摘要：为了有效结合智能建筑技术，优化暖通空调控制系统方法，提升空调系统运行管理效率，降低能耗和管理成本，从而达到节能、降费的目标。基于此，本文首先阐述了人工智能技术的相关定义，然后探讨了人工智能在负荷预测中的研究与应用，希望通过本文研究，能够为相关人士提供参考与借鉴。

关键词：人工智能;暖通空调;应用

引言

随着“人工智能”技术的日趋成熟，为智能建筑提供了越来越多技术支撑，不断丰富和完善暖通空调控制系统。同时，智能建筑对暖通空调形式的选择越来越多样化，同一建筑应用多个独立空调系统或将成为常态。因此，研究智能建筑暖通空调控制系统，是当前建筑行业的研究热点，通过对暖通空调控制系统的设计优化和管理提升，才能够满足智能建筑的发展需求，确保人们舒适的基础上，来减少建筑能源消耗，节约运行管理成本。

1.人工智能技术的定义

人工智能是计算机科学的一个分支，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。当前，人工智能对商业、政府和社会产生了深远的影响，它还影响着全球可持续性的大趋势EdOswald将人工智能分为了三个阶段：第一个阶段是弱人工智能。第二个阶段是强人工智能。第三个阶段是超越人类的智能，能够独立思考，达到意识和操作没有任何人类的介入。随着时间的推移，人工智能的定义发生了很大的变化，但其核心是创造出像人类一样能思考的机器，甚至超越人类。暖通作为建筑领域的重要分支其运行能耗占据建筑总能耗的一半以上，而人工智能的运用能为暖通空调的节能减排提供很大的帮助。研究者们把人工智能技术与暖通领域知识相结合，使得人工智能技术在建筑行业中取得了非常广泛的应用。已有许多专家系统、决策支持系统应用取得了很好的经济效益和社会效益。本文将分别阐述近几年负荷预测，系统控制，故障诊断和智能建筑在暖通空调中如何与人工智能有效结合，

2.人工智能在负荷预测中的研究与应用

2.1单一模型在负荷预测中的应用

在现有的负荷预测研究中，神经网络应用极其广泛，尤其是人工神经网络，它对非线性系统的预测能力显示出了强有力的应用前景。运用人工神经网络模型预测地源热泵空调系统的负荷数据，对未来24h的负荷能得到精确的预测，预测误差在5.2%左右。往细分的话，人工神经网络中，应用最广泛的又是BP神经网络，它能学习储存大量的输入、输出模式映射关系，而无需事先揭示描述这种映射关系的数学方程。有研究者对家用空调的性能和能耗进行预测，建立BP神经网络模型，实验证明该模型的确能作为空调运行负荷预测的有效模型，因其预测误差控制在了3%～4%之间。

2.2混合模型在负荷预测中的应用

虽然单独的预测模型已足够运用到实际生活中，但研究发现通过不同的组合方式将定性和定量两种不同方式的预测方法结合在一起能更准确地对负荷数据进行预测。基于权重的组合预测就是其中一种，它是灰色系统与BP神经网络结合的预测模型。而基于层次的组合预测则是时间序列法和BP神经网络的结合。这类的组合方式会发挥出单个预测方法体现不了的优势，预测精度更高。此外经过遗传算法优化后的BP神经网络，避免了神经网络收敛速度较慢且易陷于局部极小点的不足。同样地，改进后的循环神经网络LSTM（长短期记忆神经网络），它能同时兼顾时序性和非线性的关系，但是它只与两种传统模型对比准确性。而基于径向基函数的神经网络对比了多种不同模型，模型相对简单、计算量小、也保证了一定热舒适性。除了最广泛应用的神经网络复合模型以外，也有人提出将三种人工智能方法结合的模型，如小波变换、偏最小二乘回归和支持向量机混合模型，分时段的对提前24h内的负荷进行预测，与单个的模型比起来确实更具有优越性。虽然如此，该方法只在办公建筑适用，若要广泛应用到各类建筑，还需要调整其输入变量，适用性并不广泛。

2.3供暖系统

供暖系统的优化运行是需要选择一个好的优化控制策略和方法的，模型预测控制（MPC）现作为一种先进的控制技术，研究发现它在建筑供暖系统的天气预报中的节能潜力在15%～28%之间，且Esmaee和 Khanmirza等人对比采用遗传算法优化的PID控制器和采用模型预测控制方法，两种方法均在供暖系统的控制优化具有很强的能力，节约成本50%以上，但MPC方法在成本一致情况下，调节温度的速度更快，误差更小。还有研究者对采用随机神经网络控制器、人工神经网络控制器和模型预测控制这三种控制方法进行对比，结果表明还是采用MPC方法供暖系统性能较好，随机神经网络也不错，而人工神经网络控制其次。同样是模型预测控制，MuhammadAftab等人将MPC算法实现在一个真实的实验平台上，开发了一个综合解决方案，集成了占用识别、占用预测和模拟引导的MPC，从而证明了使用低成本嵌入式系统进行自动暖通空调控制的可行性。

2.4制冷系统

与供暖系统一样，制冷系统的控制大多数都采用先进的模型预测控制。Seyed 、Ehsan、Shafiei提出的直接控制大型制冷系统电能消耗的模型预测控制。还有针对三速连续变化压缩机汽车制冷系统提出的鲁棒模型预测控制器。还有将混合逻辑动力学框架与模型预测控制结合的方法。以上方法都将制冷系统的效率提高了20%～30%左右，而且也减少了各部件磨损。因为模型预测控制它能适应制冷系统的多变量特性，能够显式地处理约束，而且最重要的是能够进行系统的控制器设计，所以该方法的优势和潜力很大。

2.5通风系统

目前，大多数通风系统都存在不完善、能耗高和管理难等问题，所以保障室内空气品质，降低建筑能耗、实现运行管理的智能化是改善通风系统的目标。大量文献表明，通风系统的优化控制大半以上都是通过预测控制来达到节能的目的。Diana、Man、jarres等人构建一个由双向通信系统、增强型数据库管理系统和基于随机森林回归技术组成的框架，主要运用预测控制实现了最佳的机械通风调度操作。

3.结语

总而言之，通过对智能建筑的分析能够看出，必须要能够以节能为其基础，明确智能建筑暖通空调系统管理和优化措施方案，最终才能够减少智能建筑的能源消耗。

参考文献：

[1]贝正其，孙国丰，郑益锋，谢晓飞.大型商业综合体暖通空调节能设计探讨[J].中国建筑装饰装修，2022（05）：72-74.

[2]吴晓，王汉青.人工智能在暖通空调中的最新应用与展望[J].建筑热能通风空调，2022，41（02）：50-55.

[3]李小会.夏热冬暖地区暖通空调节能优化设计分析[J].低碳世界，2021，11（07）：116-117.DOI：10.

[4]王敏俊，施红，居鹏飞.人工智能时代暖通空调专业研究生培养新挑战[J].人才资源开发，2021（02）：65-66.DOI：10.

[5]杨柏辉.智能建筑暖通空调控制系统的优化策略[J].新型工业化，2020，10（09）：107-108.DOI：10.