HVACMeter: Apportionment of HVAC Power to Thermal Zones and Air Handler Units
University of California, San Diego（加州大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出HVACMeter系统，利用现有传感器估计HVAC各组件及热区的能耗，通过实测验证其在建筑故障检测中的应用价值。
2015-09-17 cs.SY eess.SY
Model Predictive HVAC Control with Online Occupancy Model
Cornell University（康奈尔大学）
本文提出一种预测占用的HVAC控制算法，结合建筑热特性、天气预测和自调节随机占用模型，降低能耗并保持舒适度。该模型无需人工训练，能适应占用模式变化，通过预测加权成本函数优化热区条件，实验证明其有效性。
2014-07-26 cs.SY eess.SY
Why has advanced commercial HVAC control not yet achieved its promise?
本文探讨先进商用暖通空调控制未广泛采用的原因，主张研究应转向明确展示商业案例，以促进其快速大规模部署。
2024-11-09 cs.SY eess.SY
Online Learning of Interconnected Neural Networks for Optimal Control of an HVAC System
优化供暖、通风和空调（HVAC）系统的运行是一项具有挑战性的任务，需要对HVAC负荷、室内温度和室外环境之间的复杂非线性关系进行建模。本文提出了一种新的商业建筑暖通空调系统的优化运行策略。室内温度控制系统分为三个子系统，每个子系统采用人工神经网络（ANN）建模。然后将人工神经网络互连并集成到温度设定点调度的优化问题中。该问题被重新表述为使用确定性搜索算法来确定最优设定点。在启动最优调度后，ANN反复进行在线学习，减轻过拟合。进行案例研究，分析所提出的策略的性能，相比的策略与预定的温度设定点，一个理想的基于物理的建筑模型，和传统的基于人工神经网络的建筑模型。案例研究结果证实了所提出的策略是有效的暖通空调能源成本，实用性，和训练数据的要求。
2021-01-11 cs.SY eess.SY
Experimental Data-Driven Model Predictive Control of a Hospital HVAC System During Regular Use
在这里，我们报告了一个多区域，供暖，通风和空调（HVAC）控制的案例研究，一个工业工厂负责冷却医院手术中心。所采用的方法，以保证热舒适性和减少电能消耗是基于一个统计的非参数，非线性回归技术称为高斯过程。我们的研究旨在评估上述技术的适用性，学习我们的模型预测控制（MPC）计划的建筑物动态和收益模型。实验结果收集，而该建筑物是在经常使用展示最终控制器的性能，同时受到一些测量和未测量的干扰。最后，我们为读者提供实用的细节和建议，如何管理在线优化问题的计算复杂性，并获得高质量的解决方案。
2022-01-31 cs.SY eess.SY
Feasibility study and thermoeconomic analysis of cooling and heating systems using soil for a residential and greenhouse building
本文通过热传输与热力学建模，研究利用土壤的空调系统在住宅和温室中的性能，分析流速、管径、管长和流体类型的影响，并在伊朗四城市进行热经济比较，验证其供暖与制冷可行性。
2023-04-11 cs.SY eess.SY physics.flu-dyn
Co-designing Intelligent Control of Building HVACs and Microgrids
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Northwestern University（西北大学）
建筑负荷消耗了发达国家生产的大约40%的能源，其中很大一部分投资于建筑温度控制基础设施。其中，基于可再生资源的微电网提供了一种更环保、更便宜的替代方案。本次交流探讨了微电网电力调度和建筑HVAC（供暖、通风和空调系统）驱动的可能协同设计，其目标是在最小化运营成本的情况下实现有效的温度控制。为此，我们尝试使用深度强化学习（DRL）技术，基于有关微电网和HVAC系统模型的可用信息，进行各种抽象级别的控制设计。我们提供的控制架构，考虑模型信息，从完全确定的系统模型，完全未知的参数设置的系统，并说明DRL的设计处方的优势。
2021-07-18 cs.AI cs.SY eess.SY
An experimental evaluation of Deep Reinforcement Learning algorithms for HVAC control
Universidad de Granada（格拉纳达大学）
本文利用Sinergym框架对多种深度强化学习算法在HVAC控制中的舒适度与能耗表现进行可复现评估，证实SAC和TD3的潜力并揭示泛化与增量学习挑战。
2024-08-31 cs.LG cs.SY eess.SY
Optimal Energy Management for SmartGrids Considering Thermal Load and Dynamic Pricing
Université du Québec Institut National de la Recherche Scientifique Centre Énergie Matériaux Télécommunications（魁北克大学国家科学研究中心能源材料电信中心）
本文针对智能电网中热负荷和动态定价问题，研究了两种应用场景下的能源调度设计，以优化电力用户的收益。
2016-01-25 cs.SY eess.SY
Using Personal Environmental Comfort Systems to Mitigate the Impact of Occupancy Prediction Errors on HVAC Performance
IIIT-Delhi（德里印度信息技术研究所）；IIT Madras（马德拉斯印度理工学院）；University of Waterloo（滑铁卢大学）
本文研究了占用预测误差对HVAC性能的影响，并提出通过个人环境控制（PEC）系统来提高HVAC控制器的鲁棒性，从而减少预测误差带来的负面影响。
2018-10-24 cs.SY eess.SY
Quantitative Methods for Comparing Different HVAC Control Schemes
EECS, Berkeley（加州大学伯克利分校电气与计算机工程学院）
针对天气和占用条件变化导致难以公平比较不同HVAC控制器的问题，提出基于统计显著性的能耗和舒适度定量指标，并通过实验案例比较了两种替代控制器与默认控制器。
2012-04-25 cs.SY eess.SY math.OC
Scalable Supervisory HVAC Control for Linear Objectives
Purdue University（普渡大学）
研究针对线性依赖热负荷的目标开发几乎无需调试的HVAC控制器，最多需两个热参数，模拟中性能对参数误差鲁棒，无需调整，能保持舒适度并实现一定比例性能提升，避免传统方法负担，获取先进控制大部分价值。
2026-09-21 cs.SY eess.SY
Automatic HVAC Control with Real-time Occupancy Recognition and Simulation-guided Model Predictive Control in Low-cost Embedded System
Masdar Institute（马斯达尔理工学院）
本文提出了一种基于低成本嵌入式系统的自动 HVAC 控制系统，通过实时视频处理和机器学习实现占用识别，结合热响应模拟进行动态预测和控制，实现节能效果。
2017-08-17 cs.SY eess.SY
Adaptive Model-Based Transfer Learning for Dynamic HVAC Control
National Yang Ming Chiao Tung University（国立阳明交通大学）
研究如何自动调整HVAC系统中AHU设定点，提出基于自适应模型的迁移学习方法，利用模拟软件生成训练数据，通过物理规则嵌入和长期感知设定点选择策略提升性能，实现相似实际建筑间知识转移，加速新建筑部署。
2026-07-20 cs.SY eess.SY
Stochastic Optimal Control of HVAC system for Energy-efficient Buildings
供暖、通风和空调（HVAC）系统占建筑物中大量能源的使用，而一大群居住者实际上仍然感觉不舒服。这提出了开发节能HVAC控制的问题，即，减少能源使用（成本），同时提高人体舒适度。本文以此为目标，研究了具有不确定热需求（即，天气和入住率等）。特别是，我们涉及到精心设计的预测平均投票（PMV）热舒适模型的优化。由于系统动力学和PMV模型所施加的非线性和非解析约束，该问题在计算上具有挑战性。首先，我们将问题描述为一个马尔可夫决策过程（MDP），这是一种能够处理复杂性的理想建模技术。其次，我们提出了一个基于梯度的学习（GB-L）方法逐步学习的随机控制策略离线和存储它在线执行。第三，我们从理论上证明了这种学习方法收敛于最优策略，并对其性能（即，能源成本、热舒适度和在线计算）。与现有的基于模型预测控制的松弛（MPC-R）方法的比较表明，尽管在能量成本降低方面存在一些性能损失（即，6.5%），所提出的方法可以实现有效的在线实施（小于1秒），并提供高概率的热舒适性下的不确定性。
2021-02-04 cs.SY eess.SY
Data-driven HVAC Control Using Symbolic Regression: Design and Implementation
Graduate school of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究院）；Campus Sustainability Office, Osaka University（大阪大学校园可持续发展办公室）；Graduate School of Engineering, Osaka University（大阪大学工学院）
本文提出基于符号回归建模建筑热力学与HVAC系统、并用MPC优化调度的数据驱动控制框架，在真实校园工作空间中实现峰值功率降低16.1%。
2023-04-06 cs.AI cs.SY eess.SY
A Safe and Data-efficient Model-based Reinforcement Learning System for HVAC Control
本文提出CLUE，一种基于模型的强化学习系统，通过高斯过程和元核学习减少数据需求，并结合MPPI实现安全节能的HVAC控制，在五区域建筑模拟中训练数据从数百天降至七天，舒适度违规平均减少12.07%。
2024-11-05 cs.SY eess.SY
Distributed Multi-Agent Deep Reinforcement Learning Framework for Whole-building HVAC Control
Amazon Web Services（亚马逊云科技）
据估计，商业建筑中约40%-50%的总电力消耗可归因于供暖、通风和空调（HVAC）系统。由于建筑物内各种HVAC控制和热动力学之间的未知和复杂关系，在考虑居住者的热舒适性的同时最小化能量成本是非常具有挑战性的。为此，我们提出了一个基于Energy Plus仿真环境的多智能体分布式深度强化学习（DRL）框架，用于优化商业建筑中的HVAC。该框架学习建筑物中复杂的热动力学，并利用建筑物中冷却和加热系统的差异效应来降低能源成本，同时保持居住者的热舒适度。通过自适应惩罚，RL算法可以优先考虑节能或保持热舒适性。使用DRL，我们实现了超过75%的能源消耗节省。分布式DRL框架可以扩展到异构类型的多个GPU和CPU。
2021-10-26 cs.AI cs.LG cs.SY
An Equivalent and Unified Virtual Battery Modeling Framework for Flexibility Characterization of Building HVAC Systems
Xi’an Jiaotong University（西安交通大学）；Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出了一种统一的虚拟电池建模框架，用于表征建筑HVAC系统的运行灵活性，通过聚合模型降低复杂性，实现高效的Demand Response参与。
2025-12-23 cs.SY eess.SY
An adaptive MPC scheme for energy-efficient control of building HVAC systems
提出了一种用于控制供暖、通风和空调（HVAC）系统的自主自适应MPC架构，以在降低能耗的同时保持室内温度。尽管设备使用和占用者随时间变化，但现有MPC方法不能够在没有人类专家干预的情况下自动重新学习模型并可靠地计算控制决策。我们力求解决这一弱点。两个主要特征嵌入在所提出的架构中以实现自主性：（i）来自我们先前工作的系统辨识算法，其周期性地从数据重新学习建筑动态和未测量的内部热负荷，而不需要专家重新调整。估计的模型是保证是稳定的，并具有理想的物理性质，无论数据;（ii）一个MPC计划与凸近似的原始非凸问题。规划器使用下降和收敛方法，底层优化问题是可行的和凸的。一个现实的工厂长达一年的模拟表明，所提出的架构的功能-周期性模型和扰动更新和凸化的规划问题-是必不可少的，以获得性能的改善，一个常用的基线控制器。如果没有这些功能，尽管MPC在某些情况下可以优于基线控制器，但其好处可能不足以保证对MPC的投资。
2021-02-07 cs.SY eess.SY
Decision-Focused Learning for Neural Network-Constrained HVAC Scheduling
University of Mons（蒙斯大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种基于决策聚焦学习和随机平滑的HVAC管理系统，通过神经网络约束优化建筑能耗和电网服务性能。
2025-12-01 cs.SY eess.SY
Hierarchical Control Framework Integrating LLMs with RL for Decarbonized HVAC Operation
Tsinghua University（清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Shanghai Electric Automation Group Co.,Ltd.（上海电气自动化集团有限公司）
本文提出一种分层控制框架，结合大语言模型与强化学习，通过生成状态依赖的可行动作掩码，优化多区暖通空调系统的去碳化操作，提升探索效率和训练稳定性。
2026-03-27 cs.SY eess.SY
Optimization of the Energy-Comfort Trade-Off of HVAC Systems in Electric City Buses Based on a Steady-State Model
本研究针对电动公交HVAC系统能耗限制续航的问题，构建稳态热模型并提出快速优化方法，验证了其与动态仿真偏差小，可用于系统设计评估与无预测信息的近优控制设定值提取。
2024-08-16 cs.SY eess.SY
LSTM-based Space Occupancy Prediction towards Efficient Building Energy Management
Carnegie Mellon University（卡内基梅隆大学）
建筑物消耗的能源占全球能源使用总量的很大一部分。大量的建筑能源用于加热，冷却，通风和空调（HVAC）。然而，与它的重要性相比，建筑能源管理系统现在是有限的控制HVAC基于简单的基于规则的控制（RBC）技术。设计能够有效管理HVAC的系统的能力可以减少能源使用和温室气体排放，总而言之，它可以帮助我们缓解气候变化。本文提出了使用LSTM的占用模式的预测时间序列模型。下一时间跨度上的未来房间占用状态的预测信号（例如，接下来的30分钟）可以直接用于操作HVAC。例如，基于预测并考虑冷却或加热的时间，可以在房间被使用之前打开HVAC（例如，提前10分钟打开）。此外，基于下一个房间空的预测时间，HVAC可以更早地关闭，并且它可以帮助我们在不降低舒适度的同时提高HVAC的效率。我们使用从大学建筑的多个房间收集的真实世界的能源数据来展示我们的方法的能力。我们表明，与传统的基于RBC的控制相比，LSTM的基于房间占用预测的HVAC控制可以节省50%的能源使用。
2020-12-19 cs.LG cs.SY eess.SY
HVAC Scheduling under Data Uncertainties: A Distributionally Robust Approach
在商业建筑中，暖通空调（HVAC）系统消耗的能源最多，占美国总能源使用量的60%以上。灵活的HVAC系统设定点调度可能会节省建筑能源成本。本文首先研究了以室内空气温度舒适性和机械运行要求为约束条件的确定性优化、稳健优化和随机最优化，以最小化日运行费用为目标。考虑到环境温度的不确定性，提出了一种基于Wasserstein度量的分布式鲁棒优化（DRO）方法，以提高最优调度对概率预测误差不确定性的鲁棒性.在Wasserstein度量定义的模糊集内的最坏情况下的分布优化的时间表。建议的DRO方法最初制定为一个两阶段的问题，然后重新制定为一个易于处理的混合整数线性规划（MILP）的形式。最后以某商业建筑为例，对优化方案的可行性和最优性进行了评价。数值计算结果表明，所提出的DRO方法的成本是6.6%，低于传统的优化技术下的不确定性。它们还为需求响应计划中的决策提供了细粒度的风险-收益选项。
2021-03-10 cs.SY eess.SY math.OC
Coupling-Aware Aggregation of Multi-Zone HVAC Loads under Uncertainty: A Two-level Framework
Global Energy Interconnection Group Co., Ltd.（全球能源互联网集团有限公司）
针对多区域HVAC负荷聚合中的耦合与不确定性问题，本文提出耦合感知两级框架，通过建筑层面降维和聚合器层面矩阵变换实现高维灵活性的内近似，案例研究验证了其准确性、可靠性与可扩展性。
2026-09-04 cs.SY eess.SY
Learning-based Framework for Sensor Fault-Tolerant Building HVAC Control with Model-assisted Learning
Northwestern University（西北大学）；Texas A&M University（得克萨斯农工大学）
由于人们87%的时间都在室内度过，建筑物中的智能供暖、通风和空调（HVAC）系统对于保持居住者舒适度和降低能耗至关重要。智能建筑中的这些HVAC系统依赖于实时传感器读数，在实践中，这些传感器读数往往会出现各种故障，并且还容易受到恶意攻击。这种故障传感器输入可能导致违反室内环境要求（例如，温度、湿度等）以及能源消耗的增加。虽然在文献中已经提出了许多基于模型的方法用于建筑HVAC控制，但是开发精确的物理模型以确保其性能是昂贵的，并且解决传感器故障的影响更具挑战性。在这项工作中，我们提出了一种新的基于学习的框架，用于传感器容错HVAC控制，其中包括三个基于深度学习的组件：1）考虑可能的传感器故障生成温度建议，2）根据对其准确性的评估选择其中一个建议，以及3）对选定的温度建议应用强化学习。此外，为了解决与建筑相关的任务中训练数据不足的挑战，我们提出了一种利用建筑物理动力学抽象模型的模型辅助学习方法。通过大量的实验，我们证明了所提出的容错HVAC控制框架可以显着减少各种传感器故障模式下的建筑温度违规，同时保持能源效率。
2021-08-05 cs.LG cs.SY eess.SY
Incomplete Air Mixing Reduces the Efficiency of Commercial Buildings Behaving as Virtual Batteries
针对现有虚拟电池模型无法体现HVAC负荷转移低效性的问题，提出新建筑分析模型探究空气不完全混合的影响，并通过风机功率闭环将往返效率从0.75提升至0.99。
2025-10-03 cs.SY eess.SY
Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings
Nanjing University of Posts and Telecommunications（南京邮电大学）；Huazhong University of Science and Technology（华中科技大学）
在商业建筑中，约40%-50%的总电力消耗归因于供暖、通风和空调（HVAC）系统，这给建筑运营商带来了经济负担。在本文中，我们打算最小化的能源成本的暖通空调系统在一个多区域的商业建筑在动态定价考虑随机区域占用，热舒适性，室内空气品质舒适。由于存在未知的热动力学模型，参数不确定性（例如，室外温度、电价和居住者数量）、与室内温度和CO2浓度相关联的空间和时间耦合约束、大的离散解空间以及非凸和不可分离的目标函数，实现上述目标是非常具有挑战性的。为此，上述能量成本最小化问题被重新表述为马尔可夫博弈。然后，提出了一种基于多智能体深度强化学习和注意力机制的HVAC控制算法来解决马尔可夫博弈。该算法不需要任何不确定参数的先验知识，可以在不知道建立热动力学模型的情况下运行。基于真实轨迹的仿真结果表明了该算法的有效性、鲁棒性和可扩展性。
2020-07-22 cs.LG cs.SY eess.SY
A Systematic Approach for Exploring Tradeoffs in Predictive HVAC Control Systems for Buildings
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种模拟框架，用于探索预测性、反应性和静态 HVAC 控制策略之间的权衡，通过评估不同预测和控制性能水平下的能耗和舒适度。
2017-05-05 cs.SY eess.SY
Distributed Real-Time HVAC Control for Cost-Efficient Commercial Buildings under Smart Grid Environment
Nanjing University of Posts and Telecommunications（南京邮电大学）；Huazhong University of Science and Technology（华中科技大学）
本文研究了在智能电网环境下，通过分布式实时 HVAC 控制算法，以降低建筑能耗和热舒适度成本为目标，采用 Lyapunov 优化技术实现高效节能控制。
2017-10-19 cs.SY eess.SY
Continual Reinforcement Learning for HVAC Systems Control: Integrating Hypernetworks and Transfer Learning
College of Engineering, University of Kirkuk（基尔库克大学工程学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对HVAC系统控制，提出基于超网络的模型强化学习框架，实现跨任务持续学习，5回合内快速收敛并缓解灾难性遗忘，优于无模型方法。
2025-03-24 cs.AI cs.LG cs.SY
Building HVAC Scheduling Using Reinforcement Learning via Neural Network Based Model Approximation
建筑业是美国能源的主要消费者之一。建筑物的HVAC（加热，通风和空调）系统，其功能是保持热舒适性和室内空气质量（IAQ），几乎占建筑物消耗能源的一半。因此，建筑物HVAC系统的智能调度具有巨大的能量和成本节约的潜力，同时确保满足控制目标（热舒适性、空气质量）。最近，一些工作集中在基于无模型的深度强化学习技术上，如深度Q网络（DQN）。这些方法需要与环境进行广泛的相互作用。因此，由于低采样效率，它们在实际系统中实现是不切实际的。安全感知探索是真实系统中的另一个挑战，因为在特定状态下的某些行为可能导致灾难性的结果。为了解决这些问题和挑战，我们提出了一种基于模型的强化学习方法，使用神经网络学习系统动态。然后，我们采用模型预测控制（MPC）使用学习的系统动态进行控制与随机采样射击方法。为了保证安全的探索，我们限制在安全范围内的行动和行动的最大绝对变化根据先验知识。我们评估我们的想法，通过模拟使用广泛采用的EnergyPlus工具的案例研究组成的两个区域的数据中心。实验表明，从学习的动态和地面真相采样的轨迹的平均偏差低于$20\%$。与基线方法相比，我们减少了总的能量消耗$17.1\% \sim 21.8\%$。与无模型强化学习方法相比，我们将收敛所需的训练步骤减少了10倍。
2021-03-22 cs.SY eess.SY
One for Many: Transfer Learning for Building HVAC Control
Northwestern University（西北大学）；Northeastern University（东北大学）；Texas A&M University（得克萨斯农工大学）
建筑供暖、通风和空调（HVAC）系统的设计至关重要，因为它占建筑能耗的一半左右，直接影响居住者的舒适度、生产力和健康。传统的HVAC控制方法通常基于创建用于建筑物热动力学的显式物理模型，这通常需要大量的努力来开发，并且难以实现用于运行时建筑物控制的足够的准确性和效率以及用于现场实施的可扩展性。最近，深度强化学习（DRL）已经成为一种很有前途的数据驱动方法，它可以提供良好的控制性能，而无需在运行时分析物理模型。然而，DRL（以及许多其他数据驱动学习方法）面临的一个主要挑战是达到预期性能所需的训练时间很长。在这项工作中，我们提出了一种新的基于迁移学习的方法来克服这一挑战。我们的方法可以有效地将为源建筑训练的基于DRL的HVAC控制器转换为目标建筑的控制器，只需最小的努力和改进的性能，通过将神经网络控制器的设计分解为可转移的前端网络，捕获建筑物不可知行为和后端网络，可以有效地为每个特定建筑物进行训练。我们进行了各种不同大小的建筑物之间的传输方案的实验，热区的数量，材料和布局，空调类型，和周围的天气条件。实验结果表明，我们的方法在显着减少训练时间，能源成本和温度违规的有效性。
2020-10-20 cs.AI cs.SY eess.SY
Energy-Efficient Building HVAC Control Using Hybrid System LBMPC
University of California, Berkeley（加州大学伯克利分校）
本文提出一种基于混合系统学习模型预测控制（LBMPC）的建筑HVAC控制方法，通过系统辨识和模型更新实现日均1.5MWh的节能效果，且不降低舒适度。
2012-04-20 cs.LG cs.SY eess.SY
Decentralized and Distributed Temperature Control via HVAC Systems in Energy Efficient Buildings
Harvard Center for Green Buildings and Cities（哈佛绿色建筑与城市中心）；School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
本文设计了实时去中心化和分布式控制方案，平衡用户舒适度与节能，通过调整区域流量率优化温度和能耗，采用两种方法解决非凸问题，最终通过数值示例验证有效性。
2017-02-10 cs.SY eess.SY
Highly Efficient Year-Round Energy and Comfort Optimization of HVAC Systems in Electric City Buses
本文通过稳态高效数值模拟，在7500个场景下优化电动城市客车HVAC系统全年能耗，证明热泵可比PTC加热降低多达60%的年均功耗，并指出提升制热COP收益最大。
2023-11-27 cs.SY eess.SY
Robust Reserve Capacity Provision and Peak Load Reduction from Buildings in Smart Grids
TUM CREATE Limited（TUM CREATE有限公司）；Solar Energy Research Institute of Singapore (SERIS), National University of Singapore (NUS)（新加坡太阳能研究所（SERIS），新加坡国立大学（NUS））；Technical University of Munich (TUM)（慕尼黑工业大学（TUM））；Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程和计算机科学系）
本文提出了一种用于智能电网中 HVAC 系统的鲁棒需求侧控制算法，通过优化电力成本和容量市场参与，同时满足建筑和电网的舒适度与运行约束，利用热负荷不确定性评估控制器性能。
2016-05-24 cs.SY eess.SY
Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review
Purdue University（普渡大学）；Trane Technologies（特灵科技）；University of Colorado, Boulder（科罗拉多大学博尔德分校）；National Renewable Energy Laboratory（美国国家可再生能源实验室）
综述MPC和RL在住宅和商业建筑HVAC中的现场演示，分析其成本节约效果及未来研究方向。
2025-07-19 cs.SY eess.SY
Smart Building Energy Management using Nonlinear Economic Model Predictive Control
Washington State University（华盛顿州立大学）；University of California Riverside（加州大学河滨分校）
本文提出了一种非线性经济模型预测控制器（NL-EMPC），用于优化商业建筑的 HVAC 系统能耗，考虑了刚性负载和其他分布式能源资源，以降低建筑能耗的净成本并满足 occupant 的舒适水平。
2019-06-02 cs.SY eess.SY
Laxity-Aware Scalable Reinforcement Learning for HVAC Control
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）
本文利用松弛度概念解决大量HVAC系统控制的维度灾难问题，提出一种结合最小松弛度优先规则与强化学习控制器的双层优化方法，在多种场景下实现了优于集中式方法的温度控制与节能效果。
2023-06-29 cs.AI cs.SY eess.SY
Towards Machine Learning-based Model Predictive Control for HVAC Control in Multi-Context Buildings at Scale via Ensemble Learning
Department of Computing, The Hong Kong Polytechnic University（计算机学院，香港理工大学）；Graduate School of Information Science and Technology（信息科学与技术研究生院）
本文提出一种基于分层强化学习的集成学习方法，动态选择和加权现有基础模型，以高效构建多场景建筑暖通空调控制的预测模型，减少数据收集和专家依赖，实验验证其有效性。
2025-10-23 cs.AI cs.LG cs.SY
Go Beyond Black-box Policies: Rethinking the Design of Learning Agent for Interpretable and Verifiable HVAC Control
University of California, Merced（加州大学默塞德分校）
针对HVAC控制中MBRL黑箱模型与随机优化缺乏可靠性的问题，本文提出可验证决策树策略提取、条件重要性采样和离线验证方法，实现更高节能性、舒适度与计算效率。
2024-02-29 cs.AI cs.LG cs.SY
A Data-driven Predictive Control Architecture for Train Thermal Energy Management
针对瑞士区域列车 HVAC 高能耗问题，提出在规则控制与跟踪控制之间加入数据驱动预测控制层，利用真实车厢数据构建多步预测模型，在保持舒适度的同时实现 10%–35% 节能。
2025-06-10 cs.SY eess.SY
MPC Controller Tuning using Bayesian Optimization Techniques
我们提出了一个贝叶斯优化（BO）框架调整模型预测控制器（MPC）的中央供暖，通风和空调（HVAC）工厂。这种方法将MPC的闭环性能与其整定参数之间的函数关系视为黑箱。该方法的动机是观察到通过试错法评估MPC的闭环性能是耗时的（例如，每个闭环仿真可以涉及解决数千个优化问题）。所提出的BO框架旨在通过策略性地探索和利用调优参数的空间来快速识别最优调优参数。BO框架的有效性证明了使用MPC控制器的中央HVAC工厂使用现实的数据。在这里，BO框架调整了热存储罐的回退条款，以最大限度地减少长达一年的闭环成本。仿真结果表明，BO可以找到最佳的退避条款进行13年之久的模拟，这显着减少了计算负担的一个天真的网格搜索。我们还发现，与BO获得的回退条款降低了闭环成本。
2021-04-11 cs.SY eess.SY
The Smart Buildings Control Suite: A Diverse Open Source Benchmark to Evaluate and Scale HVAC Control Policies for Sustainability
Columbia University（哥伦比亚大学）；Olin College of Engineering（奥林工程学院）；Syracuse University（雪城大学）；Google Research（谷歌研究院）
提出首个开源交互式HVAC控制基准Smart Buildings Control Suite，包含真实遥测数据、数据驱动仿真器和PINN模型，支持跨建筑扩展，推动HVAC优化从实验室走向实际应用。
2026-11-10 cs.AI cs.CY cs.DC
Model Predictive Control-Based Optimal Energy Management of Autonomous Electric Vehicles Under Cold Temperatures
本文提出基于实时模型预测控制的能量管理方法，在寒冷低温下动态优化自动驾驶电动汽车推进、HVAC与电池预处理的功率分配，以平衡热舒适、电池健康并保持里程，实现到达后即时充电。
2025-09-12 cs.SY eess.SY
Indoor thermal comfort management: A Bayesian machine-learning approach to data denoising and dynamics prediction of HVAC systems
提出一种融合贝叶斯机器学习与深度学习的框架，内置深度卡尔曼滤波器，用于暖通空调系统室内温度预测，在低质量数据下仍达先进性能，并可扩展至需求响应与故障检测。
2025-07-03 cs.SY eess.SY
House Thermal Model Estimation: Robustness Across Seasons and Setpoints
本研究通过三种优化算法估计房屋RC热模型参数，并跨季节和设定点评估其鲁棒性，为选择降阶模型和估计方法提供原则性指导。
2025-10-23 cs.SY eess.SY
Energy-Efficient Thermal Comfort Control in Smart Buildings via Deep Reinforcement Learning
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
针对HVAC高能耗与热舒适控制难题，提出基于深度强化学习的框架，通过深度神经网络预测热舒适度并采用DDPG学习控制策略，实验证明该方法提升了预测精度并有效降低了能耗。
2019-01-15 cs.AI cs.SY eess.SY
MPC for Aquifer Thermal Energy Storage Systems Using ARX Models
针对含水层热能存储系统的控制难题，提出基于输入输出数据的ARX模型，设计输出型模型预测控制方案，简化求解并避免状态估计，数值研究验证了其准确性和控制性能。
2025-09-12 cs.SY eess.SY
Employing Federated Learning for Training Autonomous HVAC Systems
Aalto University（阿尔托大学）；YaiYai Ltd（YaiYai有限公司）
本文提出采用联邦学习训练HVAC系统的无模型强化学习控制器，通过聚合多气候区数据中心训练的局部策略，有效提升了学习速度、泛化能力及学习稳定性。
2025-05-02 cs.LG cs.SY eess.SY
Comparative Field Deployment of Reinforcement Learning and Model Predictive Control for Residential HVAC
College of Engineering, Carnegie Mellon University, 5000 Forbes Ave, Pittsburgh, PA 15213, USA；Wilton E. Scott Institute for Energy Innovation, Carnegie Mellon University, 5000 Forbes Ave, Pittsburgh, PA 15213, USA；Center for High Performance Buildings, Purdue University, 177 S Russell St, West Lafayette, IN 47907, USA；Trane Technologies, Residential R\&D Group, 6200 Troup Hwy, Tyler, TX 75707, USA；Bosch Center for Artificial Intelligence
研究对比强化学习与模型预测控制应用于住宅暖通空调的情况，通过在寒冷气候住宅中各部署一个月，对比两者节能效果、居住者舒适度及数据需求等，发现RL节能略优、部署工作量少但面临初始化等困难。
2026-07-20 cs.LG cs.SY eess.SY
Physics-Informed Building Occupancy Detection: a Switching Process with Markov Regime
针对建筑 HVAC 节能与室内空气质量管理中的占用感知需求，提出由二氧化碳物理动态支撑的 Markov 区制切换自回归模型，可同时检测占用与通风率，并在模拟及真实数据上优于简单 Hidden Markov 方法。
2024-09-18 cs.SY eess.SY
