绿色和可持续发展是我国“十四五规划”的主基调，各地也相继出台了促进节能环保以及清洁能源等绿色产业的政策。超算科技很早就在前沿科技与绿色产业领域做出探索，积极研究人工智能在节能领域的落地应用，包括COOS人工智能节能系统。
COOS人工智能节能系统由香港理工大学和深圳超算科技历时3年联合研发，是业界首次采用基于机器学习、迁移学习以及物联网的综合节能系统平台。相关论文荣获了ACM e-Energy 2018最佳论文奖，并获得香港创新科技署的科技创新基金(ITF)支持。
本系统近期在香港理工大学创新中心大楼进行了应用部署，节能效果非常显著，最高可节能30%-45%。本系统包括In Building和In Cloud两个子系统，In Building主要用来数据采集上报和通信，In Cloud部分包括COP模型训练、性能预测、制冷命令生成以及数据可视化。
香港理工大学创新中心大楼由香港赛马会慈善信托基金捐助二亿四千九百万港元兴建。大楼座落于理大校园东北端，楼高十五层，实用面积15,000平方米，可容纳超过1,800位学生和教职员。大楼设计新颖，设备先进，以设计教学及创新用途为主，设施包括：展览廊、多用途课室与演讲室、设计工作室与工场，以及共享空间等。香港理工大学创新中心大楼的独特设计，令其成为香港市中心的新地标，并促进香港发展为亚洲的设计枢纽。
In Building子系统位于理大创新中心大楼，In Cloud子系统位于QT419实验室。其中，创新中心大楼部署了包括三个制冷机的制冷机组（图4），并部署了COOS节能控制设备和通信路由部件，用于制冷机组的数据采集、控制与通信。
在目标场景缺乏足够的标注数据情况下，为了建立COP模型，本方案采用了迁移学习技术。首先它基于多维度特征，采用聚类算法搜索近似场景，以便复用这些近似场景的已有数据，并根据data similarity重采样数据建立预训练数据集，然后，利用训练数据集，通过交叉验证方法选择最佳的预训练模型，比如深度学习、提升树等模型，最后，在实际运行过程中，该模型还能够进一步优化。本迁移学习技术很好的解决了目标场景数据缺乏的常见问题，能够显著增强本方案的场景适应能力。
上图左侧展示了制冷机的部分参数信息，右侧展示了本方案打开关闭的能耗对比曲线，功能开启节电效果明显。根据数据统计，本方案能够降低20%左右的电力消耗。
中央空调系统（HAVC）由制冷机组组成，制冷机组的运行效率直接影响能耗。一个制冷机组由N台制冷机构成，每台制冷机需要输入一定的电量，输出相应的制冷负荷。制冷机组需要根据总体制冷需求来决策每个制冷机的运行状态，使得在制冷负荷总量满足目标需求的条件下，总耗能尽可能低。
调节制冷机负荷的关键依据是制冷机的实时性能COP（Coefficient Of Performance），它表征了制冷机在不同负载下的能效。为了建立更精准、鲁棒的COP模型，本方案以数据驱动的方式，通过机器学习建立涵盖多种特征因素的AI模型，用于预测制冷性能和能耗的变化趋势，实现最优节能。
COOS人工智能节能系统具备如下优点：
1、控制精准度高
相较典型的热力学模型，采用AI训练可以建模更多的特征因素，比如时间、气候、机械，特征建模越完备，控制越精准。
2、适应能力强
采用迁移学习（Transfer Learning）专利技术，可以利用其它中央空调系统的数据训练目标系统，应用适应能力更强。
3、易于实施
在不影响现有HAVC部署的情况下，主要部署COOS节能控制设备、通讯设备即可支持本方案，工程实施简便，成本低。
COOS人工智能节能系统在香港理工大学创新中心的应用及显著的节能效果展示了该系统的巨大市场潜力，以及在我国“十四五”绿色发展规划中将可以起到的积极贡献。