AI技术在空调产品节能控制的研究与应用

制造业作为全球最大碳排放源（占全球总排放24%），其能效提升具有重大战略意义（IPCC2022）。我国工业领域能源强度约为世界平均水平的1.5倍，节能潜力巨大（工信部，2023）。传统节能技术已进入瓶颈期，单位产值能耗下降速率从“十三五”期间的年均5.1%降至当前的2.3%（国家统计局，2023）。随着全球对可持续发展的重视，制造业企业面临着巨大的节能减排压力。在此背景下，工业人工智能技术为突破能效天花板提供了新路径。

AI技术通过数据分析、机器学习和智能优化等手段，能够实现对电器产品运行过程的精细化管理和优化控制，从而降低其运行能耗，提高产品附加值。作为全球知名的电器制造企业，格力电器一直致力于技术创新和产品升级，以满足市场需求和提高企业竞争力，在AI动态节能技术方面进行了积极探索和实践，取得了显著成效。本文围绕AI技术在空调产品的应用现状，重点探讨格力电器在AI动态节能技术方面的应用，分析其技术原理、实施效果和未来发展趋势，为其他制造业企业产品智能化发展提供借鉴和参考。

智能化的基础是数据的标准化，AI技术的应用需要大量的基础数据支撑，以计算机语言0、1代码指令为例，电器产品运行过程中的各项参数也需要进行代码化来实现机器语言和电信号的转换，同样，企业运营的各项要素也可以通过代码化、标识化来实现基础数据的标准化，方便各项业务的数字化推进。

AI动态节能技术主要基于数据分析和智能优化算法，分为四层：数据采集、数据传输、数据分析、实时控制。通过在电器产品内部安装传感器，实时采集产品的运行数据，如温度、压力、流量等，然后，利用机器学习算法对采集到的数据进行分析和处理，通过大量的环境模拟与运行测试，建立电器产品的能耗模型，根据能耗模型，AI系统可以自动调整控制面板的输出参数，如转速、功率等，以实现节能降耗。同时，AI系统还可以根据生产负荷和环境条件，动态调整设备的运行模式，进一步提高节能效果。

以AI动态节能控制系统为技术应用核心，以电器产品具有代表性的空调产品为例，基于LSTM神经网络的能耗预测模型可将空调系统能耗降低15.6%，强化学习算法实现压缩机运行效率提升10.9%；通过构建“数据驱动+机理建模+自主优化”的技术框架，研究证实AI技术可通过动态优化控制、非线性系统建模和自适应学习等核心能力，推动制造业能效水平实现跃迁式提升。

AI动态节能技术的核心在于通过实时数据采集、智能分析和动态优化控制，实现能源的高效利用和节能降耗。其主要特点包括：

（1）多维感知与预测：通过在设备端部署温湿度、压力、流量等物联网传感器，结合建筑管理系统（BMS）中的人流计数、产能排程等数据，构建多维度实时数据库。利用长短期记忆网络（LSTM）等算法建立能耗预测模型，提前预判负荷波动趋势。

（2）动态优化控制：基于实时监测数据和预测结果，AI系统动态调整设备的运行参数，如转速、功率等，以实现节能降耗。例如，在暖通空调系统中，AI可根据室内外温差预测需求，优化启停时间与功率分配。

（3）自适应学习与持续优化：系统通过机器学习分析历史数据，自主优化运行策略，适应不同季节、天气、使用场景的差异。

图1 AI动态节能技术实现架构

LSTM（长短期记忆网络）算法作为AI动态节能技术的核心算法之一，其在节能预测中具有显著的优势。LSTM能够有效地学习和记忆长期依赖关系，即使这些关系跨越了较长的时滞，这一特性使得LSTM在处理时间序列数据时，能够更好地捕捉到历史数据中的趋势和模式，从而提高预测的准确性。例如，在某空调冷水机组能耗预测中，LSTM可以通过学习历史能耗数据中的长期趋势，准确预测未来的能耗。算法应用优势主要体现在以下几个方面：

（1）长期依赖关系学习能力

LSTM能够有效地学习和记忆长期依赖关系，即使这些关系跨越了较长的时滞。这一特性使得LSTM在处理时间序列数据时，能够更好地捕捉到空调设备运行历史数据中的趋势和模式，结合环境因素的变化，从而提高预测的准确性。

（2）缓解梯度消失和爆炸问题

LSTM的特殊单元结构（包括输入门、遗忘门和输出门）可以有效缓解梯度消失和爆炸问题。这使得LSTM在训练过程中能够保持稳定的梯度更新，从而提高模型的训练效果和预测精度。

（3）并行处理能力

LSTM可以并行处理时间序列数据，提高训练和预测效率。这种并行处理能力使得LSTM在处理大规模数据时具有更高的效率，特别是处理多联机和大机组复杂的运行数据，能够更快地完成模型训练和预测任务。

（4）高预测精度

LSTM在节能预测中的应用表明，其预测精度通常高于传统的预测模型，如反向传播神经网络（BPNN）和多元线性回归（MLR）。例如，在某空调冷水机组能耗预测中，LSTM模型的平均绝对误差（MAE）和均方根误差（RMSE）均低于BPNN和MLR模型，表明其预测精度更高。

（5）动态调整能力

LSTM能够根据实时数据动态调整预测策略，从而更好地应对复杂的能耗场景。例如，在5G基站流量预测中，通过优化LSTM的生成对抗网络（GAN），可以更精准地预测流量并实现节能控制。

图2 基于LSTM算法的AI动态节能控制

目前格力空调产品包括商用空调和家用空调两大类，部分产品已搭载格力最新自主研发的AI动态节能技术，其中商用空调代表性的有格力GMV9智岳多联机。

GMV9 为行业首款以实时能效寻优为控制目标的多联机，搭载基于实时能效的AI节能控制策略，实现在线能效寻优平均节电25%以上。运行范围更宽广，可实现-35—60℃大温差连续运行，46℃高温制冷能力不衰减，120m超高落差打破高层限制。该机组应用了全场景 AI 节能技术，搭载格力自研AI节能芯片，平均节能率达25%，且无惧极端气候，无论是南方夏季的极热还是北方冬季的极寒均适用，实现了全方位的节能效果。

格力的AI系统通过传感器实时采集设备运行数据，结合环境参数，动态调整设备运行策略。例如，在暖通空调系统中，AI可根据室内外温差预测需求，优化启停时间与功率分配。通过智能优化和动态调节，格力空调系统综合节能率达13%-25%。通过机器学习分析历史数据，自主优化运行策略，适应不同季节、天气、使用场景的差异。例如，系统可以根据历史数据自动调整运行策略，优化设备的运行效率。自适应学习和持续优化使格力空调系统的节能效果持续进化，进一步降低了能耗。AI 节能控制模型通常包括温度预测和策略生成两个主要模块，其中策略生成模块根据空调运行状态参数以及温湿度值，生成新的控制策略，策略生成模块又可以包括空调能力评估、空调效益评估、温度评估等。温度预测模块则根据入的控制策略以及温度数据，预测在新的控制策略下的温度变化。

AI 节能技术通过在机房内增加部署温度传感器和能耗电表，从而能够全面监测空调及周边环境的运行数据，经对空调参数、温度等历史数据进行算法训练构建温度预测模型，进而生成控制策略实现对机房空调运行状态和参数的实时控制，从而提升运行效能。AI 节能技术可以高效匹配运行环境所需冷量，减少空调压缩机运行时间，在保障环境温度安全基础上能够有效降低空调耗电量，适用于空调数量部署较多并且制冷量有一定冗余的大型通信机房和数据中心，其节电率与空调冗余制冷量的多少密切相关，空调制冷量的冗余度越大其节电率越高。

5.1

AI控制技术集成应用

（1）AI 空调群控系统采用一套独立于原温感系统之外的高密度感知网络，通过增加大量传感器，实现机房温度场的真实情况感知，可及时探测机房内部局部热点的所在位置，显著提高了整个节能系统控制策略的可靠性和及时性。

（2）基于设备状态心跳机制，建立边缘节能设备连接状态监测机制，并具有自保持功能。AI 群控服务器只通过远程通讯来进行实现控制调，在通讯异常的状况下，空调仍然可以切换到本地的控制逻辑运行。

（3）基于AI技术与控制系统的二次开发，对现有设备控制器连接智能化信号输出控制装置，再通过AI技术植入或外接控制系统实现信号的转换与输入，整个改造过程中无需更改机房原有基础设施，机房内精密空调机组均处于运行状态，不会出现多台精密空调机组同时停机的情况，确保对机房的动环影响降为最低。

（4）基于LSTM 对机房IT设备发热量构建预测模型，并由算法输出调试策略，获取各种工况对各温度传感器的影响因子，并不断调测，通过热平衡方程求解IT设备发热量与制冷量以及温度三者之间的关系，始终保持供冷量与机房的需冷量相一致，从而建立该机房精密空调 AI 运行模型。

5.2

AI节能技术发展方向

（1）技术融合与创新：未来，AI动态节能技术将与其他新兴技术如物联网、大数据、区块链等深度融合，形成更加智能化的节能解决方案。

（2）智能化与自动化：AI系统将能够自动学习和优化，实现对生产过程的自主管理和优化控制。

（3）可持续发展：AI动态节能技术将更加注重可持续发展，通过技术创新和管理优化，实现企业的可持续发展。

图3 AI技术发展"端-边-云"三级结构

AI动态节能技术通过多维感知、智能优化和自适应学习等核心能力，实现了能源的高效利用和节能降耗。格力电器在AI动态节能技术方面的应用实践表明，该技术不仅能够有效降低企业的运营成本，还能提升企业产品的市场竞争力，为制造业的可持续发展提供有力支持。随着技术的不断发展和创新，AI动态节能技术将在更多领域得到应用，为全球节能减排目标的实现做出重要贡献。

活动预告

⇩