近日，特斯聯(lián)發(fā)布全新極特·元啟AI能效尋優(yōu)模型，通過動態(tài)解析環(huán)境參數(shù)與設(shè)備狀態(tài)，在確保供冷供熱品質(zhì)的前提下，實(shí)時優(yōu)化風(fēng)機(jī)頻率、水泵頻率和出水溫度等，從而實(shí)現(xiàn)風(fēng)機(jī)冷機(jī)等設(shè)備的整體功率優(yōu)化。該模型廣泛適用于超算、智算中心、半導(dǎo)體先進(jìn)制造等高耗能場景，可降低制冷系統(tǒng)綜合能耗約30%，推動能源管理從“單點(diǎn)優(yōu)化”向“全域智能”升級。

特斯聯(lián)極特·元啟系列邊緣控制系統(tǒng)預(yù)裝元啟AI能效尋優(yōu)模型

作為特斯聯(lián)極特系列，空間智能管理應(yīng)用層的核心產(chǎn)品之一，元啟AI能效尋優(yōu)模型依托先進(jìn)的AI算法體系與機(jī)理融合建模，具備動態(tài)優(yōu)化、超參數(shù)調(diào)優(yōu)、大模型賦能等核心能力。

模型核心：以基于LSTM和改進(jìn)的iTransformer架構(gòu)的先進(jìn)預(yù)測模型為核心，結(jié)合多元學(xué)習(xí)技術(shù)和自適應(yīng)遷移策略，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動與自適應(yīng)調(diào)優(yōu)，同時利用時序分析庫進(jìn)行數(shù)據(jù)預(yù)處理，選擇合適算法，進(jìn)行異常值和缺失值處理、統(tǒng)計建模、自動化特征提取。模型通過分析濕球溫度、風(fēng)機(jī)頻率和冷機(jī)效率等核心參數(shù)，動態(tài)調(diào)整優(yōu)化策略，確保在不同工況下的高效運(yùn)行。此外，根據(jù)環(huán)境信息（如濕球溫度）和控制策略（如冷卻塔進(jìn)出水溫度、冷卻塔風(fēng)機(jī)頻率），訓(xùn)練推演模型，預(yù)測在不同設(shè)定下制冷系統(tǒng)總功率。

動態(tài)優(yōu)化：通過分析濕球溫度與散熱量的動態(tài)關(guān)系，利用滑動窗口技術(shù)提取功率數(shù)據(jù)的統(tǒng)計特征，捕捉短期波動和長期趨勢，實(shí)時調(diào)整風(fēng)機(jī)頻率以實(shí)現(xiàn)最小總功率運(yùn)行。模型能夠根據(jù)實(shí)時數(shù)據(jù)快速響應(yīng)，確保供冷、供熱品質(zhì)穩(wěn)定。

超參數(shù)調(diào)優(yōu)：利用基于多智能體深度強(qiáng)化學(xué)習(xí)的優(yōu)化算法替代傳統(tǒng)網(wǎng)格搜索，將超參數(shù)調(diào)優(yōu)周期縮短70%以上，并支持在線學(xué)習(xí)機(jī)制持續(xù)更新模型權(quán)重。通過實(shí)時反饋和調(diào)整，模型能夠適應(yīng)復(fù)雜的工況變化，保持高精度預(yù)測。

機(jī)理融合：基于傳熱方程建立冷卻塔動態(tài)模型，實(shí)時修正傳熱系數(shù)，采用基于TACTiS-2的時序預(yù)測模型，增強(qiáng)對冷卻系統(tǒng)長周期運(yùn)行數(shù)據(jù)的建模能力。預(yù)測模型通過引入冷卻塔風(fēng)機(jī)能耗與冷機(jī)能耗的物理約束確保預(yù)測結(jié)果的物理一致性，提高系統(tǒng)的可靠性和穩(wěn)定性。

冷機(jī)建模：融合生成式大模型框架，將物理約束（如濕球最低溫度、冷凍冷卻水溫等）嵌入數(shù)據(jù)驅(qū)動模型，確保在稀疏數(shù)據(jù)場景下的高準(zhǔn)確性。模型能夠精準(zhǔn)刻畫冷機(jī)效率特性曲線，提高冷機(jī)運(yùn)行效率。

大模型賦能：利用物理驅(qū)動機(jī)器學(xué)習(xí)（PIML）技術(shù)，通過在模型訓(xùn)練中引入物理原理，提高模型的泛化能力，降低對大規(guī)模、高質(zhì)量數(shù)據(jù)的依賴，并確保預(yù)測結(jié)果的物理一致性。同時，結(jié)合物理約束模型，進(jìn)一步提升冷機(jī)建模的精度和可靠性。通過決策大模型結(jié)合行業(yè)知識進(jìn)行智能策略控制，實(shí)現(xiàn)更高效、智能的運(yùn)行。

基于元啟AI能效尋優(yōu)模型，智算中心等高能耗場景的綜合能耗可降低約30%。以某一線城市五星級酒店為例，該酒店原制冷機(jī)房年用電量約345萬千瓦時，采用該模型后，據(jù)測算年節(jié)電量達(dá)98萬千瓦時，遠(yuǎn)超傳統(tǒng)控制策略8%-12%的降幅。同時，基于該模型，風(fēng)機(jī)頻率預(yù)測偏差穩(wěn)定低于5%（傳統(tǒng)機(jī)器學(xué)習(xí)方法預(yù)測偏差約為10%）；冷機(jī)平均運(yùn)行功耗降低17.5%，設(shè)備壽命或可延長平均1.8年。

延循“模型+系統(tǒng)”技術(shù)路線，特斯聯(lián)正在持續(xù)推進(jìn)各類空間的能源優(yōu)化與智能管理，推動以多元學(xué)習(xí)與自適應(yīng)遷移策略實(shí)現(xiàn)設(shè)備和場景的無縫適配。通過在邊緣側(cè)部署輕量化智能體，當(dāng)前解決方案可同時支持毫秒級實(shí)時決策與離線自治運(yùn)行，確保模型在云端斷連時仍能進(jìn)行自主決策。