基于MATLAB的中央空调可控潜力评估实战流程

“可控潜力评估”这个短语，很多做暖通节能的人第一次看到会觉得有点绕。其实它要回答的问题非常朴素：一套已经投运的中央空调系统，在当前天气、当前使用人数、当前控制策略下，如果马上把某些运行参数调一调（比如室温设定点从24°C放宽到26°C、冷冻水供水温度从7°C提到9°C、冷却塔多开一台），系统总功率还能压下去多少？这个“还能降多少”就是可控潜力。

我最近基于MATLAB把这套评估链路完整跑通了一遍：从楼宇自控系统取原始运行日志，用数据驱动模型拟合系统功率与气象、负荷、运行策略之间的关系，再叠加不同的控制场景，最后输出“什么时段能压多少、调节空间有多大、置信区间是多少”的定量结论。对做需求响应申报的、做节能改造预测的、做运行策略比选的朋友来说，这套流程非常值得沉淀成可复用的方法。这篇文章不讲教科书理论，只讲实战：为什么这么拆、数据怎么洗、模型怎么选、MATLAB代码怎么落，以及一路踩过去的坑。

1. 先搞清楚“可控潜力”到底在算什么

1.1 可控潜力的定义：一个随工况变化的动态指标

很多人以为可控潜力就是一个固定数字，比如“这套系统能削掉200 kW”。真实情况远没有那么简单。中央空调的功率由冷机、冷冻水泵、冷却水泵、冷却塔风机、末端空调机组等多个部分合成，每个部分的性能都随负荷、室外温度、运行时长在变。同样一台冷机，夏天中午满负荷运行时和深夜部分负荷运行时，能压减的空间完全不一样。所以可控潜力本质上是时间、气象、负荷的函数，不是一个标量。

从公式上讲，某个时刻t的可控潜力可以写成：

D(t) = P_base(t) - P_ctrl(t)

其中P_base(t)是在当前设定策略下系统消耗的基准功率，P_ctrl(t)是在调整控制参数后系统能达到的功率，两者的差值就是潜力。这个公式看着简单，难在P_base和P_ctrl都是未知的，得靠模型去估。而且P_ctrl不是随便拍脑袋设的，必须尊重设备能力和室内舒适底线。

打个比方，这就像给一个常年加班的人评估“还能压榨多少时间”。你不能只说“他能少干两小时”，而要看他的基础状态、当天任务量、身体状况——空调系统也是一样，工况不同潜力不同。

1.2 评估结果能用在哪些地方

可控潜力评估不是学术游戏，它的结果在商业项目里至少有三个非常实的用途。

第一，需求响应容量申报。电力市场尖峰时段的容量费越来越贵，系统能响应多少、能压减多少，需要有依据地报数据。有了潜力曲线，运维人员就能知道“明天下午2点到5点，我们可以报多少可中断容量”而不是拍脑袋。

第二，运行策略优化。不同设定点组合对应的节能效果不是直觉能判断的。冷冻水供水温度提高1°C，冷机效率是上去了，但末端除湿能力可能不够；室温放宽2°C，负荷降了，但舒适度投诉可能上来。潜力评估把每个策略场景的功率算出来，比较之后才能选出最合理的运行方式。

第三，改造效果预测。很多节能改造项目需要在动工之前预测收益。过去只能靠厂家给的设备样本参数估算，往往因为实际运行条件复杂导致偏差很大。如果先用历史数据建模，计算“技术改造前系统在当前策略下的可控空间”，再去对照改造后的实际数据，投资决策会靠谱得多。

1.3 为什么选数据驱动而不是机理模型

提到中央空调建模，很多工程师第一反应是物理机理建模，就是那种把冷机COP曲线、换热器传热系数、管网阻力特性全部列出来的方法。这类模型在实验室和设计阶段很好用，但到了实际运营项目里会撞上三座大山：一是设备参数严重缺失，很多老系统的冷机铭牌数据早就找不到了；二是管网拓扑和自控逻辑极其复杂，每个项目都不同；三是一旦改过一个阀门或换过一台水泵，物理模型就要重新校准，维护成本极高。

数据驱动方法天生适合已投运的建筑。只要楼宇自控系统持续记录运行数据，设备越老、历史数据越长，反而越容易拟合出真实特性。因为你不需要理解每一台设备内部发生了什么，只需要从数据中学习“什么输入条件下系统会表现出什么功率”。生活和工作中很多决策其实也是这样：老司机不看仪表盘也知道什么时候该换挡，靠的是对大量路况的观察记忆，数据驱动模型干的也是这件事。

当然，数据驱动不是不要物理知识。相反，物理知识决定了特征工程的方向。比如你知道室外温度与冷负荷强相关，就会把温度做进特征；你知道冷机台数切换会造成功率台阶，就会把它单独作为一个特征。模型负责拟合，物理认知负责把关。这比纯黑盒跑数要靠谱得多。

2. 项目落地的整体技术路线

2.1 技术路线总览：六个环节串起来

我把整个评估流程拆成六个环节，每个环节都有明确输入输出。实际做的时候，这六个环节不是一次性线性走完，中间会有大量跳回和迭代，但大方向是不变的。

我见过不少团队一上来就急着训练模型，结果死在第二步。真实项目的BAS数据远没有教科书干净：不同设备采样频率不一样，时间戳对不上，夜间停机时段0值混在里面，偶尔还有传感器故障导致的异常尖峰。这些不处理好，后面模型再先进也是白搭。有一句话我说得比较多：模型训练可能只占整个项目30%的时间，前面数据准备要占50%。

2.2 数据驱动模型与物理知识怎么结合

很多人误解数据驱动就是拿个随机森林把数据一灌，等着出结果。实际上，如果没有任何暖通物理认知，做出来的模型常常会在关键时段给出荒唐的预测。

举个最简单的例子：中央空调系统总功率与室外温度的关系并不是一整条直线。在夏季，温度升高负荷增加，功率上升；但到了某个临界点，冷机台数从2台切到3台，总功率会突然跳高一个台阶；再往后，如果系统已经接近满负荷，功率增速又会放缓。树模型可以从数据里自动学到这种台阶和饱和，但线性模型如果不加温度二次项、不加冷机台数特征，就很难拟合。

所以我的做法是：先用物理直觉把关键变量列出来，再放进模型里做特征筛选。室外干球温度、湿度、太阳辐射这些气象变量是必选项；冷冻水供回水温差、流量、回风温度这些是负荷代理变量；时间特征和冷机启停台数是运行状态变量。模型可以自动学习变量之间的交互关系，但哪些变量该进模型，这个判断必须由人来做。

2.3 为什么选MATLAB做全流程

这个问题常被问起，特别是现在Python生态那么丰富。我的回答是：MATLAB不是万能的，但在这个场景下非常顺手，原因有四条。

第一，统计和机器学习工具箱足够全。fitrgp、fitrensemble、fitrlinear这些函数开箱即用，不需要手动装一堆依赖包。对于习惯图形界面调试的工程师来说，断点看变量、画图验证都比纯命令行环境直观。

第二，timetable这种数据结构和暖通时序数据天然匹配。BAS导出的数据永远是“时间 + 多点位数值”，用timetable可以直接做resample、同步、滞后、缺失值填充，省掉大量手工写循环的功夫。

第三，可视化专业。潜力曲线、功率对比图、箱线图、热力图，用MATLAB原生函数几行就能画得足够规范，这在写报告时很加分。

第四，部署路径平滑。评估模型要嵌入到已有的在线监测平台，MATLAB可以生成独立算法组件。对传统工程公司来说，比起另起一套Python环境，沿用MATLAB更容易说服内部IT部门。

当然Python也能做，而且某些环节更灵活。这里不搞语言绑架，工具服务于流程，你熟悉哪个就用哪个，但如果你本来就会MATLAB，这套流程学起来会很快。

3. 数据采集、清洗与特征工程

3.1 从BAS里取哪些数据

很多项目走到数据准备阶段，第一个困难不是算法，而是不知道需要哪些点位。我给一个比较齐全的清单，实际操作时按现场条件取舍。

室外气象侧需要：室外干球温度、室外相对湿度、太阳辐射强度、风速。如果没有独立气象站，可以把BAS里的室外温度当作主要输入，太阳辐射用日期时长近似，风速对系统功率影响相对小，可以缺省。

冷机侧需要：每台冷机的运行状态、电流或功率、冷冻水供水温度设定值、实际供水温度。注意，如果只有电流没有功率，需要用电流×电压×功率因数近似，虽然不精确但趋势够用。

水系统侧需要：冷冻水供/回水温度、冷冻水流量、冷却水供/回水温度。这些数据反映系统实际负荷和换热情况，是负荷代理变量的重要来源。

末端侧需要：各主要回风温度、送风温度、风机功率或运行频率。末端功率在总功率里占比不小，尤其开商业楼宇里风机盘管和空调机组数量庞大，不能漏掉。

最后还要有系统总功率。BAS里不一定有现成的“中央空调总功率”这个点，通常要用冷机功率加各类水泵、冷却塔、末端风机的功率合成，或者从配电柜的支路电表读取总表。口径要统一，不然前后对不上。

3.2 清洗与对齐的实操细节

拿到原始数据后，第一件事是把时间戳对齐。冷机控制器可能每5秒记一条，房间传感器可能每1分钟记一条，能耗平台可能是每15分钟冻一笔。如果直接混在一起训练模型，时间维度上的错位会带来很大的噪声。

我通常把数据重采样到统一的15分钟间隔，也就是一天96个点。这个粒度既保留了系统动态特征，又不会因为太密而引入控制器抖动的噪声。气象和温度类变量取均值，功率也取均值，如果是电能表累计量则取差得到该时段耗电量。

接下来处理缺失值和异常值。短期缺失用线性插值补，长期缺失直接整段剔除，不要硬模拟缺失期间的系统行为。功率异常值用移动中位数识别，比如用前后3小时的中位数做基线，偏离超过3个绝对中位差的点就标记为异常并按缺失处理。为什么用移动中位数而不是固定阈值？因为系统功率本身随负荷波动，固定阈值要么误杀正常高负荷点，要么漏掉故障尖峰。

还有一个非常容易被忽略的问题：停机时段。很多建筑晚上空调是关的，功率为0，这些0值对“可控潜力评估”没有意义。如果在训练集里混入大量0值点，模型学到的主要逻辑就会变成“白天晚上怎么切换”，而不是“运行期间功率怎么随负荷变化”，结果会偏离目标。所以要先判断冷机启停状态，只保留至少一台冷机处于运行状态的时段作为有效样本，停机时段单独标注，不进训练集。

3.3 特征设计的要点

特征设计直接决定模型上限。少了关键特征，模型再复杂也学不到规律；多了无关特征，训练变慢还可能引入噪声。

我常用的特征分成四组。

气象特征：室外干球温度、室外相对湿度、太阳辐射。这三个是最基本的冷负荷气象驱动因子。

负荷代理特征：冷冻水供回水温差、冷冻水流量、回风温度、区域平均温度。这些变量直接反映末端需求，注意它们虽然会随设定点策略改变，但作为模型输入时可以提供很有价值的动态信息。

时间特征：小时要编码成两个连续变量HourCos和HourSin，而不是直接用1到24的整数。直接用数字会隐含小时之间的线性关系，“23点和0点、0点和1点”明明都很近，用整数编码会让人觉得23和0差得很远，这对树模型影响不大，但对线性模型是硬伤。星期几可以简化成是否周末、是否周初周一这种业务特征。

系统状态特征：冷机运行台数、运行模式。台数这个特征特别重要，因为总功率会在台数切换时出现台阶，不把它放进去，模型只能用复杂的交互项去逼近，效果还不一定好。

滞后特征也是一个关键进阶。中央空调系统有热惯性，当前功率不只取决于当前负荷，还受前1小时负荷影响。我通常会加入前1个、前2个时间步的系统功率和供回水温差作为特征。这相当于给静态回归模型注入了一点“动态记忆”，训练成本和稳定性都会改善。

4. 建模与可控潜力计算的核心方法

4.1 基准功耗模型怎么训练

基准功率模型解决的问题是：给定当前特征，系统功率应该是多少。它是潜力计算的基石，如果基准都估不准，潜力差值更不可能准。

我建议不要一上来就追求最复杂的模型，而是先做一个分层对比。第一步用岭回归或线性回归作为基线，这类模型快、可解释、不容易过拟合；第二步用随机森林或梯度提升集成模型，看看非线性项能不能显著降低误差；第三步如果有条件，对最终报告场景再试高斯过程回归，好处是能直接输出预测方差，用于计算潜力的置信区间。

在MATLAB里，这三类模型的训练调用都很简单。fitrlinear是线性家族，fitrensemble是集成树家族，fitrgp是高斯过程家族。选择的标准不是测试集误差最低就完事，还要考虑训练时间、推理速度、是否容易解释。对于要常年跑月度报告的工程来说，我经常最后选随机森林，因为它在训练速度和精度之间平衡最好，而且不需要像高斯过程那样对核函数做大量调试。

验证的时候要特别小心数据划分方式。暖通时序样本不是独立的，相邻时刻的功率高度相关，如果随机打乱后做交叉验证，模型很容易“偷看”到邻近时刻的信息，评估指标会虚高得离谱。正确做法是时间序列切分：按时间顺序，前70%做训练，后30%做验证。如果还想做内部调参，就在训练集里面再切一个时间序列验证段，而不是随机KFold。

评价指标看两个就够：RMSE看绝对误差水平，MAPE看相对误差百分比。R²也看，但它很容易被强周期性数据拉高，不能单独依赖。我之前有一套系统的MAPE大概在8%左右，用于潜力评估已经够用，如果你非要压到2%，大概率是过拟合了。

4.2 控制策略场景怎么设计

计算可控潜力的关键步骤是设计“策略场景”。这里的难点在于：模型输入是观测变量，不是直接的控制变量。模型输入里有回风温度，但没有“室温设定点”这个字段；有冷冻水供水温度，但不一定有供水温度设定值。所以不能简单粗暴地把设定点改一改就让模型重新预测。

要跨过这个坎，通常分两类做法。

第一类是间接映射法。这是工程上又快又好用的方法：先用历史数据标定控制变量和观测变量之间的关系。比如历史上出现过室温设定点调整的记录，你去统计设定点提高1°C之后回风温度平均上升多少、冷冻水流量平均下降多少，然后把这一系列变化量作用到模型输入特征上，让模型做预测。相当于先做一个“控制变量→特征响应”的简化标定，再接入功耗模型。

第二类是完全数据实验法。有条件的话，在现场做短期的主动干预实验：某天下午把设定点从24°C调到25°C，保持其他条件尽量不变，记录前后一小时功率变化。这种真实响应数据最可信，可以直接用作标定，弥补纯数据驱动的盲区。实际上，很多可控潜力评估项目的起点本来就是一次需求响应演练，演练数据本身就是金子。

策略场景不要只做一个，建议做一个温度设定点偏移量的扫描。比如室温设定点从24°C每0.5°C一档往上调到26°C，分别计算出对应的功率，最后得到一条“潜力随设定点偏移量变化”的曲线。这样运维人员看到的不只是一个数字，而是“我有多大调节深度、每往上调一度能换多少削峰容量”，决策信息完整得多。

4.3 潜力量化与置信区间

很多报告把潜力写成一条孤零零的曲线，这其实是有风险的。预测模型有误差，特征映射关系也是近似标定，潜力结果必然有不确定性。工程结论最好给出区间，而不是一个点。

要区间估计，最简单的方法是bootstrap重采样。对测试时段的样本有放回抽样多次，每次用同一个模型计算潜力的均值统计，最后取2.5%到97.5%分位数作为90%置信区间。另一个办法是直接用高斯过程模型，预测时自带方差，方差传递到潜力的差值上就能算出置信区间。

除了时刻级潜力，还要把结果聚合到业务口径。最常用的是两个聚合指标：一个是“可削减电量”，把一天内每个小时的潜力累加起来，单位kWh；另一个是“削峰率”，用潜力功率除以基准功率，单位百分比。削峰率的物理意义更直观，比如“下午2点系统消耗500 kW，其中约80 kW可在30分钟内压下来，削峰率16%”，这个说法对运营决策者很友好。

同时要强调：算出来的潜力是“技术潜力”，也就是假设控制策略能完全落地、没有舒适度投诉的理想情况下能达到的上限。真正的“可申报潜力”通常还要乘上一个人为保守系数，比如0.7或者0.8，具体看运维团队对自动控制的信任程度。这个步骤模型解决不了，得靠人，但报告里要写清楚。

5. MATLAB实操代码：从数据到潜力曲线

5.1 数据读取与时间对齐

这一节给出一个可参考的MATLAB实现骨架。代码结构按照前面说的六环节来，具体函数名在MATLAB R2020b以上版本都可以用，项目环境不同时按需微调。

matlab复制% 读取BAS导出的CSV文件
rawData = readtable('cooling_plant_2024.csv');

% 将时间文本转换为datetime类型，格式按实际修改
rawData.Time = datetime(rawData.Time, 'InputFormat', 'yyyy-MM-dd HH:mm:ss');

% 转成timetable，后续重采样和缺失值处理都靠它
dataTT = table2timetable(rawData);

% 重采样到15分钟间隔，数值类变量取均值
dataTT = retime(dataTT, 'regular', 'mean', 'TimeStep', minutes(15));

这里有一个细节：如果CSV里有累计电量这类增量型变量，重采样不能用均值，要改用sum，否则电量会被平均掉，逻辑就错了。异构变量要单独处理，不能一把梭。

5.2 缺失值填充与异常值识别

matlab复制% 先删除全空行
dataTT = rmmissing(dataTT, 'DataVariables', {'Power', 'Tout'});

% 功率列做线性填充，边缘值用最近邻
dataTT.Power = fillmissing(dataTT.Power, 'linear', 'EndValues', 'nearest');

% 用移动中位数识别功率尖峰，窗口取3小时
idxOut = isoutlier(dataTT.Power, 'movmedian', hours(3));
dataTT.Power(idxOut) = NaN;
dataTT.Power = fillmissing(dataTT.Power, 'linear');

使用移动中位数而不是移动均值，是为了保护正常的功率台阶。冷机增加台数的那一瞬间功率跳变，在数值上很像异常，但它不是异常。移动中位数基于排序统计量，对跳变更稳健，误杀率明显低。

5.3 构造时间特征和滞后特征

matlab复制% 小时正弦余弦编码，星期特征
hourVal = hour(dataTT.Time);
dataTT.HourCos = cos(2 * pi * hourVal / 24);
dataTT.HourSin = sin(2 * pi * hourVal / 24);

dowVal = weekday(dataTT.Time);
dataTT.IsWeekend = ismember(dowVal, [1 7]);  % 1=周日,7=周六

% 滞后一期的功率
dataTT.PowerLag1 = lag(dataTT.Power, 1);

% 添加滞后特征后首行带NaN，补掉
dataTT = rmmissing(dataTT);

注意，lag函数在timetable上使用后，第一行会变成NaN，需要rmmissing清掉。这里如果特征里包含PowerLag1，模型就具备了一步记忆能力，对热惯性大的系统效果提升非常明显。

5.4 模型训练与时间序列切分

matlab复制% 特征列表
featCols = {'Tout','RHout','Solar','Treturn','Tchws','Tchwr',
            'ChillerCount','PowerLag1','HourCos','HourSin','IsWeekend'};
X = dataTT{:, featCols};
y = dataTT.Power;

% 时间序列划分：前70%训练，后30%验证
n = size(dataTT, 1);
idxTrain = 1 : round(0.7 * n);
idxTest  = round(0.7 * n) + 1 : n;

% 随机森林回归（袋装采样）
rng(42);
mdlRF = fitrensemble(X(idxTrain, :), y(idxTrain), ...
    'Method', 'Bag', ...
    'NumLearningCycles', 200, ...
    'Learners', templateTree('MinLeafSize', 8));

% 线性模型作为对比基线
mdlLinear = fitrlinear(X(idxTrain, :), y(idxTrain), ...
    'Regularization', 'ridge', ...
    'Lambda', 1e-3);

随机森林的训练参数里，MinLeafSize=8是为了稍微增加叶子节点样本量，降低树模型对训练数据的过拟合程度。NumLearningCycles=200是一个比较稳的经验值，太大会拖慢训练，太小精度不够。

5.5 模型对比与误差评估

matlab复制% 验证集预测
yHatRF = predict(mdlRF, X(idxTest, :));
yHatLin = predict(mdlLinear, X(idxTest, :));

% 评价指标
rmseRF = sqrt(mean((yHatRF - y(idxTest)).^2));
rmseLin = sqrt(mean((yHatLin - y(idxTest)).^2));

mapeRF = mean(abs(yHatRF - y(idxTest)) ./ y(idxTest)) * 100;
mapeLin = mean(abs(yHatLin - y(idxTest)) ./ y(idxTest)) * 100;

fprintf('随机森林 RMSE=%.1f kW, MAPE=%.2f%%\n', rmseRF, mapeRF);
fprintf('线性基线 RMSE=%.1f kW, MAPE=%.2f%%\n', rmseLin, mapeLin);

如果两个模型的误差差距不到5%，我会优先选择线性模型，因为可解释性更好，潜力结论更容易说清楚。如果随机森林显著胜出，说明非线性关系确实强，那就用集成模型。这个决策逻辑比单纯追最低RMSE更工程化。

5.6 场景模拟与潜力计算

这里演示间接映射法的思路。假设通过历史标定，室温设定点从24°C上调1°C，回风温度Treturn平均上升1.0°C，冷冻水流量和供水温度也有对应变化。那么我们就把这些变化量作用到模型输入上，生成一个新的特征矩阵XCtrl，再让模型预测新的功率。

matlab复制% 复制基准特征矩阵
XCtrl = X;

% 应用标定结果：回风温度上升1°C
XCtrl(:, strcmp(featCols, 'Treturn')) = XCtrl(:, strcmp(featCols, 'Treturn')) + 1.0;

% 供回水温差代理变量随之变化，这里简化为回水温升0.3°C
XCtrl(:, strcmp(featCols, 'Tchwr')) = XCtrl(:, strcmp(featCols, 'Tchwr')) + 0.3;

% 用训练好的模型预测基准功率与策略功率
yBase = predict(mdlRF, X);
yCtrl = predict(mdlRF, XCtrl);

% 可控潜力
potential = yBase - yCtrl;

注意，这段代码里的标定值是我写的示意，真实项目必须来自历史数据分析或短时实验，不能直接照搬。实际项目中我个人会做一个“响应系数表”，记录在不同室外温度区间下设定点改变引起的各特征变量变化量，这样潜力计算会更精细。

5.7 潜力可视化

matlab复制% 取验证集内连续48个点做曲线
sIdx = 1:48;
tPlot = dataTT.Time(idxTest(sIdx));

figure;
plot(tPlot, yBase(sIdx), '-', 'LineWidth', 1.5); hold on;
plot(tPlot, yCtrl(sIdx), '-', 'LineWidth', 1.5);
plot(tPlot, potential(sIdx), '--', 'LineWidth', 2);
legend('基准功率', '策略功率', '可控潜力', 'Location', 'best');
ylabel('功率 (kW)');
xlabel('时间');
grid on;

画出来的图里，最值得关注的不是两条功率曲线，而是中间那条潜力虚线。正常情况下，潜力曲线应该跟着基准功率走：负荷越高、基准功率越大，潜力也越大；夜间低负荷时段，潜力应该明显收窄。如果画出来是乱七八糟的毛刺，先回去查数据和特征，不要急着改模型。

6. 常见问题与排查技巧实录

6.1 停机时段0值污染训练集

这是我最常遇到的问题。很多建筑晚上空调关闭，功率记录为0，这些0值占据了全天将近一半的样本。如果不去掉，模型会认为“大部分时间功率是0”，预测出来的结果在运行时段也普遍偏低，潜力自然被高估。

排查方法是统计冷机运行状态字段的运行时长占比。如果发现系统每天只运行12小时，但训练数据里都是24小时连续记录，那就要加一个状态过滤条件，只保留冷机处于运行状态的时段。停机时段不参与训练，也不参与潜力评估，因为评估“开着的系统能压多少”时，系统根本不运行显然没有意义。

6.2 时间序列切分被随机划分替代

有的朋友习惯用cvpartition默认的KFold随机划分来做交叉验证，这在很多传统机器学习任务里没问题，但在暖通时序数据上会得到过于乐观的评估结果。原因就是相邻时刻样本高度相关，随机的测试集里往往包含了训练集样本的“前后时刻”，模型等于已经看到了答案。

我在项目中坚持用时间切分验证：训练在前，测试在后。就算这样，模型在季节转换的时候也会出现误差上升，因为夏季模式和过渡季模式差异明显，但训练集里夏季权重可能不够。这个现象不值得恐慌，它反映的是模型外推能力有限，而不是建模失败。尽量让训练集覆盖完整自然年，至少覆盖最冷和最热的月份。

6.3 冷机台数切换带来的功率台阶

系统的功率曲线不是光滑的，冷机从2台切到3台那一刻，总功率可能会向上跳50 kW甚至100 kW。如果你没有在特征里加入“运行台数”这一项，模型只能用其他特征的交互项去拼凑这种跳变，不仅拟合效果差，在台数切换边界附近预测也会摇摆不定。

解决方法有两个。一是在特征矩阵里显式加入每台冷机启停状态或台数计数；二是把不同台数组合拆开分别建子模型，真正发生台数切换时再按组合切换用对应模型。第二种方法精度高一点，但维护成本大，我一般只在冷机数量不超过4台的系统里做。

6.4 滞后特征引入后崩溃

加滞后特征后训练误差很好看，测试时模型也有可能突然变得极不稳定。原因可能是某一时期传感器故障导致前一时刻功率异常，而滞后特征把异常值带到下一条样本里。所以用滞后特征之前，必须先保证功率列是干净、连续的。

我个人的习惯是：功率列清洗完成以后再构造滞后特征，滞后特征构造完再重新清理一遍NaN和异常值。顺序不能乱。另外，如果测试阶段出现连续传感器断线，预测也会跟着断掉，这种时候要准备一个“最近可用功率”的兜底策略，而不是让模型输出一个离谱的数。

6.5 极端天气下模型不可信

数据驱动模型的安全性边界是：它只在历史覆盖过、相似工况范围内可信。比如训练集里最高室外温度是36°C，模型对于38°C高温天气的预测就属于外推，结果只能用来参考，不能当作申报依据。

我通常会在报告里明确标注“本次评估有效工况范围”，并做一个温度-功率的散点图，让决策者直观看到样本覆盖区间。如果项目确实需要评估极端天气下的潜力，就得想办法补充历史极端天气数据，或者用物理模型做上限约束，比如用机理仿真补几条边界工况样本。

6.6 结论与运行策略打架

最后一种常见问题：模型算出来潜力很大，但实地运行策略根本执行不了。比如模型预测“室温可上调2°C”，但某个区域的末端设计能力很差，上调2°C以后室温根本压不住。这种问题模型是无法感知的，因为历史数据里从来没有出现过这种运行方式。

所以潜力评估报告出来以后，一定要拉上运维人员一起过一遍策略场景。运维人员会告诉你哪些调节手段是可靠的、哪些会触发冷机喘振、哪些会带来热水二次系统干扰。数据驱动模型负责定量，运维经验负责定性，两边结合才是一份靠谱的可控潜力评估。这也是我做完这个项目之后最大的体会。

就我个人而言，这套流程做完之后我再回头看，发现模型的训练反而是整个项目里最没技术含量的部分。真正让结果价值产生差异的，是对BAS数据的理解、对策略场景的标定、对分析结论的物理解读。后续如果你想把这个方法变成常态化工具，可以做一个小App，把清洗、训练、潜力计算固化下来，每月自动出一份评估报告；更进一步的话，潜力评估的结果也能接进实时优化调度模块，为控制策略提供动态边界。方向很多，先把基础链路跑通，后面每一步迭代都会很快。