"
模型应能表达解耦，整体应能处理串级误差，优化应能决策而非预测-群维新控 AI
"
在暖通节能优化中，我们通常会分别建立冷机、水泵、冷却塔等设备模型，再将它们组合起来，寻找能耗更低的运行方案。
这个思路很自然：冷机模型计算主机功率，水泵模型计算输送能耗，冷却塔模型计算散热代价，最后比较系统总能耗。
但实际落地时，经常出现一些令人困惑的情况：
单个模型的测试结果不错，组合后的推荐却不稳定；每个设备模型都能计算，系统却找不到可行方案；预测显示明显节能，执行后的效果却不理想。
这些问题背后，有一个共同原因：
单个模型的预测能力，并不能自动转化为多个模型共同决策的可靠性。
一、变量名称相同，物理含义未必相同
多个模型连接时，首先需要解决的是变量口径。
同样叫“流量”，可能分别指总管流量、设备支路流量、实测流量或目标流量。同样叫“出水温度”，可能是控制设定值，也可能是已经稳定后的实际温度。
即使单位一致，变量的含义仍可能不同。
更隐蔽的问题来自模型假设。例如，一个模型建立在阀门位置固定的条件下，另一个模型假设末端压差恒定，第三个模型默认目标流量已经实现。
这些模型单独使用时可能都成立，但组合起来后，其前提未必能够同时满足。
因此，多模型优化需要先定义统一的系统工况，再让各模型评价这个工况。
需要明确的内容包括：设备状态、管网结构、温度、流量、压力，以及每个量的测量位置和时间含义。还要区分哪些量可以直接控制，哪些量是执行控制后才会形成的响应。
接口接通，只完成了数据传输；物理意义一致，才完成了模型连接。
二、每个模型都能算，不代表整个系统存在合理的解
暖通系统中的设备通过水力和热力关系相互影响。
例如，冷却水流量变化会影响冷机功率；冷机功率变化会影响排热量；排热量又会影响冷却侧的运行需求。
当这些关系形成反馈时，计算就变成了一个耦合方程组的求解过程。
这时可能出现几种情况：
-
各个模型都有输出，但输出之间不能同时满足守恒关系。 -
存在多个数学解，其中部分不符合实际运行条件。 -
计算已经收敛，但结果对输入误差非常敏感。
最后一种尤其容易被忽略。
假如温度测量变化很小，计算结果却出现明显跳变，那么即使每轮迭代的残差已经很小，也不能认为预测足够可靠。
数值收敛说明模型方程被解出来了，并不等于真实设备会运行在这个状态。
因此，系统需要同时检查计算残差、质量与能量守恒、设备运行边界，以及结果对扰动的敏感程度。
三、多个“高置信度”，不能直接合成一个系统置信度
工程模型中的“置信度”，经常代表不同的东西。
有时它表示附近训练样本较多，有时表示预测区间较窄，有时只是说明没有超出训练范围，甚至只是表示计算成功。
这些信息都有价值，但不能互相替代。
样本较多，不代表关键变量已经被完整观测；处于训练范围，也不代表当前设备性能没有发生变化。
同时，各模型的误差通常存在关联。
例如，一个流量计偏高，可能同时影响冷量计算、主机负荷估计和水泵功率预测。此时，三个模型的误差受到同一个输入偏差影响，不能简单当作独立误差处理。
这意味着：
系统误差既不能通过“几个准确率相乘”得到，也不能通过“几个误差百分比相加”得到。
合理的方法是保留误差来源和相关关系，在同一组输入扰动下，重新评价整套系统。对于相关输入的处理，不确定性传播方法已有明确的理论基础。BIPM不确定性传播指南
四、优化会放大模型的薄弱环节
预测与优化有一个重要区别。
预测是在给定工况下回答：“功率大约是多少？”
优化则会主动搜索许多工况，回答：“哪一个功率最低？”
假设某个区域的模型恰好低估了功率，优化器就可能不断偏向这个区域。最后选中的方案，可能是模型低估最严重的方案，而不是真实能耗最低的方案。
候选数量增加，也不会自动消除这个问题。搜索可能只是更充分地找到了模型的薄弱之处。
因此，评价优化模型时，仅看平均预测误差是不够的，还需要检查：
-
能否正确判断两个方案的优劣； -
推荐方案是否确实优于原运行方式； -
预测的节能差额是否可靠； -
推荐动作是否容易触碰运行限制。
一个简单的例子是：模型预测某方案可以降低10 kW，但两方案功率差的误差可能达到几十千瓦。此时，出现一个正的预测节能量，还不足以证明执行后一定节能。
优化真正需要验证的，是决策质量。
五、历史上的相关关系，不一定代表控制后的响应
暖通历史数据不是随机产生的。
设备台数、频率、阀门、水温和负荷，通常由原有控制器及运维人员共同调节。这些变量在数据中往往一起变化。
模型可能学到：
“过去出现这种负荷时，通常也会出现这样的频率和功率。”
但优化需要回答：
“现在主动改变频率，流量、温度和功率会怎样变化？”
这两个问题并不等价。
如果缺少关键阀门状态、支路信息或控制逻辑，模型可能无法区分几种不同的真实运行状态。即使增加算法复杂度，也未必能够解决。
有些问题来自样本少，有些问题来自缺少决定结果的关键变量。两者需要不同的解决方法。
前者可以通过补充数据改善；后者需要补充测量、辨识物理关系，或者开展适当的运行试验。
六、设备限制与模型边界，必须分开管理
“设备不能这样运行”和“模型没有充分数据评价这种运行”，是两件不同的事。
例如：
-
设备最小允许流量，属于运行限制。 -
训练数据中的最小流量，属于模型覆盖边界。 -
迭代未收敛，属于数值计算问题。 -
预测收益不足，属于决策问题。
如果将它们统一压缩成“可用／不可用”，就容易出现两种偏差：
一方面，模型覆盖不足被误当成设备不能运行，造成可行方案被排除；另一方面，为了得到计算结果而放宽模型限制，却被误认为方案已经得到验证。
更清楚的做法，是分别回答四个问题：
能否计算？物理上是否可行？预测依据是否充分？是否值得执行？
这四项判断应当相互关联，但不能相互替代。
七、可靠的多模型优化，应如何构建？
面向实际暖通工程，可以采用以下结构：
统一系统状态 → 物理关系连接 → 设备性能预测 → 联合误差评价 → 优化决策 → 执行反馈。
其中，各部分承担清晰的职责：
设备模型提供性能关系、预测结果和适用范围。
物理关系保证质量守恒、能量守恒及水力条件一致。
优化器综合处理能耗、约束、不确定性和切换代价。
控制系统负责跟踪目标、协调切换，并执行必要的保护与联锁。
现场验证检查预测偏差、方案排序和实际节能效果，再修正模型及决策规则。
实施时，不必一步到位建立极其复杂的优化器。更实际的顺序是：
先保证工况口径和物理关系一致，再建立系统级误差评价，最后依据现场验证结果确定控制收益门槛和保守程度。稳健优化的意义，也在于合理权衡性能与不确定性，而非一味追求最保守的结果。稳健优化的相关研究
暖通节能优化的价值，最终体现在现场能够实现、持续保持的运行改善。
模型可以分别建立，决策必须整体评价。
把设备模型连接起来之后，还需要回答：这些模型描述的是否是同一个真实系统，它们的误差是否得到合理处理，以及它们共同推荐的动作是否经得起现场验证。