文/肖建平 （广州市设计院）

1 引用

目前的楼宇自动化控制系统主要由可编程逻辑控制器（PLC）或直接数字控制器（DDC）以及管理软件组成[1]。由自控工程师根据人工控制楼宇设备(空调、照明、电梯等)的方式编写代码并下载到控制器中自动执行。然而，数十年的应用实践表明，这种类型的控制系统中超过一半以上无法投入日常使用[2～3]。尤其是在中央空调冷热源（主要包含冷机、锅炉、水泵、冷却塔等设备）的控制方面，超过90%的自控系统（通常被称为“群控系统”）无法投入自动化运行。这一问题造成的损失是惊人的，一方面大量的楼宇自动化设备（传感器、执行机构、控制器等）闲置不用，一方面由于调节不及时造成大量资源（能源、人力、空间、时间）浪费。

本文围绕空调冷热源群控这一楼宇自动化控制系统的“重灾区”，结合实际工程案例运行状况，阐述利用人工智能自动学习、搜索与规划等技术提高楼宇自控系统“智力”的优势所在。

2 冷热源的自主运行

2.1 面临的困境

在设计阶段，传统的群控系统需要工程师根据可能的应用场景设计控制策略，手工编写代码实现这些策略。往往因为工期等原因，导致工程师难以考虑及实现多应用场景及各种设备故障预备方案等的精细化。这导致群控工程师在群控系统投用后需要根据不断出现的新情况反复修改控制程序，而手工修改常常造成“补丁打补丁”、“按下葫芦浮起瓢”的窘境。许多项目在花费了大量调试成本后达不到用户期望最后不了了之。

造成这一情况根本的原因是完成此项工作所需的复杂度被严重忽视了。假设一个冷热源只含10台设备，每台设备只考虑“开”、“关”、和“异常”3种状态（尚不考虑可连续调节的运行参数例如变频水泵的转速，或者冷冻机的供水温度等），那么设计一套满足基本控制要求的自动化群控系统至少要考虑 310=59049状态组合（虽然其中的大部分可以约减和归并，但约减和归并也是一项艰巨的工作）。这已经是一项“不可能完成”的任务了。更何况群控问题涉及多个设备的协同（比如开冷机前通常要求先打开冷机的冷/冻冷却水阀门，而后打开水泵，最后开冷机），这要求在不同的时间点上布置各项操作。时间维度的引入进一步提高了问题的复杂性。人工设计不可能覆盖这么多可能性，通常会在控制器中植入几种控制预案。然而，现场出现的情况极有可能不在这些预案适用的范围内，此时控制系统就可能不作为或者误动作，给用户造成麻烦。

2.2 采用优化搜索方法实现自主运行

群控问题中现场情况可能的组合超过了常人能处理的极限，而人工智能中的优化搜索技术擅长解决组合爆炸问题。拿计算机和人下棋做个例子，计算机的目标是“获胜”，它根据游戏规则和当前态势确定对自己最有利的下一步动作，由于通常情况下存在有许多种“下一步”（假设有L种），而针对每种“下一步”，人类棋手又可能有许多种对策（假设有M种），计算机还要考虑人类棋手出招后它的“下下步”（假设有N种）能够给自己争取近期或远期的优势，以此类推。虽然考虑的步数越多，计算机获胜的把握度越大，但需要考虑的情形也越多（L×M×N×…）。由于计算机的性能限制，通常只能考虑有限的步数。这种每走一步前都“思考未来好几步”并从中选取最能“获胜”路数的做法称为动态规划。分支界定[5]搜索方法是解决动态规划问题的主要手段。这类方法往往采用启发式判据尽早排除获胜几率小的博弈路数，而将计算资源投入到最有潜力的路数中去。

为了解决群控问题，将“在未来一个时间窗口内，以最低的总能源费用运行各类设备满足末端负荷需求”作为任务目标，将管路连接关系（例如：1号冷冻泵只能供应1号冷机）、设备的安全（例如：冷机运行时需要一定范围内的冷冻/冷却水流量；冷机关机后不能马上开启等）作为这个任务的约束条件（相当于棋类游戏的规则），将群控任务转化为一个混合整数规划问题（该问题不仅涉及设备启停这类离散变量还涉及到设备开始运转后运行参数的设定，比如冷机的供水温度和水泵的频率等）交给人工智能的优化搜索方法求解。下图简要说明了这个过程。计算机将当前状态（各设备的运行状态和处于该状态的时长）作为搜索的起点。计算机可以同时采取加/减冷机、提高/降低供水温度、加/减水泵、提高/降低供水泵频率……，等多种操作中的一种或多种，使得空调冷热源的状态变化到新的状态（5min后状态）。计算机根据负荷数据、运行约束、设备性能、能源费用等检测出那些危险状态（导致冷机断水等危险的状态）、有潜力的状态（满足空调需求、安全、能耗费用较低）、和可行的状态（满足空调需求、安全、能耗费用没有优势），然后放弃危险状态并将计算资源分配到后两者上继续搜索下一阶段的操作获得下一阶段的状态（25min后状态），以此类推直到获得理想的控制路径或者达到规定的搜索步长（数小时后的状态）。

搜索得到的最佳控制路径规定了从当前开始的一个时段内不同时间点上不同设备的启停指令或参数调整指令。例如：当前是1:00， 最佳控制路径要求1:00启动1号变频冷冻水泵，频率设在40Hz，同时启动2#工频冷却泵；1:05启动3#冷冻机，供水温度设在8.5℃；1：25启动1#和2#冷却塔风机…。如果当前时间点对应的指令有别于计算机最近一次向对应设备发出的指令，计算机将当前时间点的指令发往对应设备（比如“启动1号变频冷冻水泵，频率设在40Hz，同时启动2#工频冷却泵”），否则保持“沉默”。计算机等待了数分钟后或者检测到现场设备的状态发生变化或出现了需要关注的事件（比如设备突发报警）会根据冷热源系统的当前状态重新搜索最佳控制路径，再次将对应当前时段的指令发往对应设备，周而复始。采用这种滚动方式依赖优化搜索技术而不是人工预设的控制逻辑实现了冷热源的自主控制。

图1 利用计算机从成千上万种可能的控制路径中搜索最安全和经济的控制路径

2.3 人工智能的“奇思妙想”

给定了任务目标和约束条件后，搜索算法可能会在所有可以采用的控制方案中寻找符合各项约束条件的最优控制路径。有些控制行为符合运行人员的预期，比如利用变频器的性能特点自动启动多台水泵运行在相近的低频率上以较低能耗获得所需的流量。而有些控制行为会有悖于或远超出运行人员的预期：

“免费制冷”板换的反向使用：某个电子工厂的冷冻站包含3台水冷机组和1台“免费制冷”板换（当室外温度接近0℃时，工厂会关停所有冷机并启用板换，通过冷却水直接冷却车间内的空调循环水）。进入过渡季节后车间的制冷负荷不到一台冷机的70%，但出于生产安全方面的考虑，工厂仍然要求冷机24h运行。在人工智能群控系统上线后，运行人员发现在冷机运行，冷却水的温度显著高于冷冻水的情况下“免费制冷”板换被自动打开了。这一“荒唐”行为背后的原因是计算机在没有其它可动用手段的情况下，试图通过“免费制冷”板换将用不完的冷量反向输送到冷却水系统，以此降低冷却水系统的能耗。

水蓄冷系统的“反常”放冷：某个冷冻站采用了水蓄冷系统，蓄冷量为日负荷的50%。运行人员在高电价时段（7:00～11:00以及19:00～23:00）到来前关闭冷机单独使用蓄冷水池中的冰水制冷，其余时段（11:00～19:00为平电价时段）采用冷机制冷。在人工智能群控系统上线后，运行人员发现平电价时段蓄冷水池也会被打开。这种不符合“经济性”原则的行为背后是计算机发现高温天气下，原本通风就不畅的冷却塔系统送到冷机的冷却水温度已经达到了38℃，超过了控制系统中冷机冷却水温不超过35℃这一限制，“无可奈何”之下，计算机只能利用蓄冷系统承担一部分制冷量，减轻冷却水系统的散热负担，使得冷却水温的超标情况得以缓解。

“加班”的二次泵组： 某个商业综合体的中央空调系统带有多组二次泵分别服务办公楼和商场。没有加班申请时，办公楼的空调在下午6:00结束，对应的二次泵组关闭。而商场部分的二次泵组将持续运行到晚上营业时间结束。运行人员临时在控制系统上将商场晚间的供水温度下限设置在12℃。不多久发现已经关停的办公楼二次泵组又“加班”启动了。数据分析发现，当时冷冻水供水温度低于新设的供水温度下限，计算机为了修正这一问题，打开办公楼的二次泵组，试图用温度较高的办公楼回水和温度较低的供水混合满足商场对冷冻水温的需求。

利用时间轴：即使是在炎热的夏季，不少酒店在晚间的空调制冷需求远低于白天，运行人员会保持一台冷机运行。然而随着负荷降低，多数冷机的效率会降低(负荷过低时还会引起部分离心式冷机喘振)，由于冷机运行时冷却水和冷冻水系统要保持运行，系统效率也随之下降。针对这个问题，在优化搜索过程中引入这样的假设：前一时段的制冷量超过建筑物的制冷需求后，多余的部分能够大部分地保留在建筑物和水系统中供下一时段使用。在“考虑”了冷冻水温全程不超标、冷机和水泵等设备的启停间隔满足安全要求等约束条件后，计算机能够在低负荷时段自动采用间歇方式运行冷机。在制冷总量不变的情况下，这种方式缩短了冷机低负荷运行的时长，减少了冷却水系统低效甚至空跑的时长（在冷机停机后，计算机会完全关闭冷却水系统），采用了短时间高效率的方式而不是长时间低效率的方式满足空调需求。在部分酒店中这种运行方式在夜间（晚11:00到次日早晨6:00）能够减少冷机运行时间一半以上并为冷冻站减少40%的能耗。

利用电价和天气：某个5000m2的办公楼早晨8点开门，早班运行人员通常在7点到大楼后开启楼顶的风冷热泵进行预冷。人工智能系统投用后的第一个早晨，运行人员发现7点过了楼顶的风冷热泵都还停着就准备手动干预。后来发现楼内温度确实不高而风冷热泵6点前就开过了。进一步调查发现人工智能系统实际上利用了6点前的谷时电价、早晨较凉爽的天气、大楼的保温能力以更低的代价（在6:00～9:00间降低了约10%的电耗费用）完成了预冷让运行人员“虚惊一场”。

3 空调负荷预测

3.1 负荷数据缺失造成的影响

中央空调的负荷随着季节、天气、时间、人员等因素的变化而动态变化[4][7]。采用优化搜索手段实现空调冷热源经济自主运行需要获得当前和未来一段时间内的负荷数据。传统计算方法从总管的温差和压差以及流量判断空调的负荷需求。这些方法与建筑物真实的负荷需求间没有量化的联系，与末端用户的感受也没有必然联系，也不能给出负荷在未来的变化趋势。下面这个极端例子说明温差法计算负荷对供应侧造成的误导：假设中央空调处在制冷状态，冷冻水供水温度为7℃，室内温度降到了20℃以下，由于管路的冷量散失以及末端设备的控制问题回水温度还可能在10℃左右，3℃的供回水温差意味着大楼仍然有制冷要求，而实际上此时的大楼已经过冷了，暂时无需再提供制冷量了。同样，采用压差法计算负荷时负荷不足和负荷过大在空间上不同的分布会产生同样的总管压差，从而误导供应侧。

一些改进做法会参考末端空调设备的控制参数(例如空调冷冻水阀门的开度)或者冷机的负载百分比等。这类做法容易受到设备人为开关机、人为设定值（用户实际上很难分辨23℃和24℃时体感的差别，大部分温控器要么设在最小值要么设在最大值上）、设备故障、以及设备自身控制策略的影响，也不能给出量化的估算和对未来的预测。

没有负荷数据会导致冷热源系统或多或少处于“盲控”状态，无可避免地造成空调“过供应”，造成能源浪费。优化搜索算法也无法建立可量化的优化目标，无法经济并“从容”地预先安排好设备运行应对负荷未来的变化。

3.2 利用更多数据预测空调负荷

舒适性空调系统服务的是建筑物中的人，而不是空调循环水的温度或某个空调设备。楼宇自动化系统能够提供大量的与舒适度直接关联的数据（最常见的包括室内温湿度数据、二氧化碳浓度等），但是依靠人工或者简单计算方法从大量动态的含有各种噪声的数据里提取有价值的信息不现实。由于缺乏有效处理手段这些数据过去是被白白扔掉的(多数楼控系统甚至不保存这些数据)。利用机器学习方法可以“不知疲倦”“不厌其烦”地部分解决这个问题[6]。

为了减少不确定因素(例如未来的天气变化)对负荷预测造成的影响，利用机器学习方法分别获得负荷的短期预测（针对未来半小时）和长期预测（针对未来24h），结合两者获得对于当前足够准确又能反映未来变化趋势的负荷预测曲线。对于短期负荷预测，首先采用统计回归方法[8]建立建筑物的热响应模型f—它描述某个时段内各种影响因子（比如天气、时间段、制冷/热量）与该时段内室内平均温度变化间的统计关系。根据该模型求取逆函数f-1，该函数描述了在当前影响因子（比如天气、时间段）情况下给定时间段内要求室内温度变化给定的幅度需要多少制冷/热量。有了逆函数f-1，可以直接利用建筑物室内平均温湿度数据、相关影响因子、以及期望的室内温度，计算出未来一个时间段内的总负荷需求作为短期负荷预测。对于长期负荷预测，首先采用时序数据聚类的方法从历史数据中获得负荷变化的几种典型模式，然后从典型模式中获得与当前天气、节假日等条件最接近的24h负荷变化模式作为远期负荷预测。相对于长期预测，短期预测可以利用更多的已知条件（例如当前时间点供回水温度，当前室外温湿度等）获得更准确的估计，而长期预测可以在大的时间跨度上反映负荷的变化趋势或模式。通过加权平均的方法将两部分结合成最终的负荷预测曲线。

采用前述方法预测某医院（含住院部）在夏秋过渡季节从凌晨开始未来24h的制冷负荷变化，参见上图。7点以前空调负荷维持在全天最低的水平上。这是因为医院出于节能考虑放宽了晚上11点到次日上午7点对室内温度和冷冻水供水温度的要求。高负荷时段出现在下午4点到晚上9点间，这可能是该时段内病人和家属的活动程度高于其它时段造成的。

图2 某医院24h制冷负荷预测

3.3 减少空调过度供应

用机器学习方法获得的量化预报数据为人工智能方法解决群控问题提供了重要的输入，使得计算机知道现在和未来需要多少冷/热量、给定供冷/热量时建筑物的温度变化趋势等。在此基础上给出最经济的运行方案。

为了测试负荷预测手段的节能效果，挑选了华东地区一栋6万㎡的写字楼进行试验。该写字楼安装了比较完备的楼宇控制系统可以获得室内温度并对冷冻机房进行远程控制。由于建造年代较早，冷冻机房没有采用任何变频设备，冷机的供水温度也不能调节。大楼的物业部门要求夏季室内温度不高于24.5℃。冷冻机房原先的控制策略是维持冷冻水供水温度在9℃以下，温度超限后就加开冷机。为了对大楼负荷进行预测同时监测试验期间空调的运行水平，采集了楼内20个不同位置的室内温度，将它们的平均值作为大楼的平均室内温度。试验结果表明，在没有变频设备并且只允许设备启停的情况下，依靠负荷预测和优化搜索算法的自动控制可以降低大楼的制冷能耗13%(由于两种手段互相紧密依赖，无法确定它们各自的贡献)。节能量的一个重要来源是减少了制冷系统的过度制冷。原先维持水温，而不关心末端温度的运行方式会导致大楼的平均室内温度从中午开始逐渐降低，到下班时段时已经低于23.5℃，全天有一半的时间低于24℃。自动控制时由于直接根据负荷预测数据调整了制冷量，大楼的平均温度在24℃～24.5℃波动，减少了不必要的制冷量从而降低了冷冻机房的能耗。

图3 负荷预测手段防止空调系统过度供冷

4 结语

人工智能方法利用了计算机“不辞辛劳”地从大量动态的含有各种噪声的数据里提取有价值的信息，在成千上万种可能的控制方案中搜索最安全和经济的控制路径。已在数十栋不同用途和规模的建筑中获得了应用。一些显著的优势在于：

1)不需要人工设计控制策略，减少了软件编程工作量，降低了对高水平技术人员的依赖。目前群控设计中强调的控制“逻辑”和“策略”，实际上是技术能力受限情况下的无奈妥协。实际上为了实现群控目标，存在成千上万种可能的“逻辑”和“策略”，看上去总是“不错”的少数几种未必能“包打天下”，使用人工智能的规划能力可以根据应用场景搜索出当前最适用的“逻辑”和“策略”。

2)容错能力提高。现场出现的故障五花八门，常规群控系统中人工设计的故障预案通常只能应对极少数的几种（多为单点故障），一旦出现预案之外的故障（通常是多点故障），常规群控系统往往会“不知所措”。若人工巡检不能及时发现异常情况并作出正确处理，就可能会威胁空调系统的正常运行。而依靠人工智能的规划能力，计算机能够搜索出一条经济可行的控制路径规避当前有问题的设备，调动一切可用资源，继续保障空调系统的运行。

3)便于维护。常规群控系统依赖人类工程师编写控制逻辑和策略，当使用要求发生改变或者现场进行了改造（比如增加了台冷机），用户需要求助原来的工程师对群控系统中的控制逻辑和策略进行修改。然而，由于大楼的使用年限长，无法保证原来的工程师随时候命，而现场条件又往往造成新接手的工程师无从下手。在采用人工智能的群控系统中由于不依赖人工工程师，而且计算机24h待命，用户将修改要求输入计算机，人工智能引擎修改规划问题的目标和约束条件，采用规划技术求解，能够在极短时间里满足修改要求。

4)降低能耗。人工智能手段利用楼宇自动化系统提供的数据预测空调负荷在未来的变化情况，并从各种可能的控制路径中挑选满足该负荷曲线而且费用最低的控制方案。在实现自动控制的同时“天然”地带有节能功能。

当然人工智能应用到群控中也带来一些问题：

1)与人工操作的部分观念存在冲突。人工智能能够“眼观四路耳听八方”基于各种现实数据采用搜索方法从大量备选方案中挑选最佳控制路径，而人工操作往往基于口口相传的经验乃至行政指令。这会导致部分用户不能在第一时间理解人工智能系统的部分控制行为，从而对控制系统的可靠性产生怀疑。

2)设备的启停次数高于手动。传统的以人工为主的控制方式下设备的启停操作多数是运行人员在现场按照较为固定的时间表或判别条件进行的，启停次数较少（有些工厂只在季节变换时加减冷机）。而计算机认为只要不违反预先设定的安全规则，怎么经济咋么来。运行人员通常认为这种“频繁”程度会缩短设备寿命（但是目前设备厂商无法提供此类数据）。

现代化大楼普遍安装有大量传感器、执行机构、和控制器。它们为人工智能应用提供了现成的舞台。楼控系统面对的控制任务需求多样、容易受环境影响，在配置、维护方面的工作量缺口巨大。借助于人工智能技术可以获得大楼的使用特点和模式，最大化利用现有资源，有助于实现楼控系统自动配置、优化运行、容错控制、相互协调等功能，让楼宇自动化系统真正自动起来。