冷機單獨使用蓄冷水池中的冰水制冷，其余時段（11:00～19:00為平電價時段）采用冷機制冷。在人工智能群控系統上線后，運行人員發現平電價時段蓄冷水池也會被打開。這種不符合“經濟性”原則的行為背后是計算機發現高溫天氣下，原本通風就不暢的冷卻塔系統送到冷機的冷卻水溫度已經達到了38℃，超過了控制系統中冷機冷卻水溫不超過35℃這一限制，“無可奈何”之下，計算機只能利用蓄冷系統承擔一部分制冷量，減輕冷卻水系統的散熱負擔，使得冷卻水溫的超標情況得以緩解。

“加班”的二次泵組： 某個商業綜合體的中央空調系統帶有多組二次泵分別服務辦公樓和商場。沒有加班申請時，辦公樓的空調在下午6:00結束，對應的二次泵組關閉。而商場部分的二次泵組將持續運行到晚上營業時間結束。運行人員臨時在控制系統上將商場晚間的供水溫度下限設置在12℃。不多久發現已經關停的辦公樓二次泵組又“加班”啟動了。數據分析發現，當時冷凍水供水溫度低于新設的供水溫度下限，計算機為了修正這一問題，打開辦公樓的二次泵組，試圖用溫度較高的辦公樓回水和溫度較低的供水混合滿足商場對冷凍水溫的需求。

利用時間軸：即使是在炎熱的夏季，不少酒店在晚間的空調制冷需求遠低于白天，運行人員會保持一臺冷機運行。然而隨著負荷降低，多數冷機的效率會降低(負荷過低時還會引起部分離心式冷機喘振)，由于冷機運行時冷卻水和冷凍水系統要保持運行，系統效率也隨之下降。針對這個問題，在優化搜索過程中引入這樣的假設：前一時段的制冷量超過建筑物的制冷需求后，多余的部分能夠大部分地保留在建筑物和水系統中供下一時段使用。在“考慮”了冷凍水溫全程不超標、冷機和水泵等設備的啟停間隔滿足安全要求等約束條件后，計算機能夠在低負荷時段自動采用間歇方式運行冷機。在制冷總量不變的情況下，這種方式縮短了冷機低負荷運行的時長，減少了冷卻水系統低效甚至空跑的時長（在冷機停機后，計算機會完全關閉冷卻水系統），采用了短時間高效率的方式而不是長時間低效率的方式滿足空調需求。在部分酒店中這種運行方式在夜間（晚11:00到次日早晨6:00）能夠減少冷機運行時間一半以上并為冷凍站減少40%的能耗。

利用電價和天氣：某個5000m2的辦公樓早晨8點開門，早班運行人員通常在7點到大樓后開啟樓頂的風冷熱泵進行預冷。人工智能系統投用后的第一個早晨，運行人員發現7點過了樓頂的風冷熱泵都還停著就準備手動干預。后來發現樓內溫度確實不高而風冷熱泵6點前就開過了。進一步調查發現人工智能系統實際上利用了6點前的谷時電價、早晨較涼爽的天氣、大樓的保溫能力以更低的代價（在6:00～9:00間降低了約10%的電耗費用）完成了預冷讓運行人員“虛驚一場”。

3 空調負荷預測

3.1 負荷數據缺失造成的影響

中央空調的負荷隨著季節、天氣、時間、人員等因素的變化而動態變化[4][7]。采用優化搜索手段實現空調冷熱源經濟自主運行需要獲得當前和未來一段時間內的負荷數據。傳統計算方法從總管的溫差和壓差以及流量判斷空調的負荷需求。這些方法與建筑物真實的負荷需求間沒有量化的聯系，與末端用戶的感受也沒有必然聯系，也不能給出負荷在未來的變化趨勢。下面這個極端例子說明溫差法計算負荷對供應側造成的誤導：假設中央空調處在制冷狀態，冷凍水供水溫度為7℃，室內溫度降到了20℃以下，由于管路的冷量散失以及末端設備的控制問題回水溫度還可能在10℃左右，3℃的供回水溫差意味著大樓仍然有制冷要求，而實際上此時的大樓已經過冷了，暫時無需再提供制冷量了。同樣，采用壓差法計算負荷時負荷不足和負荷過大在空間上不同的分布會產生同樣的總管壓差，從而誤導供應側。

一些改進做法會參考末端空調設備的控制參數(例如空調冷凍水閥門的開度)或者冷機的負載百分比等。這類做法容易受到設備人為開關機、人為設定值（用戶實際上很難分辨23℃和24℃時體感的差別，大部分溫控器要么設在最小值要么設在最大值上）、設備故障、以及設備自身控制策略的影響，也不能給出量化的估算和對未來的預測。

沒有負荷數據會導致冷熱源系統或多或少處于“盲控”狀態，無可避免地造成空調“過供應”，造成能源浪費。優化搜索算法也無法建立可量化的優化目標，無法經濟并“從容”地預先安排好設備運行應對負荷未來的變化。

3.2 利用更多數據預測空調負荷

舒適性空調系統服務的是建筑物中的人，而不是空調循環水的溫度或某個空調設備。樓宇自動化系統能夠提供大量的與舒適度直接關聯的數據（最常見的包括室內溫濕度數據、二氧化碳濃度等），但是依靠人工或者簡單計算方法從大量動態的含有各種噪聲的數據里提取有價值的信息不現實。由于缺乏有效處理手段這些數據過去是被白白扔掉的(多數樓控系統甚至不保存這些數據)。利用機器學習方法可以“不知疲倦”“不厭其煩”地部分解決這個問題[6]。

為了減少不確定因素(例如未來的天氣變化)對負荷預測造成的影響，利用機器學習方法分別獲得負荷的短期預測（針對未來半小時）和長期預測（針對未來24h），結合兩者獲得對于當前足夠準確又能反映未來變化趨勢的負荷預測曲線。對于短期負荷預測，首先采用統計回歸方法[8]建立建筑物的熱響應模型f—它描述某個時段內各種影響因子（比如天氣、時間段、制冷/熱量）與該時段內室內平均溫度變化間的統計關系。根據該模型求取逆函數f-1，該函數描述了在當前影響因子（比如天氣、時間段）情況下給定時間段內要求室內溫度變化給定的幅度需要多少制冷/熱量。有了逆函數f-1，可以直接利用建筑物室內平均溫濕度數據、相關影響因子、以及期望的室內溫度，計算出未來一個時間段內的總負荷需求作為短期負荷預測。對于長期負荷預測，首先采用時序數據聚類的方法從歷史數據中獲得負荷變化的幾種典型模式，然后從典型模式中獲得與當前天氣、節假日等條件最接近的24h負荷變化模式作為遠期負荷預測。相對于長期預測，短期預測可以利用更多的已知條件（例如當前時間點供回水溫度，當前室外溫濕度等）獲得更準確的估計，而長期預測可以在大的時間跨度上反映負荷的變化趨勢或模式。通過加權平均的方法將兩部分結合成最終的負荷預測曲線。

采用前述方法預測某醫院（含住院部）在夏秋過渡季節從凌晨開始未來24h的制冷負荷變化，參見上圖。7點以前空調負荷維持在全天最低的水平上。這是因為醫院出于節能考慮放寬了晚上11點到次日上午7點對室內溫度和冷凍水供水溫度的要求。高負荷時段出現在下午4點到晚上9點間，這可能是該時段內病人和家屬的活動程度高于其它時段造成的。

圖2 某醫院24h制冷負荷預測

3.3 減少空調過度供應

用機器學習方法獲得的量化預報數據為人工智能方法解決群控問題提供了重要的輸入，使得計算機知道現在和未來需要多少冷/熱量、給定供冷/熱量時建筑物的溫度變化趨勢等。在此基礎上給出最經濟的運行方案。

為了測試負荷預測手段的節能效果，挑選了華東地區一棟6萬㎡的寫字樓進行試驗。該寫字樓安裝了比較完備的樓宇控制系統可以獲得室內溫度并對冷凍機房進行遠程控制。由于建造年代較早，冷凍機房沒有采用任何變頻設備，冷機的供水溫度也不能調節。大樓的物業部門要求夏季室內溫度不高于24.5℃。冷凍機房原先的控制策略是維持冷凍水供水溫度在9℃以下，溫度超限后就加開冷機。為了對大樓負荷進行預測同時監測試驗期間空調的運行水平，采集了樓內20個不同位置的室內溫度，將它們的平均值作為大樓的平均室內溫度。試驗結果表明，在沒有變頻設備并且只允許設備啟停的情況下，依靠負荷預測和優化搜索算法的自動控制可以降低大樓的制冷能耗13%(由于兩種手段互相緊密依賴，無法確定它們各自的貢獻)。節能量的一個重要來源是減少了制冷系統的過度制冷。原先維持水溫，而不關心末端溫度的運行方式會導致大樓的平均室內溫度從中午開始逐漸降低，到下班時段時已經低于23.5℃，全天有一半的時間低于24℃。自動控制時由于直接根據負荷預測數據調整了制冷量，大樓的平均溫度在24℃～24.5℃波動，減少了不必要的制冷量從而降低了冷凍機房的能耗。

圖3 負荷預測手段防止空調系統過度供冷

4 結語

人工智能方法利用了計算機“不辭辛勞”地從大量動態的含有各種噪聲的數據里提取有價值的信息，在成千上萬種可能的控制方案中搜索最安全和經濟的控制路徑。已在數十棟不同用途和規模的建筑中獲得了應用。一些顯著的優勢在于：

1)不需要人工設計控制策略，減少了軟件編程工作量，降低了對高水平技術人員的依賴。目前群控設計中強調的控制“邏輯”和“策略”，實際上是技術能力受限情況下的無奈妥協。實際上為了實現群控目標，存在成千上萬種可能的“邏輯”和“策略”，看上去總是“不錯”的少數幾種未必能“包打天下”，使用人工智能的規劃能力可以根據應用場景搜索出當前最適用的“邏輯”和“策略”。

2)容錯能力提高。現場出現的故障五花八門，常規群控系統中人工設計的故障預案通常只能應對極少數的幾種（多為單點故障），一旦出現預案之外的故障（通常是多點故障），常規群控系統往往會“不知所措”。若人工巡檢不能及時發現異常情況并作出正確處理，就可能會威脅空調系統的正常運行。而依靠人工智能的規劃能力，計算機能夠搜索出一條經濟可行的控制路徑規避當前有問題的設備，調動一切可用資源，繼續保障空調系統的運行。

3)便于維護。常規群控系統依賴人類工程師編寫控制邏輯和策略，當使用要求發生改變或者現場進行了改造（比如增加了臺冷機），用戶需要求助原來的工程師對群控系統中的控制邏輯和策略進行修改。然而，由于大樓的使用年限長，無法保證原來的工程師隨時候命，而現場條件又往往造成新接手的工程師無從下手。在采用人工智能的群控系統中由于不依賴人工工程師，而且計算機24h待命，用戶將修改要求輸入計算機，人工智能引擎修改規劃問題的目標和約束條件，采用規劃技術求解，能夠在極短時間里滿足修改要求。

4)降低能耗。人工智能手段利用樓宇自動化系統提供的數據預測空調負荷在未來的變化情況，并從各種可能的控制路徑中挑選滿足該負荷曲線而且費用最低的控制方案。在實現自動控制的同時“天然”地帶有節能功能。

當然人工智能應用到群控中也帶來一些問題：

1)與人工操作的部分觀念存在沖突。人工智能能夠“眼觀四路耳聽八方”基于各種現實數據采用搜索方法從大量備選方案中挑選最佳控制路徑，而人工操作往往基于口口相傳的經驗乃至行政指令。這會導致部分用戶不能在第一時間理解人工智能系統的部分控制行為，從而對控制系統的可靠性產生懷疑。

2)設備的啟停次數高于手動。傳統的以人工為主的控制方式下設備的啟停操作多數是運行人員在現場按照較為固定的時間表或判別條件進行的，啟停次數較少（有些工廠只在季節變換時加減冷機）。而計算機認為只要不違反預先設定的安全規則，怎么經濟咋么來。運行人員通常認為這種“頻繁”程度會縮短設備壽命（但是目前設備廠商無法提供此類數據）。

現代化大樓普遍安裝有大量傳感器、執行機構、和控制器。它們為人工智能應用提供了現成的舞臺。樓控系統面對的控制任務需求多樣、容易受環境影響，在配置、維護方面的工作量缺口巨大。借助于人工智能技術可以獲得大樓的使用特點和模式，最大化利用現有資源，有助于實現樓控系統自動配置、優化運行、容錯控制、相互協調等功能，讓樓宇自動化系統真正自動起來。