楼宇自控的瓶颈从来不是设备不够多，而是「控制回路」没有把数据喂回来------传感器在测、控制器在调，但系统本身不学习。
一、楼宇自控的本质：一个闭环
楼宇自控（BA/BAS）从原理上讲就一件事：传感器采集（温度、湿度、CO₂、水压）→ 控制器比较设定值 → 执行器动作（阀门、风机、水泵）→ 反馈修正。一条标准的闭环控制回路。
传统自控的问题不在「控制」，而在「感知与决策」：
- 设定值靠人拍：夏天冷冻水供回水温差设多少，靠工程师经验，不是靠数据；
- 联动靠规则：冷源与末端各自调，共用送风机时互不感知，能耗互相抵消；
- 故障后知后觉：传感器漂移、阀门卡涩，等到制冷不足了才去排查。
二、先把「数据回路」补起来
要让系统学会优化，先要让它「看得清」。补数据通常三步：
- 高频化：电表、水表从日/小时级提到 15 分钟级（可配 1 分钟级），能耗曲线才能对上运行状态；
- 语义化：点位命名、单位、楼层/房间关联统一，冷源、末端、送风机在同一个模型里；
- 留痕化：每次人工/自动操作都带来源标记，作为 AI 策略调优的训练样本。
三、示例：水冷空调的「共用送风机」协同
冷源与末端共用送风机是典型的自控难题：风机开大了回风温度降得快但能耗高，开小了末端效果差。传统 BA 各调各的，AI 方案则把两者放进同一个优化目标：
python
# 目标：房间温度达标前提下，冷源+送风机总功率最小
def optimize_cooling(zone_state, meter_15min):
cost = lambda chw, fan: chw_power(zone_state) + fan_power(fan)
best = minimize(cost, bounds=[chw_range, fan_range]) # 联合寻优
if best.power < baseline.power * 0.97: # 比常规策略省 3% 才切换
apply(chw=best.chw, fan=best.fan) # 下发到控制器
return best.power # 15 分钟级回流学习核心不是「算法多高级」，而是把冷源、末端、送风机放进同一个目标函数，用 15 分钟级计量数据不断校正。
四、从「自动控制」到「自学习优化」
| 维度 | 传统自动控制 | 自学习优化 |
|---|---|---|
| 设定值 | 工程师经验给定 | 数据驱动动态给定 |
| 协同 | 子系统各自为政 | 跨系统联合寻优 |
| 能耗 | 事后统计 | 实时建模、预测调整 |
| 故障 | 报警后排查 | 数据漂移提前预警 |
结语
楼宇自控的进阶路线其实很清晰：先把数据高频、语义化、留痕地收上来，再让 AI 在同一个模型里做跨系统寻优，最后把最优解下发给原有控制器------控制还是那套控制器，但「脑子」换了。对存量楼宇来说，这条路几乎不用换硬件，是性价比最高的智能化路径。