香港高楼林立，能源消耗庞大；其中供冷系统的用电量更占楼宇总耗电量的一半以上。香港理工大学建造及环境学院副院长、建筑环境及能源工程学系教授肖赋教授研发的获奖人工智能系统，有效降低日常能源消耗高达40%，推动更绿化、更节能的未来发展。
随着各城市积极迈向碳中和，将人工智能（AI）整合至楼宇管理系统，逐步成为关键的变革技术。人工智能能处理庞大数据，预测未来冷负载需求和建筑能源系统效能，并据此作出即时最佳化决策，为更智能、更环保、更具成本效益的供冷方案提供可行途径。
由肖教授及其研究团队开发的「人工智能驱动的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」荣获金奖。相关创新已在多个大型建筑中展现显着节能成效果，并提升整体运行效率。
肖教授的研究题为「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」已发表于期刊《能源与建筑》（Energy and Buildings）期刊。该研究旨在解决传统供冷系统控制方法的局限：通常依赖固定规则或单一时域的预测，难以应对建筑冷冻需求的复杂性和动态变化，因而可能导致不必要的能耗与系统效能欠佳。为此，肖教授提出的创新人工智能系统引入「双时域负载预测」策略，整合日前和小时前的预测数据，以优化配备多台冷水机组的中央冷冻系统运作。并透过结合整合学习和自动化机器学习 (AutoML)，系统得以生成高精度的冷却负载机率预测，从而提升控制决策的稳健性与适应性。
有别于仅依赖单周期预测或固定控制规则的传统系统，此人工智能方案采用分层控制架构：首先以前一日预测为基础，综合天气预报、使用情况和历史资料，制定整个供冷系统中，各冷水机组运行排序和早晨启动时间。其后透过小时前预测，结合即时数据和更新天气预报，微调各冷水机组的启动和停止时间，并调整冷冻水温度。这种双层预测方法可同时掌握长期趋势与短期波动，使系统运行更稳定且更高效。
在机电工程署支持下，该系统已在香港一栋高层政府办公大楼落地应用。该楼宇的制冷系统由多台冷水机组组成，分别服务高、低两个区域，并配备复杂的泵浦和热交换器网络。
此人工智能控制策略透过云端平台部署，并以 BACnet 通讯协定（广泛应用的楼宇自动化标准）与既有楼宇管理系统介接。此架构可实现无缝数据采集、即时监测和人工智能驱动的最佳化控制，同时维持与现有楼宇管理系统基础设施的相容性。 楼宇管理系统数据运作，以每 15 分钟为间隔收集，并系统化储存，便于后续存取和分析。
本系统的另一项关键创新，在于运用整合学习和 自动化机器学习(AutoML)建立稳健的预测模型。多个数据驱动模型会独立训练，各自捕捉建筑热性能和运行模式的不同方面。透过整合这些模型，人工智能得以提高预测精度，并评估不确定性，从而作出更明智、更灵活的最佳化决策。
研究团队于过渡季节和初夏期间，进行为期六周的现场测试，严格验证该人工智能控制策略的效能。结果显示，系统平均节能达18.4%，优于传统规则式控制；每日节能幅度在1.1%至近40%之间。在典型的测试日中，冰水机组能耗最高可降低21%，性能系数（COP）最高提升47%。这些改善均在不影响热舒适性的前提下实现，因为系统可因应即时冷却需求进行动态调整。
对测试数据的深入分析显示，本系统具备多项关键优势。首先，人工智能系统可准确预测何时需要额外冷冻能力，从而减少不必要的冷水机组切换，避免因频繁启停造成的能源浪费。其次，系统可根据负载预测结果，最佳化冷冻水供应温度设定，进一步提升冷水机组的运行效率。在理想条件下，冷冻水供应温度每提高1°C，冷水机组能耗约可降低3%，而整体冷冻机组系统能耗约可降低1%。
本研究其中一项最重要的成果，是证明人工智能可在既有建筑中实际落地，并具备可扩展性。基于云端的实施方案，仅需对楼宇管理系统进行少量调整，便可迅速部署到其他拥有相似基础设施的场所。这种快速部署能力，对加速建筑业导入人工智能能源管理的应用至关重要。
除已在政府办公大楼落地应用外，这项人工智能技术亦成功应用于其他大型冷冻系统。以理大「碳中和科研基金」支持的近期一个项目为例，人工智能技术已被应用于理大的冷水机组系统。相关研究题为「基于机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」已发表于期刊《应用能源》（Applied Energy）。研究结果显示，该系统使冷水机组的日均切换次数降低56.5%，日均节能约3,945千瓦时，并将冷水机组的性能系数提升4.2%。这些结果进一步验证了此方法的稳健性和普适性，并突显其在各类建筑中大规模应用的潜力。
资料来源: Innovation Digest
