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
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
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
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
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
Safe Deep Reinforcement Learning for Energy-Efficient HVAC Control in Multi-Zone Residential Buildings
College of Computing, Mohammed VI Polytechnic University (UM6P)（Mohammed VI Polytechnic University 计算学院）；Green Energy Park（绿色能源公园）
该研究针对多区域住宅建筑HVAC控制的能耗-安全问题，提出带安全认证的深度强化学习框架，在仿真中训练PPO与SAC智能体，验证了其在降低能耗、减少舒适度违规方面的有效性及安全保证的可行性。
2026-08-25 cs.SY eess.SY
Indoor thermal comfort management: A Bayesian machine-learning approach to data denoising and dynamics prediction of HVAC systems
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；University of Pisa（比萨大学）
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
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
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
Energy control of HVAC units for provable ancillary service provision
在本文中，我们考虑的问题，控制住宅供暖，通风和空调（HVAC）单位的功耗动态，使他们遵循电网侧的功率规格。为了做到这一点，我们设计了一种新的动态能量控制器，确保调节的累积影响的功率不平衡。为此，我们推导出一种新的基于能量的模型，该模型将基于物理的HVAC动态与电网互连点处的有功和无功功率平衡联系起来。与文献中的其他几种方法相比，我们表明，有限数量的HVAC单元可以满足ARPA-E/NODES程序在频率调节信号后设定的严格性能指标，同时保持消费者的舒适度。理论和仿真为基础的模型和控制验证提供了利用现实世界的HVAC数据。
2022-10-04 cs.SY eess.SY
An integrated model predictive control approach for optimal HVAC and energy storage operation in large-scale buildings
Università di Siena（锡耶纳大学）
本文研究了集成集中式HVAC系统、光伏发电及热电存储设备的智能建筑的最优运行问题，提出了一种专门的模型预测控制策略，以在热舒适和技术约束下优化HVAC系统和存储设备的运行，同时考虑了建筑参与需求响应计划。
2019-02-18 cs.SY eess.SY
Distributed Control of Multi-zone HVAC Systems Considering Indoor Air Quality
本文研究了一种多区域暖通空调系统的可扩展控制方法，以优化同时维持热舒适性和室内空气品质（IAQ）（以CO2为代表）的能量成本。该问题是计算上的挑战，由于复杂的系统动力学，各种空间和时间的耦合，以及多个控制变量进行协调。为了应对这些挑战，我们提出了一个两级分布式方法（TLDM）与上层和下层控制集成。上层计算区域的质量流量，以保持区域的热舒适性，以最小的能源成本，然后下一级战略性地调节区域的质量流量和通风量，以实现IAQ，同时保持近的节能性能的上层。由于上层和下层计算都以分布式方式部署，因此所提出的方法具有可扩展性和计算效率。通过与集中式方法的比较，证明了该方法在节约能源成本方面的接近最优性能。此外，与现有的分布式方法的比较表明，我们的方法可以提供室内空气品质只有很少的能源成本增加，而后者失败。此外，我们证明了我们的方法优于需求控制通风策略（DCV）的室内空气品质管理约8-10%的能源成本降低。
2021-01-04 cs.SY eess.SY
Nonlinear Moving Horizon Estimation and Model Predictive Control for Buildings with Unknown HVAC Dynamics
我们提出了一种解决方案，建模和在线识别的供暖，通风和空调（HVAC）控制在建筑物中。我们的方法包括：（a）基于一阶能量平衡的电阻-电容（RC）模型，用于导出区域温度动态，以及（b）神经网络，用于对HVAC动态进行建模。利用非线性滚动时域估计（MHE），在系统状态物理约束下，同时进行状态估计和模型辨识。我们利用模型预测控制（MPC）的乘员舒适度满意度和暖通空调节能的识别模型，并使用仿真验证的方法。我们的系统仅依赖于建筑管理系统数据，不需要大量的数据存储，也不需要详细的建筑模型。这可以显著地帮助MPC的大规模采用，以用于未来网格交互式建筑物的以居住者为中心的控制。
2022-11-18 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
Q-DASC: State-of-the-Art Safe Quantum Control for HVAC under Local Model Misspecification
McGill University（麦吉尔大学）
提出Q-DASC框架，通过经典安全层包装变分量子电路策略，利用虚假发现率控制发现误指定区域、收缩修复局部热增益、投影到修复后的舒适可行集，在BOPTEST仿真中将平均舒适违规从26%降至0.02%，并保持低能耗。
2026-06-27 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
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
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
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
Online Energy Management for a Sustainable Smart Home with an HVAC Load and Random Occupancy
Nanjing University of Posts and Telecommunications（南京邮电大学）；Huazhong University of Science and Technology（华中科技大学）
本文研究了在长期时间范围内最小化能源成本和热不适成本的问题，提出了一种基于Lyapunov优化技术的在线能源管理算法，通过稳定四个队列实现高效能源管理。
2017-09-13 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
Relieving the Need for Bi-Level Decision-Making for Optimal Retail Pricing via Online Meta-Prediction of Data-Driven Demand Response of HVAC Systems
基于价格的暖通空调系统需求响应（DR）是一项具有挑战性的任务，需要综合模型来表示建筑热动力学和参与者之间的博弈论交互。本文提出了一种基于在线学习的策略，配电系统运营商（DSO），以确定最优的电价，考虑在商业建筑的暖通空调系统的最佳DR。人工神经网络（ANN）的训练与建筑物的能源数据，并表示使用一组显式的线性和非线性方程，没有基于物理的模型参数。然后，使用该方程组制定基于价格的DR的优化问题，并离线重复求解，从而产生关于电价和建筑热环境的各种条件下的最佳DR时间表的数据。然后在线训练另一个ANN，以直接预测日前电价的DR计划，这被称为元预测（MP）。通过用MP使能的ANN代替DR优化问题，可以使用单级决策结构来实现最优电价策略，这比两级决策结构更简单和更实用。在模拟案例研究中，所提出的单级策略被验证为成功地反映了DSO和商业建筑运营商之间的博弈论关系，使他们有效地利用HVAC系统的操作灵活性，使DR应用有利可图，同时确保电网电压稳定性和居住者的热舒适性。
2020-12-14 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
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
Heating in human-HVAC interaction for smart homes: An interdisciplinary overview
University of Siegen（锡根大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所（FIT））；Eindhoven University of Technology（埃因霍温理工大学）；University of Strathclyde（思克莱德大学）；University of Toronto（多伦多大学）
本综述整合541项跨学科研究，提出情境交互动力学框架，分析用户与系统在供暖中的控制与反馈，并强调感知与真实、个性化与协商、效率与健康、自动化与自主性四大张力，以指导平衡健康、可负担与可持续的智能供暖交互设计。
2026-09-22 cs.AI cs.HC cs.SI
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
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
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
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
ThermoForce: A Physics-Structured Interventional World Model for Building HVAC Control
McGill University（麦吉尔大学）
研究建筑暖通空调系统模型预测控制所需的热模型问题。提出ThermoForce，将时间序列基础模型冻结为被动自由响应，学习物理结构的强制响应算子，在相关干预中表现出色，嵌入MPC可降低热不适与能耗。
2026-07-07 cs.SY eess.SY
Estimating electricity saving-potential in small offices using adaptive thermal comfort
由物联网传感器通知并由远程控制设备启用的智能控制可以优化建筑物的运行，以最大限度地减少不必要的能源消耗并提高室内热舒适度。本文量化了小型办公楼智能恒温器控制和占用通知智能插头控制的节电潜力。这是通过模拟美国所有主要气候区的小型办公楼的自适应设定点温度，基于占用的HVAC控制和夜间吹扫自由冷却的效果来实现的。采用这些智能控制措施可使小型办公楼的总用电量节省8. 9%至20. 4%，或相当于每年减少12. 2千瓦时╱平方米至30. 4千瓦时╱平方米的用电强度。在所有气候区中，炎热和干燥的气候从拟议的智能控制中受益最多，并实现最高的节电百分比
2022-05-12 cs.SY eess.SP 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
Intelligent Building Control Systems for Thermal Comfort and Energy-Efficiency: A Systematic Review of Artificial Intelligence-Assisted Techniques
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；MENTIS Consulting SA（MENTIS咨询公司）；University of Nebraska at Kearney（内布拉斯加大学科尔尼分校）；Information Technology University（信息技术大学）；Alfaisal University（费萨尔大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Western Michigan University（西密歇根大学）；Alakhawayn University in Ifrane（伊夫兰阿赫拉因大学）；University of Houston（休斯顿大学）
在大多数国家，由于对改善热舒适性的需求不断增长，供暖、通风和空调装置大量增加，建筑物操作在一次能源消耗总量中占很大比例。降低相关的能源消耗，同时保持舒适的条件下，在建筑物是相互矛盾的目标，并代表了一个典型的优化问题，需要智能系统设计。在过去的十年中，基于人工智能（AI）技术的不同方法已经被部署，以找到暖通空调系统中的能源使用与居住者的适当室内舒适度之间的最佳点。本文对用于建筑控制系统的基于AI的技术进行了全面深入的系统审查，评估了这些技术的输出及其在审查工作中的实施，并调查了它们在保持热舒适条件的同时提高能源效率的能力。这使得（1）以节能的方式为建筑物内的用户提供热舒适度的复杂性，以及（2）相关的书目材料，以帮助该领域的研究人员和专家应对这一挑战。在为能耗和舒适度控制开发的20种人工智能工具中，识别和识别模式、优化、预测控制等功能。根据这项工作的结果，人工智能技术在建筑控制中的应用是一个很有前途的研究领域，目前仍在进行中，即，基于AI的控制的性能还不完全令人满意。这主要是由于这些算法通常需要大量高质量的真实世界数据，而这在建筑或更准确地说，能源领域是缺乏的。
2021-04-06 cs.AI cs.LG cs.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
Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep Reinforcement Learning Approach
Clemson University（克莱姆森大学）；BMW Information Technology Research Center（宝马信息技术研究中心）
针对多VAV开放式办公室，提出一种低复杂度多输入多输出深度强化学习模型，实现暖通空调能耗优化，节省37%能耗且热舒适违规率低于1%，并具备良好泛化能力。
2023-11-15 cs.AI cs.SY eess.SY
Model Comparison of a Data-Driven and a Physical Model for Simulating HVAC Systems
University of California, Berkeley（加州大学伯克利分校）
本文通过案例研究比较了数据驱动和物理模型在建筑温度动态建模中的性能，发现两者在节能控制中表现相近，但数据驱动模型因复杂度低更适合控制器设计，而物理模型更适合精细化空间建模。
2016-03-18 cs.SY eess.SY
A supervised-learning-based strategy for optimal demand response of an HVAC System
Member, IEEE（IEEE成员）
本文提出了一种基于监督学习的HVAC系统最优需求响应策略，通过训练人工神经网络并结合分段线性方程，解决多区建筑中HVAC系统的优化需求响应问题，同时确保热舒适性和经济性。
2019-04-29 cs.LG cs.SY eess.SP
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
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
ThermoLLM: LLM-Based Multi-Zone HVAC Control with a Spatiotemporal Context
University of New South Wales（新南威尔士大学）；CSIRO Energy Centre（澳大利亚联邦科学与工业研究组织能源中心）
提出一种热力学感知的LLM控制框架，利用物理信息空间知识图谱和近期交互历史，实现多区域HVAC的节能与舒适度优化。
2026-11-06 cs.AI cs.LG cs.SY
MPC for Energy Efficient HVAC Control with Humidity and Latent Heat Considerations
University of Florida（佛罗里达大学）
本文提出一种考虑湿度和潜热的MPC控制器，通过构建低阶数据驱动模型来改进HVAC控制，实验表明该控制器在模拟中优于传统规则控制器和未考虑湿度的MPC控制器，有效提升了舒适度和健康水平。
2019-03-11 cs.SY eess.SY math.OC
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
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
Safe Contextual Bayesian Optimization for Sustainable Room Temperature PID Control Tuning
ETH Zurich（苏黎世联邦理工学院）；Siemens Switzerland Ltd.（西门子瑞士有限公司）
我们调整最常见的供暖、通风和空调（HVAC）控制回路之一，即房间的温度控制。出于经济和环境的原因，优化该系统的性能至关重要。建筑物占一个国家能源消耗的20%至40%，其中近50%来自HVAC系统。情景预测预测，到2050年，由于效率的提高，供暖消耗将减少30%。先进的控制技术可以提高性能;然而，由于其简单性和整体性能，通常使用比例积分微分（PID）控制。我们使用安全上下文贝叶斯优化来优化PID参数，无需人工干预。与当前的PID控制器设置相比，我们降低了32%的成本，同时确保了房间内人员的安全和舒适。这项工作的结果对房间控制回路性能及其相关调试成本有直接影响。此外，这一成功的尝试为在不同级别的HVAC系统中进一步使用铺平了道路，节省了能源，运营和调试成本，并且实际证明了人工智能对环境可持续性的积极影响。
2019-06-28 cs.LG cs.SY eess.SY
Analyzing Occupancy-Driven Thermal Dynamics in Smart Buildings
University of Missouri（密苏里大学）；University of Oxford（牛津大学）
本文提出了一种新的框架，用于建模和分析智能建筑中的热力学动态，结合了建筑的热特性、随机占用模型和供暖策略，通过离散时间马尔可夫奖励形式对每个区域进行建模，并评估了六种不同的供暖策略，证明了该框架在选择基于占用模式和建筑热特性定制的控制策略方面的有效性。
2019-03-14 cs.SY eess.SY
Physics-Informed Predictive Control for Integrated Electric-Vehicle Thermal Management: An Open, Real-Data-Anchored Benchmark
McGill University（麦吉尔大学）
提出OpenEV-ThermoSciML开放基准，集成电池、座舱、热泵和CO₂模型，基于真实驾驶循环和天气数据，开发物理信息Sci-ML代理模型，实现多目标优化，并在真实热天场景下验证了显著改进。
2026-06-23 cs.SY eess.SY
Exploring Deep Reinforcement Learning for Holistic Smart Building Control
在本文中，我们采取整体的方法来处理商业建筑的能源使用和舒适性之间的权衡。我们开发了一个名为OCTOPUS的系统，该系统采用了一种新型的深度强化学习（DRL）框架，该框架使用数据驱动的方法来找到所有建筑子系统的最优控制序列，包括HVAC，照明，百叶窗和窗户系统。DRL架构包括一个新的奖励功能，允许框架探索能源使用和用户舒适度之间的权衡，同时由于四个不同的建筑子系统的相互作用，使高维控制问题的解决方案。为了应对OCTOPUS的数据训练要求，我们认为，校准模拟，匹配目标建筑物的操作点是车辆产生足够的数据，能够训练我们的DRL框架，找到目标建筑物的控制解决方案。在我们的工作中，我们使用10年的天气数据和在EnergyPlus建筑模拟器中实现的建筑模型来训练OCTOPUS，该模型使用来自真实生产建筑的数据进行校准。通过大量的模拟，我们证明，OCTOPUS可以实现14.26%和8.1%的节能相比，最先进的基于规则的方法在LEED金牌认证的建筑和最新的DRL为基础的方法在文献中，同时保持人体舒适度在所需的范围内。
2023-01-27 cs.LG cs.SY eess.SY
HVAC Energy Cost Optimization for a Multi-zone Building via a Decentralized Approach
Berkeley Education Alliance for Research in Singapore（新加坡伯克利教育联盟）；Nanyang Technological University（南洋理工大学）；University of California, Berkeley（加州大学伯克利分校）
本文研究了通过去中心化方法优化多区建筑HVAC系统的能耗问题，旨在降低能耗成本并满足热舒适性需求，通过考虑相邻区域间的热耦合并采用加速分布式增广拉格朗日方法（ADAL）来提高计算效率。
2019-05-21 cs.SY eess.SY math.OC
Robust Energy-Constrained Frequency Reserves from Aggregations of Commercial Buildings
Swiss Federal Institute of Technology (ETH) Zurich（苏黎世联邦理工学院）；University of California, Berkeley（加州大学伯克利分校）
本文提出利用商业建筑聚合实现鲁棒频率储备的控制框架，通过三级分层方法优化HVAC系统，验证100栋建筑可满足瑞士频率市场最低投标量要求。
2015-06-17 cs.SY eess.SY math.OC
Deep Reinforcement Learning for Smart Home Energy Management
在本文中，我们研究了一个智能家居的能源成本最小化问题，在没有建筑热动力学模型的情况下，考虑一个舒适的温度范围。由于模型不确定性的存在，参数不确定性（例如，可再生发电输出、不可转移的电力需求、室外温度和电价）和时间耦合的操作约束，确定用于调度智能家居中的加热、通风和空调（HVAC）系统和能量存储系统的最佳能量管理策略是非常具有挑战性的。为了解决这个问题，我们首先将上述问题表示为一个马尔可夫决策过程，然后提出了一种基于深度确定性策略约束（DDPG）的能量管理策略。值得一提的是，该策略不需要不确定参数的先验知识和热动力学模型的建立。基于真实轨迹的仿真结果验证了该策略的有效性和鲁棒性。
2019-12-19 cs.SY eess.SY
