理大AI系统破局：供冷节能最高四成

香港楼宇密集，能耗巨大；其中供冷系统耗电更超楼宇总用电量半数。香港理工大学建造及环境学院副院长兼建筑环境及能源工程学系教授肖赋，研发出获奖人工智能系统，成功削减日常能耗高达四成，助力迈向更绿色、节能的未来。

伴随各城市加速迈向碳中和，将人工智能（AI）融入楼宇管理系统，正成为关键变革力量。AI能处理海量数据，预测未来冷负荷需求及建筑能源效能，据此做出即时最优决策，为更智能、环保且具成本效益的供冷方案提供可行路径。

由肖教授及其团队打造的「人工智能驱动数位孪生平台管理智慧能源」，于2025年瑞士日内瓦「国际发明展」斩获金奖。相关创新已在多座大型建筑中显现显著节能成效，并提升整体运营效率。

肖教授的研究课题「基于双时域负载预测的大型建筑供冷系统人工智能最佳化控制策略及其云端实现」已刊载于《能源与建筑》期刊。该研究旨在突破传统供冷控制局限：传统方法常依赖固定规则或单一时域预测，难以应对建筑冷需的复杂动态变化，易导致能耗浪费与效能低下。为此，肖教授提出的创新AI系统引入「双时域负载预测」策略，整合日前与小时前预测数据，优化多台冷水机组的中央冷冻系统运作。结合集成学习与自动化机器学习 (AutoML)，系统能生成高精度冷却负载概率预测，从而增强控制决策的稳健性与适应性。

不同于仅依赖单周期预测或固定规则的传统系统，此AI方案采用分层控制架构：首先基于前一日预测，综合天气预报、使用情况及历史数据，制定全系统冷水机组运行排序及晨间启动时间。随后透过小时前预测，结合实时数据与更新后的天气信息，微调各机组启停时间及冷冻水温度。这种双层预测法能同时把握长期趋势与短期波动，令系统运行更稳更高效。

在机电工程署支持下，该系统已落地香港一栋高层政府办公大楼。该楼宇制冷系统由多台冷水机组构成，分别服务高低两个区域，并配备复杂的泵浦与热交换器网络。

此AI控制策略透过云端平台部署，并以广泛应用的楼宇自动化标准BACnet通讯协定与既有系统介接。该架构可实现无缝数据采集、实时监测及AI驱动的优化控制，同时保持与现有基础设施的兼容性。楼宇管理系统数据每15分钟采集一次，并系统化存储，便于后续存取分析。

本系统另一关键创新，在于运用集成学习和自动化机器学习(AutoML)构建稳健预测模型。多个数据驱动模型独立训练，分别捕捉建筑热性能与运行模式的不同侧面。通过集成这些模型，AI得以提升预测精度并评估不确定性，从而做出更明智、灵活的优化决策。

研究团队于过渡季及初夏期间，进行了为期六周的现场测试，严格验证该AI控制策略效能。结果显示，系统平均节能达18.4%，优于传统规则控制；每日节能幅度介于1.1%至近40%。在典型测试日中，冰水机组能耗最高可降21%，性能系数（COP）最高提升47%。这些改善均在不影响热舒适度的前提下实现，因系统能依据实时冷需动态调整。

对测试数据的深入分析显示，本系统具备多项核心优势。首先，AI系统能精准预测何时需额外冷量，减少不必要的冷水机组切换，避免频繁启停造成的能源浪费。其次，系统可根据负载预测结果，优化冷冻水供应温度设定，进一步提升机组运行效率。在理想条件下，冷冻水供应温度每提升1°C，冷水机组能耗约降3%，整体冷冻机组系统能耗约降1%。

本研究另一重要成果，是证实AI可在既有建筑中实际落地并具可扩展性。基于云端的实施方案，仅需对楼宇管理系统做少量调整，即可迅速部署至其他拥有相似设施的场所。这种快速部署能力，对加速建筑业引入AI能源管理应用至关重要。

除已应用于政府办公大楼外，这项AI技术亦成功落地其他大型冷冻系统。以理大「碳中和科研基金」支持的近期项目为例，AI技术已应用于理大冷水机组系统。相关研究「基于概率性冷气负荷预测的稳健冷水机组排序策略及其实际应用」已发表于《应用能源》期刊。结果显示，该系统使冷水机组日均切换次数降低56.5%，日均节能约3,945千瓦时，并将机组性能系数提升4.2%。这些结果进一步验证了该方法的稳健性与普适性，突显其在各类建筑中大规模应用的潜力。