俗话说北方人过冬靠暖气,南方人过冬靠一身正气。但是北方的供暖也是常被吐槽,因为室内温度通常会随着室外温度的波动而发生较大变化,而且不同楼层、不同位置还会出现温度不均的现象,这些问题造成的不仅仅是供热品质不佳,背后还隐藏着巨大的能源浪费。
“智慧供热”也应运而生,使用大数据、人工智能、云计算等技术,通过对供热相关数据采集分析,对热源、热网、末端的各个供热环节进行智能调控,从而进一步实现热网资源的配置优化,提高热网输送的能力。现在智慧供热正在不断提升供热系统的管理效率和居民满意度,同时实现整体节能降耗。
突破智慧供热的“瓶颈期”
淄博市热力集团有限责任公司(以下简称“淄博热力集团”)是经淄博市委、市政府批准成立的市属国有企业集团,业务涉及集中供热、供冷、热力设计、清洁能源利用和热力装备制造等领域,在智慧供热、工业余热利用、供热设计和关键元器件制造方面走在全省、全国前列,目前集中供热入网面积3000余万平方米。
淄博热力集团秉承着科技创新、管理创新、服务创新正在不断拓展三大业务:
一、供热供冷主业。整合全市五区三县供热市场,建立淄博市统一管理供热服务平台及相关领域重大项目建设的战略投资发展平台,成为集中供热供冷为一体的大型综合性生产运营服务商。
二、智慧供热技术及产品输出。通过技术创新和商业模式创新,提供智慧供热综合解决方案。技术赋能,协助同行建立智慧化的供热平台,快速提升管理及运行水平,实现精准供热的目标。
三、清洁能源利用。开发工业余热、地源、空气源、污水源等清洁能源项目,提高清洁能源在供热热源中的占比,优化热源结构。
传统的供热管理相对粗放,从热力站到小区的管控完全依靠人工,运营人员凭经验粗略估计每个热力站的用热量,并根据用户的电话反馈情况进行一定的调控,这通常会导致过多的能源消耗或引起室内温度的舒适感降低。因此淄博热力集团也开始寻求精准供热,在确保供热温度达标、用户舒适满意的同时尽可能降低热消耗,实现节能减排。
2014年淄博热力集团开启了智慧供热,首先从终端用户侧的服务、收费系统开始,之后又实现了供热站无人值守和简单的控制,但想要再进一步就遇到了瓶颈期,需要靠人工干预进一步降低能耗,所以淄博热力集团也引入了大数据和人工智能的应用。
淄博市能源集团公司、淄博市热力集团有限责任公司党委书记、董事长汪德刚表示,每年我们在智慧供热上都会采取一定的措施和改进,特别是在2019年淄博热力集团与亚马逊云科技开始合作,通过机器学习推动智慧供热的深入实施,目前淄博热力集团也是国内供热行业第一家使用机器学习的企业。
淄博市能源集团公司、淄博市热力集团有限责任公司党委书记、董事长汪德刚
人工智能,智慧供热的核心
淄博热力集团在供热方面有着自己的核心技术,在智慧供热上人工智能也加快了迭代研发的过程,淄博热力集团在智慧供热上制定了三期项目。
一期,针对数据清理和原有平台进行整合,打好基础;二期,通过不断把机器学习各种算法与真实应用场景进行数据对比,找出更加适合供热的算法,并在小场景进行试点;三期,扩大试点范围,不仅针对淄博天气情况,同时针对北方地区多个城市现状进行模拟。
在二期项目中,淄博热力集团利用亚马逊云科技的AI/ML技术和服务,联合研发了一套基于机器学习的智慧供热控调控系统,对积累起来的历史数据进行分析、处理、训练,构建出智能化的供热模型,可以根据气象、SCADA 工控数据、建筑物维护结构等信息计算出最佳的供热模式并给出具体的操作指令,实现精准供热的目标。
精准供热模型以Amazon SageMaker 为核心开发平台,进行站控和户控模型的训练及开发,并利用亚马逊云科技无服务器架构进行生产环境的模型部署、自动训练和推理,可以依据气象、建筑维护结构、用热率等各类信息,及时准确地预测前端供暖需求,并给出具体的操作指令。
淄博热力集团智慧供热平台架构图
最终,淄博热力集团实现了提前预测并制定小区级和房间级供暖策略和温度控制能力,而且智能化系统代替了人工,降低了不稳定因素,大幅降低能耗30%以上,大幅降低有害物排放量。汪德刚表示,精准供热可以精准控制室内温度,让室温时刻保持舒适的温度。
淄博是一个工业化城市,工业余热多,通过热泵提取出余热作为热源的同时,进行智慧供热,也让淄博热力集团扭亏为盈。淄博热力集团热单耗从过去0.45GJ/平方米下降到0.3GJ/每平方米,相当于每年节约标煤15万吨,每年减排二氧化碳40万吨,减排二氧化硫1300吨,减排氮氧化物1130吨。
“淄博热力集团的成果在产品化之后,将进行复制,赋能行业。” 淄博市热力集团公司党委委员、副总经理王荣鑫指出,淄博市热力集团去年建立了山东省清洁智能供热工程实验室,所以我们还肩负着在山东省供热行业进行智能化技术研究和推广的使命。
好文章,需要你的鼓励
2025年,企业技术高管面临巨大压力,需要帮助企业从持续的AI投入中获得回报。大多数高管取得了进展,完善了项目优先级排序方法。然而,CIO仍面临AI相关问题。支离破裂的AI监管环境和宏观经济阻力将继续推动技术高管保持谨慎态度。随着AI采用增长的影响不断显现,一些CIO预期明年将带来劳动力策略变化。
微软亚洲研究院与清华大学联合提出双向感知塑造技术,通过创新的两阶段训练方法解决AI视觉理解中的关键问题。该技术让AI学会正确聚焦重要视觉信息,避免被无关内容误导。仅用1.3万训练样本就在八个基准测试中平均提升8.2%性能,超越使用数十万样本的专门模型,为AI视觉推理能力提升开辟新路径。
FinOps基金会周四更新了其FinOps开放成本和使用规范云成本管理工具,新版本1.3更好地支持多供应商工作流。该版本新增了合同承诺和协商协议数据集,增加了跨工作负载成本分摊跟踪列,以及云支出和使用报告时效性和完整性的元数据可见性。随着云和AI采用推动企业IT预算增长,技术供应商正在关注将成本与价值联系起来的努力。大型企业通常使用三到四家云供应商,小企业可能使用两家,同时还有数据中心、SaaS和许可等服务。
上海交通大学研究团队开发了TimeBill框架,解决大语言模型在实时应用中的时间不确定性问题。该系统通过精确预测回答长度和执行时间,动态调整AI记忆管理策略,确保在规定时间内完成任务的同时保持回答质量。实验显示TimeBill在各种时间预算下都能实现最佳的完成率与性能平衡,为AI在自动驾驶、工业控制等安全关键领域的应用提供了重要技术支撑。