HVAC设备：探索节能与舒适的完美结合

在大规模设施的能源消耗中，暖通空调（HVAC）系统占据了约40%到50%的能源使用量。随着全球变暖等环境问题的加剧，人们越来越关注如何在大规模设施（如办公楼、商场等）中实现能源节省，尤其是针对那些高能耗的设备，如暖通空调系统。

空调控制在暖通空调系统的节能技术中扮演着至关重要的角色。它不仅能够有效降低能源消耗，还能创造舒适的室内环境。然而，要同时实现节能和舒适并非易事，因为这需要综合考虑多种动态变化的因素，并自动优化空调系统的运行状态。

本文将探讨如何利用人工智能（AI）技术实现大规模设施中暖通空调系统的自动控制，从而在节能的同时确保舒适度。通过AI驱动的控制策略，系统能够实时监测环境数据，如温度、湿度和人员密度，并据此自动调整空调设备的运行参数。这种方法不仅提高了能源利用效率，还为用户提供了更加个性化和舒适的环境。

中央空调和独立空调

大楼、商场等大规模设施使用的空调设备大致可分为独立空调和中央空调2种。每种空调方式的特征不一样：中央空调是集中控制建筑物整体的的空调，将热源机产生的供暖和制冷热量通过热介质从输送设备的风道和管道输送到各楼层；独立空调像家用空调一样独立控制每个房间的空调。设施内的舒适性是通过利用这些空调方式的特征并使其进行分担而产生的。

在空间特别大的大规模设施中，能够有效控制整个建筑物温度的中央空调（下图）被认为是实现能源节省和舒适性的关键。但是，由于中央空调是集中控制的，因此灵活性较低，非常不擅长追随根据天气和人流量而动态变化的能源节省和舒适性理想条件。因此，大多数情况下，大规模设施的中央空调系统都有固定的温度设置。在某些情况下，还需要通过同时使用独立空调和中央空调以兼顾能源节省和舒适性。

中央空调存在这些问题，但可以采取以下措施来克服：

对整个设施的能源节省和舒适性进行数值化并评估；

利用数值化后的数据，将兼顾能源节省和舒适性的理想稼动条件反馈到热源机并控制空调。

接下来，我们将对如何推行这一措施，如何对能源节省和舒适性进行数值化和评估，以及理想稼动条件的探索方法进行相关解说。

量化能源节省与舒适性

对整个设施的能源节省和舒适性进行数值化并评估，首先需要理解两个用于量化的基本概念：

能耗效率(Coefficient of Performance, COP）

预计平均热感觉评估(Predicted Mean Vote, PMV)和不适指数(Discomfort Index, DI）

无论采用何种空调方式，用于空调能源节省评估的数值指标之一是能耗效率（Coefficient of Performance：COP）。

COP的定义如下公式所示：

公式一

COP＝制热和制冷能力［kW］/制热和制冷耗电量［kW］

其中，制热和制冷能力是指进行制热或制冷时从外部排出的热量（制冷时）或向内部供给的热量（制热时）；制热或制冷耗电量指进行制热或制冷所需的电力。

可以看出，COP越大，空调的能源节省性能就越好。COP可以说是汽车燃油效率的空调版指标。

但是，需要注意的是，COP是在假设室外温度一定的条件下的指标，因此在室外温度变动的实际使用条件下，它可能会偏离真实的能源节省性能。

影响室内舒适性的因素包括温度、湿度、二氧化碳浓度、照度和气压等。将空调舒适性数值化并读入的设备一般称为环境传感器。从环境传感器获得的数据是环境数据的数值化结果，可以用于计算多种舒适性评估指标。

评估舒适性时大多使用温热指标，例如预计平均热感觉评估（Predicted Mean Vote：PMV）和不适指数（Discomfort Index：DI）。下表列出了定义和使用方法。

表中的热负荷项QL，是根据与温度、湿度、气流、辐射、代谢和衣物相关的数值得到的。

利用AI和环境传感器自动控制空调

要想实现中央空调（以下简称空调）的能源节省，需要进行控制以将COP保持在较高水平。为此，根据上节中的公式一，可以知道需要减少制热和制冷时的耗电量。

而且，人们知道，制热和制冷时的耗电量会因：

建筑物整体的制热和制冷所需的能量（负荷热量）

从热源机释放后的热介质温度（供水温度）

而大幅变化。

例如，在夏天，室外气温越高，就需要越强的冷却能力来保持建筑物内部处于恒温状态，因此，负荷热量会相应地增加，也就是说制冷耗电量会增加。

另一方面，热介质（此处为凉水）的供水温度越接近室温，就越能减少热源机的制冷耗电量。因此，为了节省能源而进行的将COP保持在较高水平就意味着控制供水温度。一般来说，集中控制的空调保持设定温度恒定，也就是说供水温度恒定，但近年来由于AI技术的迅速发展等原因，人们提出了可以利用AI自动控制供水温度的空调控制技术方案。村田制作所正在尝试基于以下想法进行中央空调供水温度实时控制（下图）。

在供水温度反映到空调温度时，负荷热量的影响会导致时间滞后。因此，如果要提供适合提高或维持COP水平的供水温度，就需要负荷热量的预估信息。

该负荷热量预估信息（以下称为预计负荷热量）是通过让AI学习过去的负荷热量数据、日期信息和天气相关信息等环境数据，并生成预计负荷热量的AI模型来获得的（在过程1中生成AI模型1）。

通过让AI学习表示该预计负荷热量、过去的COP和供水温度之间的关系的数据，并生成预估供水温度的AI模型，可以获得高水平的COP（在过程2中生成AI模型2）。

另外，正如上述2中所示，计算预计负荷热量需要环境数据。该数据还包括外部气温数据和湿度数据等环境传感器测量的数据。这表明来自环境传感器的数据对在过程1中生成AI模型1有重要贡献，因此是空调自动控制中不可或缺的数据获取方法。

此外，如上述第2项中的表2所示，这些环境数据还用于对建筑物内的舒适性变化进行可视化。特别是本公司正在进行使用DI的可视化。

空调设备AI控制的效果验证方法

在上文第3项解说的利用AI保持较高水平的COP，并控制供水温度以帮助节省能源的控制（以下简称AI控制）中，通过实施该技术会给减少热源机耗电量和CO2排放量带来多大效果？在此对其验证方法进行介绍。

通常，通过在相同条件下比较使用和不使用AI控制时的耗电量和CO2排放量来验证其效果是合适的。但是，在现实中，两种情况下的日期、天气、接纳人数等条件并不一致，此外，也很难直接测量热源机的耗电量和CO2排放量，所以在此无法适用此验证方法（下图）。

因此，作为替代方案，人们提出了通过比较：

采用AI控制时的COP

不采用AI控制时（供水温度恒定）的COP

之间的COP之比来确认能源节省效果的验证方法。

采用AI控制时的COP在过程2中获得，无AI控制COP是使用相同过程2中的AI模型，并假设供水温度恒定后算出。具体验证方法如下所示。

首先，考虑COP比值＝［（a）采用AI控制时的COP/（b）不采用AI控制时的COP］。通过使用该比值的以下公式二和公式三可以确认能源节省效果和CO2排放量削减效果。

公式二

热源机耗电量的削减量（kWh）＝热源机的实际耗电量（kWh）×（1−1/COP比）

公式三

CO2排放量（kg）＝热源机的实际耗电量（kWh）×（1−1/COP比）×0.420

热源机的CO2排放系数（单位：kg-CO2/kWh）

从以上2个公式可以看出，COP比1大得越多，耗电量削减效果即能源节省效果越大，CO2排放量的削减效果也越大。

结论

在本文中，我们探讨了如何通过应用人工智能（AI）控制技术来实现大规模设施空调系统的节能与舒适性兼顾。在人员密集的大规模设施中，要在节能的同时确保空调系统的舒适性并非易事，但关键在于利用AI和环境传感器的空调控制技术，如文中第三部分所讨论的那样。尽管这项控制技术仍处于开发阶段，但通过该技术自动维持节能与舒适性平衡的理想空调运行条件的可能性正逐渐增加。

展望未来，村田制作所将继续推进基于AI和传感器的节能措施，致力于打造一个对环境和人类生活更加友好的世界。我们期待通过这些努力为创造更美好的环境贡献一份力量。