近日，特斯联发布全新极特·元启AI能效寻优模型，通过动态解析环境参数与设备状态，在确保供冷供热品质的前提下，实时优化风机频率、水泵频率和出水温度等，从而实现风机冷机等设备的整体功率优化。该模型广泛适用于超算、智算中心、半导体先进制造等高耗能场景，可降低制冷系统综合能耗约30%，推动能源管理从“单点优化”向“全域智能”升级。

特斯联极特·元启系列边缘控制系统预装元启AI能效寻优模型

作为特斯联极特系列，空间智能管理应用层的核心产品之一，元启AI能效寻优模型依托先进的AI算法体系与机理融合建模，具备动态优化、超参数调优、大模型赋能等核心能力。

• 模型核心：以基于LSTM和改进的iTransformer架构的先进预测模型为核心，结合多元学习技术和自适应迁移策略，实现数据驱动与自适应调优，同时利用时序分析库进行数据预处理，选择合适算法，进行异常值和缺失值处理、统计建模、自动化特征提取。模型通过分析湿球温度、风机频率和冷机效率等核心参数，动态调整优化策略，确保在不同工况下的高效运行。此外，根据环境信息（如湿球温度）和控制策略（如冷却塔进出水温度、冷却塔风机频率），训练推演模型，预测在不同设定下制冷系统总功率。
  

  
  

• 动态优化：通过分析湿球温度与散热量的动态关系，利用滑动窗口技术提取功率数据的统计特征，捕捉短期波动和长期趋势，实时调整风机频率以实现最小总功率运行。模型能够根据实时数据快速响应，确保供冷、供热品质稳定。

  
  

• 超参数调优：利用基于多智能体深度强化学习的优化算法替代传统网格搜索，将超参数调优周期缩短70%以上，并支持在线学习机制持续更新模型权重。通过实时反馈和调整，模型能够适应复杂的工况变化，保持高精度预测。

  
  

• 机理融合：基于传热方程建立冷却塔动态模型，实时修正传热系数，采用基于TACTiS-2的时序预测模型，增强对冷却系统长周期运行数据的建模能力。预测模型通过引入冷却塔风机能耗与冷机能耗的物理约束确保预测结果的物理一致性，提高系统的可靠性和稳定性。

  
  

• 冷机建模：融合生成式大模型框架，将物理约束（如湿球最低温度、冷冻冷却水温等）嵌入数据驱动模型，确保在稀疏数据场景下的高准确性。模型能够精准刻画冷机效率特性曲线，提高冷机运行效率。

  
  

• 大模型赋能：利用物理驱动机器学习（PIML）技术，通过在模型训练中引入物理原理，提高模型的泛化能力，降低对大规模、高质量数据的依赖，并确保预测结果的物理一致性。同时，结合物理约束模型，进一步提升冷机建模的精度和可靠性。通过决策大模型结合行业知识进行智能策略控制，实现更高效、智能的运行。
  

基于元启AI能效寻优模型，智算中心等高能耗场景的综合能耗可降低约30%。以某一线城市五星级酒店为例，该酒店原制冷机房年用电量约345万千瓦时，采用该模型后，据测算年节电量达98万千瓦时，远超传统控制策略8%-12%的降幅。同时，基于该模型，风机频率预测偏差稳定低于5%（传统机器学习方法预测偏差约为10%）；冷机平均运行功耗降低17.5%，设备寿命或可延长平均1.8年。