简介：本文介绍了香港岭南大学开发的DEMMFL模型，该模型利用AI技术精准预测建筑冷负荷，助力绿色制冷与节能减排。通过实例与图表，本文展示了DEMMFL模型的实际应用效果，为建筑能耗管理提供了新思路。
随着城市化进程的加速，建筑能耗问题日益凸显，尤其是暖通空调（HVAC）系统的能耗占据了建筑物能源消耗的大头。据统计，供暖、通风和空调（HVAC）占全球建筑物能源消耗的38%，成为节能减排的重要靶点。在这一背景下，香港岭南大学的研究团队提出了一种创新的解决方案——动态工程化多模态特征学习（DEMMFL）模型，用于长期准确预测建筑冷负荷，为绿色制冷和节能减排提供了强有力的技术支持。
DEMMFL模型是一种基于人工智能技术的预测模型，旨在通过深入分析建筑能耗数据，实现对建筑冷负荷的精准预测。该模型利用过去输入数据的卷积构建，无需自回归输出项，从而提高了预测的准确性和效率。为了实现长期预测的准确性，DEMMFL模型采用了正则化的统计学习方法，通过Lasso、ridge以及Lasso-ridge回归等技术，实现了预测的最佳方差和偏差权衡。
为了验证DEMMFL模型的有效性，研究团队在香港两座办公大楼（South_Tower和North_Tower）上进行了实验。他们建立了一个详细的数据集，涵盖了2020年4月1日至2021年9月30日的时间范围，每15分钟采集一次数据，确保了对建筑能耗动态的细致捕捉。在实验过程中，研究团队将收集到的数据特征输入DEMMFL模型和多种深度学习模型（如LSTM、GRU、AutoGluon等），通过对比不同模型的预测结果来评估DEMMFL模型的性能。
实验结果显示，DEMMFL模型在预测建筑冷负荷方面表现出色。具体而言，Lasso-ridge方法在除非运营时段外的所有模式中均优于其他三种技术，并且在测试集上的整体性能比排名第二的方法提高了4.2%。这一结果表明，DEMMFL模型在预测精度和变量选择上均具有显著优势。
此外，研究团队还发现，室外气温（OAT）在冷负荷预测中起着主导作用。通过对不同建筑冷负荷对OAT敏感性的评估，他们发现南塔由于其较大的规模，其冷负荷对OAT的变化更为敏感。这一发现为进一步优化建筑能耗管理提供了重要参考。
DEMMFL模型的成功应用为建筑能耗管理带来了新的机遇。通过精准预测建筑冷负荷，可以实现对暖通空调系统的智能控制，避免不必要的设备启停和能耗浪费。这不仅有助于降低建筑物的运营成本，还能显著减少碳排放量，促进绿色可持续发展。
展望未来，随着AI技术的不断发展，我们有理由相信DEMMFL模型将在更多领域得到广泛应用。同时，研究人员也将继续优化模型算法和数据处理方法，提高预测的准确性和效率。此外，结合物联网、大数据等先进技术，将能构建更加智能化、集成化的建筑能耗管理系统，为实现全球碳中和目标贡献力量。
香港岭南大学开发的DEMMFL模型为建筑冷负荷预测提供了一种创新的技术解决方案。通过精准预测和智能控制，该模型有望在节能减排领域发挥重要作用。我们相信，在AI技术的驱动下，绿色制冷和节能减排将迎来更加美好的未来。