香港高樓林立，能源消耗龐大；其中供冷系統的用電量更佔樓宇總耗電量的一半以上。香港理工大學建造及環境學院副院長、建築環境及能源工程學系教授肖賦教授研發的獲獎人工智能系統，有效降低日常能源消耗高達40%，推動更綠化、更節能的未來發展。
隨著各城市積極邁向碳中和，將人工智能（AI）整合至樓宇管理系統，逐步成為關鍵的變革技術。人工智能能處理龐大數據，預測未來冷負載需求和建築能源系統效能，並據此作出即時最佳化決策，為更智能、更環保、更具成本效益的供冷方案提供可行途徑。
由肖教授及其研究團隊開發的「人工智能驅動的數位孿生平台管理智慧能源」，於2025年瑞士日內瓦「國際發明展」榮獲金獎。相關創新已在多個大型建築中展現顯著節能成效果，並提升整體運行效率。
肖教授的研究題為「基於雙時域負載預測的大型建築供冷系統人工智能最佳化控制策略及其雲端實現」已發表於期刊《能源與建築》（Energy and Buildings）期刊。該研究旨在解決傳統供冷系統控制方法的局限：通常依賴固定規則或單一時域的預測，難以應對建築冷凍需求的複雜性和動態變化，因而可能導致不必要的能耗與系統效能欠佳。為此，肖教授提出的創新人工智能系統引入「雙時域負載預測」策略，整合日前和小時前的預測數據，以優化配備多台冷水機組的中央冷凍系統運作。並透過結合整合學習和自動化機器學習 (AutoML)，系統得以生成高精度的冷卻負載機率預測，從而提升控制決策的穩健性與適應性。
有別於僅依賴單週期預測或固定控制規則的傳統系統，此人工智能方案採用分層控制架構：首先以前一日預測為基礎，綜合天氣預報、使用情況和歷史資料，制定整個供冷系統中，各冷水機組運行排序和早晨啟動時間。其後透過小時前預測，結合即時數據和更新天氣預報，微調各冷水機組的啟動和停止時間，並調整冷凍水溫度。這種雙層預測方法可同時掌握長期趨勢與短期波動，使系統運行更穩定且更高效。
在機電工程署支持下，該系統已在香港一棟高層政府辦公大樓落地應用。該樓宇的製冷系統由多台冷水機組組成，分別服務高、低兩個區域，並配備複雜的泵浦和熱交換器網絡。
此人工智能控制策略透過雲端平台部署，並以 BACnet 通訊協定（廣泛應用的樓宇自動化標準）與既有樓宇管理系統介接。此架構可實現無縫數據採集、即時監測和人工智能驅動的最佳化控制，同時維持與現有樓宇管理系統基礎設施的相容性。 樓宇管理系統數據運作，以每 15 分鐘為間隔收集，並系統化儲存，便於後續存取和分析。
本系統的另一項關鍵創新，在於運用整合學習和 自動化機器學習(AutoML)建立穩健的預測模型。多個數據驅動模型會獨立訓練，各自捕捉建築熱性能和運行模式的不同方面。透過整合這些模型，人工智能得以提高預測精度，並評估不確定性，從而作出更明智、更靈活的最佳化決策。
研究團隊於過渡季節和初夏期間，進行為期六週的現場測試，嚴格驗證該人工智能控制策略的效能。結果顯示，系統平均節能達18.4%，優於傳統規則式控制；每日節能幅度在1.1%至近40%之間。在典型的測試日中，冰水機組能耗最高可降低21%，性能係數（COP）最高提升47%。這些改善均在不影響熱舒適性的前提下實現，因為系統可因應即時冷卻需求進行動態調整。
對測試數據的深入分析顯示，本系統具備多項關鍵優勢。首先，人工智能系統可準確預測何時需要額外冷凍能力，從而減少不必要的冷水機組切換，避免因頻繁啟停造成的能源浪費。其次，系統可根據負載預測結果，最佳化冷凍水供應溫度設定，進一步提升冷水機組的運行效率。在理想條件下，冷凍水供應溫度每提高1°C，冷水機組能耗約可降低3%，而整體冷凍機組系統能耗約可降低1%。
本研究其中一項最重要的成果，是證明人工智能可在既有建築中實際落地，並具備可擴展性。基於雲端的實施方案，僅需對樓宇管理系統進行少量調整，便可迅速部署到其他擁有相似基礎設施的場所。這種快速部署能力，對加速建築業導入人工智能能源管理的應用至關重要。
除已在政府辦公大樓落地應用外，這項人工智能技術亦成功應用於其他大型冷凍系統。以理大「碳中和科研基金」支持的近期一個項目為例，人工智能技術已被應用於理大的冷水機組系統。相關研究題為「基於機率性冷氣負荷預測的穩健冷水機組排序策略及其實際應用」已發表於期刊《應用能源》（Applied Energy）。研究結果顯示，該系統使冷水機組的日均切換次數降低56.5%，日均節能約3,945千瓦時，並將冷水機組的性能係數提升4.2%。這些結果進一步驗證了此方法的穩健性和普適性，並突顯其在各類建築中大規模應用的潛力。
資料來源: Innovation Digest
