人工智能驱动的混合动力模型或可提升暖通空调效率

建筑物近一半的能源消耗都用于供暖和制冷——但机器学习可以帮助降低这一能耗。问题在于：机器学习模型的准确性取决于用于训练的数据质量。为了克服这一局限性，马里兰大学环境能源工程中心 (CEEE) 的一个团队开发了一种混合模型，该模型结合了数据驱动模型和物理模型。

在近期出版的《能源与建筑》杂志上，CEEE 的研究人员提出了一种用于变制冷剂流量 (VRF) 空调系统的混合建模框架，旨在提高能源效率，同时又不影响热舒适性。 

该混合模型建立在该团队早期机器学习模型的基础上，这些模型整合了空调数据、建筑状况和短期天气预报，以优化系统性能。但这些模型在极端温度下表现不佳，而极端温度在大学城很少出现，因此数据中也基本缺失。

“如果拥有足够的数据，数据驱动模型会非常精确，但这在现实中通常难以实现，”论文第一作者、CEEE 研究生助理兼机械工程博士候选人许宝清 (Po-Ching Hsu) 表示。土木与环境工程学院（CEEE）能源效率与热泵联盟主任黄允浩（Yunho Hwang）教授是该研究的共同作者。

他表示：“如果数据足够多，数据驱动模型的精度会非常高，但现实中通常并非如此。”土木与环境工程学院研究生助理、机械工程博士候选人许柏清（Po-Ching Hsu）指出，相比之下，基于物理的模型需要的数据较少，但需要更多的计算能力和建模资源。许柏清说：“在研究了这两种模型之后，我开始思考是否可以将它们结合起来，得到一个既高精度又具有高计算效率的模型。”  

典型的VRF系统由一个室外机和多个室内机组成，这些室内机服务于建筑物内的不同热区。在本研究中，研究团队利用从大学格伦·L·马丁大楼（Glenn L. Martin Hall）的VRF系统现场测试中收集的真实数据，开发了一个虚拟VRF系统。该系统包含一个室外机和七个室内机。 

混合模型在预测室内机容量和总能耗方面表现出很高的精度，有助于优化能源效率。即使在数据匮乏的情况下，该系统仍保持了稳健的性能，优于传统的机器学习模型。该模型的预测结果与实际系统测量值高度吻合，典型误差仅为5%至6%。下一步，研究人员将致力于测试该系统是否能够扩展到不同的VRF系统和运行环境中，并保持其可靠性。