综述:人工智能驱动的暖通空调控制优化以提升能源效率与室内环境质量:近期进展与新兴方法综述

《BUILDING AND ENVIRONMENT》:AI-Driven HVAC Control Optimisation for Enhancing Energy Efficiency and Indoor Environmental Quality: A Review of Recent Advances and Emerging Approaches

【字体: 大 中 小 】 时间:2026年07月08日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  暖通空调(HVAC)系统是实现建筑脱碳的核心,然而改善室内环境质量(IEQ)往往会增加能源需求。本文对人工智能驱动的暖通空调控制优化进行了系统性文献综述,旨在不同建筑类型和气候条件下协同提升能源效率与室内环境质量。经基于系统评价与荟萃分析优先报告条目(PRIS

  
暖通空调(HVAC)系统是实现建筑脱碳的核心,然而改善室内环境质量(IEQ)往往会增加能源需求。本文对人工智能驱动的暖通空调控制优化进行了系统性文献综述,旨在不同建筑类型和气候条件下协同提升能源效率与室内环境质量。经基于系统评价与荟萃分析优先报告条目(PRISMA)的筛选流程,本综述共纳入2020至2025年间发表的143篇近期同行评审研究。分析表明,监督学习(SL)是预测与代理建模领域占主导地位的机器学习(ML)技术,且常被嵌入模型预测控制(MPC)框架中。强化学习(RL)与深度强化学习(DRL)因其无模型(model-free)自适应特性,越来越多地应用于设定值、气流、风阀及暖通空调组件的多目标监督控制。混合方法与集成方法正逐步兴起,以改善能源效率与室内环境质量之间的权衡鲁棒性。在各类建筑类型和气候条件下,所评述研究相较于基准工况平均报告了40%的节能效果,多项研究在维持优异室内环境质量的同时实现了50%以上的节能。尽管 results 令人鼓舞,实际验证仍然有限——130项研究中仅8项推进至现场或试验台部署,凸显了仿真研究与实践验证之间的显著脱节。本综述为人工智能驱动的暖通空调应用中协同提升建筑能源效率与室内环境质量提供了全面、情境敏感的 Mapping。
本文系统梳理了人工智能/机器学习驱动的暖通空调控制优化研究,重点围绕能源效率与室内环境质量协同优化展开分析。

3. AI/ML暖通空调控制技术用于室内环境质量与能源效率优化

机器学习作为人工智能的子领域,在暖通空调系统优化中的应用日益受到关注。监督学习、强化学习和深度强化学习是评述研究中的主导技术,主要应用于暖通空调系统优化以提升节能效果,进而降低建筑部门温室气体排放。机器学习技术通常部署先进的控制、预测和/或估计架构以应对现代或改造建筑的复杂性,但其有效性主要取决于数据质量与可用性。

3.1. 基于监督学习的暖通空调控制

监督学习利用完全标记的数据集训练算法,通过学习输入特征与期望输出之间的映射函数来预测新数据。在暖通空调控制优化中,监督学习模型可用于运行预测,或作为模型预测控制等复杂控制框架的核心预测模型。在监督学习辅助的MPC框架中,机器学习模型通常承担预测组件功能,估计控制时域内的未来室内温度、暖通空调负荷、与人员相关的需求或室内环境质量状态;优化器则在运行约束和舒适度约束条件下确定控制序列。与传统MPC依赖显式物理模型或第一性原理模型相比,监督学习辅助MPC可减少建模工作量并提升对复杂系统行为的适应性。

监督学习在暖通空调系统应用中具有稳定性高、可靠性好、实时控制架构计算需求较低等优势。研究表明,采用深度学习架构的监督学习方法,特别是人工神经网络(ANN),是短期负荷预测(STLF)的最佳选择,但其适用性因数据丰富度、控制时域和目标动态复杂性而异。综合表2中的研究可知,监督学习模型主要用于暖通空调优化中的预测、估计和控制支持,核心贡献包括降低风机功率、制冷能耗和暖通空调运行需求,同时维持热舒适或基于CO2的室内空气质量(IAQ)。人工神经网络(ANN)、深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)、支持向量机(SVM)和Transformer网络等模型在预测、基于人员信息的控制和节能暖通空调运行方面表现优异。然而,多数研究仅在单体建筑、特定气候或受控测试空间中进行验证,泛化性受限;且若干研究仅关注单一室内环境质量指标,主要为热舒适或CO2,对更广泛室内环境质量参数和长期现场部署的考虑不足。

3.2. 基于强化学习的暖通空调控制

强化学习通过与建筑/暖通空调环境的重复交互学习决策策略,基于观察到的状态选择动作,并根据与能源、舒适度或室内空气质量目标相关的奖励反馈进行更新。强化学习在建筑中的应用主要是开发高级监督控制策略,以实现最小化能耗同时维持热舒适性和/或室内空气质量等多目标优化。

强化学习问题通常表述为马尔可夫决策过程(MDP),包含状态集(S)、动作集(A)、奖励函数(R)和转移概率集。在暖通空调控制优化中,"状态"通常包括室内外温度、湿度和CO2浓度等环境变量;"动作"是发送至暖通空调系统的控制信号,如调节温度设定值或风机转速;"奖励"函数旨在平衡多目标,如最小化能耗同时惩罚偏离舒适范围的情况。

强化学习技术的优势在于其自适应和学习特性、多目标优化能力以及低运行时计算成本,使其在建筑节能和温度调节方面优于其他机器学习应用。但强化学习也存在前期训练时间长、需要大量回合学习有效策略、计算要求高、仿真-实境差距(Simulation-to-Reality Gap)大、可扩展性差、决策逻辑可解释性不足等局限。基于强化学习的研究(表3)表明,其在自适应和多目标暖通空调控制中的作用日益增强,主要贡献在于优化顺序控制决策,但存在仿真依赖、算法复杂、可扩展性有限、真实运行条件下鲁棒性不确定等问题。

3.3. 基于深度强化学习的暖通空调控制

深度强化学习通过深度神经网络近似价值函数或策略函数,扩展了传统强化学习,可在更高维度和连续的状态-动作空间中进行控制。与传统规则控制(RBC)或传统比例-积分-微分(PID)控制器相比,深度强化学习通过无模型方法,在与建筑环境的持续交互中学习最优控制策略,为复杂非线性暖通空调系统提供动态适应性,同时处理能耗、居住者舒适度和室内空气质量之间的权衡,而无需显式系统模型。

深度强化学习面临的主要障碍是样本效率低下,通常需要大量环境交互(样本)才能收敛到良好策略,训练深度强化学习暖通空调控制器可能需要数十个月甚至更长时间,这使得直接在实际建筑运行期间训练不可行。深度强化学习研究(表4)表明,该方法能够处理涉及高维状态、动态人员信息和多目标能源-室内环境质量优化的复杂暖通空调控制问题,软演员-评论家(SAC)、近端策略优化(PPO)、深度Q网络(DQN)、门控循环单元-强化学习(GRU-RL)、Double Q-learning、LSTM-PPO和LSTM-DDQN等方法在节能和室内环境质量维持方面表现 promising,但这些研究验证背景有限,且通常需要大量训练、精心设计的奖励函数和进一步的现场测试。

3.4. 暖通空调控制的混合与集成算法

混合与集成机器学习算法的应用是重要趋势。混合人工智能驱动控制结合预测模型、优化程序或基于学习的策略以提升鲁棒性、灵活性和多目标控制性能。这些先进方法结合多个算法的预测结果,以优于单一传统机器学习技术的性能和鲁棒性,能够处理暖通空调系统的复杂非线性特性。混合与集成方法的主要贡献在于整合监督学习的预测能力与强化学习/深度强化学习的自适应决策能力,从而改善热舒适性、降低空调使用、减少通风能耗并提升能源绩效。但此类研究数量仍然有限,且往往高度系统特定,其复杂性、对高质量数据的依赖以及有限的现场验证仍是广泛实际应用的主要障碍。

3.5. 人工智能驱动暖通空调控制的新兴趋势与发展

当前趋势清晰显示,人工智能驱动的暖通空调控制正从预测导向模型向自适应、多目标和混合控制策略演进。监督学习仍广泛用于预测能源需求、人员信息、热舒适度和室内空气质量变量,常作为模型预测控制的支持层;强化学习和深度强化学习因其学习动态控制策略的能力而日益受到采用;混合与集成方法则将监督模型的预测准确性与基于强化学习的控制器的自适应决策能力相结合。这一趋势表明,该领域正超越单一节能模型,向集成化、数据驱动的控制框架发展,旨在平衡能源效率、居住者舒适度、室内空气质量、鲁棒性和部署就绪性。

4. 人工智能/机器学习驱动暖通空调控制中的优化目标

4.1. 人工智能/机器学习用于节能暖通空调运行

机器学习在暖通空调中的应用具有双重目的:改善室内环境质量(通常为热舒适或室内空气质量)和降低能耗。监督学习模型最常用于能源负荷预测,因其处理非线性问题的固有能力。为提升预测准确性和鲁棒性,模型常进行组合,如CNN-LSTM网络结合特征提取和时间序列学习以准确预测能源负荷;集成技术如梯度提升机(GBM)或投票混合回归(VHR)可改善照明、供暖和制冷负荷预测准确性、减少过拟合并增强模型泛化能力。

4.2. 人工智能/机器学习辅助的室内环境质量优化

评述研究主要涉及热舒适和室内空气质量作为室内环境质量的组成部分,照明和声学优化代表性不足。机器学习算法广泛用于建模和预测热舒适指数,常作为模型预测控制或深度强化学习等高级控制系统中的预测层,用于准确优化热舒适,预测主观指标如预测平均投票数(PMV)和热感觉投票(TSV)。此外,机器学习可有效开发个性化热舒适模型,超越Fanger PMV等通用模型;还可利用心电图(ECG)、脑电图(EEG)和皮肤温度等生理信号构建热舒适预测模型。

在室内空气质量方面,机器学习技术用于准确预测污染物浓度和建筑人员模式,确保达到正确通风率并将室内空气质量维持在可接受水平。混合模式通风(MMV)是另一应用领域,强化学习算法可通过基于室外和室内条件灵活切换自然通风与空调来优化混合模式通风,实现多目标协同优化。在室内环境质量导向的暖通空调应用中,人工智能/机器学习方法还可作为计算流体力学(CFD)分析的代理模型或降阶模型,当需要实时控制支持时尤为相关。

4.3. 人工智能/机器学习赋能的需求响应

将暖通空调系统与先进机器学习技术集成是优化能源消耗、增强热舒适度和实现有效需求响应(DR)参与的关键研究领域。传统控制方法如开关控制和PID控制通常依赖固定温度设定值或预定义规则,因对动态变化适应性有限而存在运行效率低下的问题。深度强化学习技术如深度Q学习(DQL)、深度确定性策略梯度(DDPG)和软演员-评论家(SAC)已成功应用于需求响应场景。混合强化学习方法结合预测模型可增强暖通空调需求响应性能,如LSTM估计人员信息和预测暖通空调性能,再融入决斗深度Q网络(DDQN)控制代理以最小化无人员时段的暖通空调运行时间。

准确负荷预测是高级暖通空调控制的基础。人工神经网络和多层感知器(MLP)广泛用于负荷预测;回归和集成方法如支持向量回归(SVR)、支持向量机(SVM)、随机森林(RF)和极端梯度提升(XGBoost/XGBM)常用于负荷预测和热舒适预测。

4.4. 能源、热舒适和室内空气质量的多目标优化

多目标优化(MOO)框架在现代建筑管理中至关重要,特别是在暖通空调系统中,控制决策必须同时最大化能源效率和室内环境质量。

能源效率与热舒适的权衡:高级暖通空调控制的根本挑战在于最小化能耗与最大化居住者热舒适之间的固有权衡。模型预测控制通过预测建筑未来热行为来平衡能耗与热舒适阈值,但其有效性高度依赖底层预测模型的准确性。无模型强化学习算法如深度Q学习(DQL)作为模型预测控制的替代方案受到关注,智能体通过试验-错误方法学习最优控制策略以最大化综合奖励函数。

室内空气质量+热舒适+能源效率优化:最常见的室内空气质量监测参数包括CO2、颗粒物(PM2.5和PM10)、总挥发性有机化合物(TVOC)和甲醛(CH2O)。增加室外空气摄入可降低室内CO2水平,但可能增加供暖或制冷负荷,影响能耗并造成短期热不适。机器学习算法如卷积神经网络、长短期记忆网络和混合模型(CNN-LSTM)因近似复杂非线性关系的能力而非常有效。集成优化框架同样有效,如三重目标优化框架可实现高预测精度,成功减少不舒适小时数、降低CO2浓度并提升能源效率。

舒适度公平性:在多人员空间中,公平性感知的优化方法对共享暖通空调控制至关重要。多智能体强化学习(MARL)可用于多区域热控制问题,智能体可追求区域特定目标而非优化单一全局目标。集中训练分散执行(CTDE)范式用于公平冷却负荷分配,展示了更好的协调性,确保控制性能的公平牺牲。

5. 人工智能/机器学习应用、数据与数字基础设施挑战

机器学习暖通空调应用中的显著挑战是样本效率低下,特别是无模型的深度强化学习算法存在漫长的训练时间以获得可接受性能,常需数十个月或更长时间,影响部署期间直接训练的可行性。模型预测控制中模型准确性至关重要,但可能因建筑类型、人员时间表或负荷特征的变化而受损;无模型方法如经典Q学习在处理真实世界暖通空调系统典型的大维度或连续状态和动作空间时面临维度灾难和计算复杂性。许多高性能机器学习模型,特别是基于深度神经网络(DNN)的模型,因"黑箱"特性而受到批评,难以解释底层决策过程,缺乏可解释性可能阻碍利益相关者信任并与透明控制策略的法律要求冲突。总体而言,大多数先进机器学习控制方法因实际部署中的重大挑战和确保人工智能驱动策略在实际场景中的运行可靠性问题而局限于学术研究。

5.1. 数据稀缺性、联邦学习与迁移学习

机器学习和深度学习模型需要大量高质量数据进行训练以实现准确预测和强泛化能力,但在实际应用中获取充分且具代表性的数据集往往困难。由于这一障碍,大多数研究依赖小型、案例特定的数据集,限制了模型在不同建筑类型、地区或气候条件间的泛化能力。

联邦学习(FL)作为关键解决方案应运而生,特别适用于需要隐私保护的多建筑场景。联邦学习是一种去中心化方法,允许多个设备或客户端在不交换或集中原始数据的情况下训练共享机器学习框架,显著增强隐私保护能力,减少数据传输成本和集中存储相关风险。联邦学习可融入物联网(IoT)框架用于室内空气质量和暖通空调控制优化,特别是管理通常在分布式建筑间非独立同分布(non-IID)且敏感的环境数据。

迁移学习在人工智能驱动暖通空调控制中日益重要,因其能够将数据丰富的源建筑获得的知识重用于存在数据有限的新但相似的目标建筑。主要优势包括提高数据效率、缩短训练时间、降低计算和数据收集成本、在长期历史数据不可用的建筑中表现更好。然而,其有效性强烈依赖源域与目标域之间的相似性,建筑特征、天气、人员或暖通空调配置的差异会降低迁移性能;迁移模型通常仍需特定场地的微调,特别是存在局部不确定性或不同感知和分区结构时。

5.2. 数据质量与标准化问题

高质量数据和统一协议是开发和部署暖通空调系统先进控制策略的关键挑战。不同暖通空调系统和设施间缺乏标准化使得数据比较或整合困难。常见数据质量问题源于不一致性和测量问题:不同传感器可能采用不同采样策略导致时间错位和特征值不匹配;传感器可能存在故障、安装位置错误、校准失准或产生可疑读数;缺乏常规精度校准意味着传感器读数可能长期"漂移"。为确保高质量训练数据输入,可能需要进行全面预处理,包括清洗原始数据消除错误、处理不一致性、使用统计阈值或范围检查检测异常值、通过线性或样条插值插补缺失数据,以及应用信号平滑。

6. 人工智能驱动暖通空调控制算法性能的对比综合

6.1. 不同控制算法的能源效率结果

机器学习算法在暖通空调控制优化中显示出实现显著节能或降本潜力的能力,主要通过预测或最优控制策略利用建筑热惰性、基于实时和预测条件动态调整设定值,或减少无人员或低需求时段的能源浪费。值得注意的是,所报告节能值为研究特定结果而非人工智能/机器学习控制模型的绝对排名,因基准控制器、建筑类型、气候条件、暖通空调系统边界、控制目标、仿真或现场验证设置以及热舒适或室内空气质量约束存在显著差异。

高节能研究集中于制冷系统或优化变风量组件如通风风机/风阀;深度强化学习方法特别是处理连续动作的PPO变体通常优于离散方法如DQN。节能最低或负性能的研究往往由于算法固有限制、扩展困难或主要关注非能源最小化的其他目标。

6.2. 不同控制算法的室内环境质量结果

评述文献报告了基于人工智能的暖通空调控制方法在提升热舒适和室内空气质量方面的显著进展。专门优化热舒适的卷积神经网络算法报告了接近100%的室内舒适条件改善。以室内空气质量为中心的应用中,循环神经网络、支持向量机和联邦学习框架展示了稳健的预测和控制能力,CO2浓度控制准确率范围为78%至97%,室内空气质量改善指数平均约85%-90%。

6.3. 建筑类型与气候相关模式

评述研究表明,人工智能驱动暖通空调控制的报告性能强烈受建筑环境和气候条件影响,模型适用性取决于主导负荷特征、暖通空调配置和运营优先级。商业建筑在文献中出现频率最高,许多高性能应用针对制冷密集型系统、通风控制或多区域运行;住宅建筑更多与较简单的舒适导向或设定值控制策略相关。

气候显著影响各种机器学习控制器实现暖通空调最优节能的效果。基于报告节能和室内环境质量优化结果,研究开发了气候-算法矩阵:湿润亚热带气候中,建筑经历长期潮湿制冷期,结合强化学习的混合预测模型报告更高性能;温带海洋性和大陆性气候(Cfb/Dfb)中,能源需求适中且与天气模式密切相关, favor 平滑动作和样本高效的强化学习方法如SAC;地中海气候(Csa/Csb)有利于连续动作强化学习方法;热带气候中,预测模型结合自适应强化学习或Transformer框架表现良好,主要归因于精确的短期负荷预测与离散及连续动作优化技术的协同。

6.4. 模型泛化性

在所评述研究中,监督学习方法表现出最大的 asserted 适用性,但其实际应用受数据和情境因素约束。监督模型成功转移通常归因于物理信息变量(如热负荷和人员代理)纳入特征集,以及包含交叉建筑验证和简单适应步骤(如微调或重新校准)的方法论流程。

强化学习和深度强化学习因其无模型适应性而被认为具有跨不同环境转移的能力,但泛化性取决于状态/动作设计和训练过程中的变异性暴露程度。从深度强化学习导出的策略在采用域随机化(如变化动态、天气条件和舒适偏好)训练时泛化性增强,部署阶段包含安全探索策略和约束管理时亦如此;缺乏这些考虑时,策略可能过拟合仿真环境的特殊性而在真实系统中表现不佳。

6.5. 模型部署与挑战

机器学习模型在暖通空调系统优化中的实施率仍是重大障碍。多数机器学习方法因安全、泛化、数据可用性、成本和基础设施考虑而局限于仿真环境。无模型强化学习策略需要大量试验-错误训练,初始探索常涉及测试极端动作,从而在实施中造成能源效率低下、居住者不适或设备过度应力风险。校准仿真器主要无法准确捕捉真实世界复杂性,如传感器不准确、执行器 backlash、设备磨损、波动时间表和非静态居住者行为。仅8项研究通过部署或试验台测试验证仿真结果,部署率仅6%。模型可解释性不足、运营成本、数据共享阻碍和"黑箱"策略导致的信任侵蚀等问题进一步限制了实际应用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号