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)與設備狀態(tài)，在確保供冷供熱品質的前提下，實時優(yōu)化風機頻率、水泵頻率和出水溫度等，從而實現(xiàn)風機冷機等設備的整體功率優(yōu)化。該模型廣泛適用于超算、智算中心、半導體先進制造等高耗能場景，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，空間智能管理應用層的核心產(chǎn)品之一，元啟AI能效尋優(yōu)模型依托先進的AI算法體系與機理融合建模，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和改進的iTransformer架構的先進預測模型為核心，結合多元學習技術和自適應遷移策略，實現(xiàn)數(shù)據(jù)驅動與自適應調(diào)優(yōu)，同時利用時序分析庫進行數(shù)據(jù)預處理，選擇合適算法，進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、風機頻率和冷機效率等核心參數(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（如冷卻塔進出水溫度、冷卻塔風機頻率），訓練推演模型，預測在不同設定下制冷系統(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)關系，利用滑動窗口技術提取功率數(shù)據(jù)的統(tǒng)計特征，捕捉短期波動和長期趨勢，實時調(diào)整風機頻率以實現(xiàn)最小總功率運行。模型能夠根據(jù)實時數(shù)據(jù)快速響應，確保供冷、供熱品質穩(wěn)定。

超參數(shù)調(diào)優(yōu)：利用基于多智能體深度強化學習的優(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，并支持在線學習機制持續(xù)更新模型權重。通過實時反饋和調(diào)整，模型能夠適應復雜的工況變化，保持高精度預測。

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

冷機建模：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)驅動模型，確保在稀疏數(shù)據(jù)場景下的高準確性。模型能夠精準刻畫冷機效率特性曲線，提高冷機運行效率。

大模型賦能：利用物理驅動機器學習（PIML）技術，通過在模型訓練中引入物理原理，提高模型的泛化能力，降低對大規(guī)模、高質量數(shù)據(jù)的依賴，并確保預測結果的物理一致性。同時，結合物理約束模型，進一步提升冷機建模的精度和可靠性。通過決策大模型結合行業(yè)知識進行智能策略控制，實現(xiàn)更高效、智能的運行。

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98萬千瓦時，遠超傳統(tǒng)控制策略8%-12%的降幅。同時，基于該模型，風機頻率預測偏差穩(wěn)定低于5%（傳統(tǒng)機器學習方法預測偏差約為10%）；冷機平均運行功耗降低17.5%，設備壽命或可延長平均1.8年。

延循“模型+系統(tǒng)”技術路線，特斯聯(lián)正在持續(xù)推進各類空間的能源優(yōu)化與智能管理，推動以多元學習與自適應遷移策略實現(xiàn)設備和場景的無縫適配。通過在邊緣側部署輕量化智能體，當前解決方案可同時支持毫秒級實時決策與離線自治運行，確保模型在云端斷連時仍能進行自主決策。