基于深度强化学习与二元相变材料的智能建筑制冷系统性能优化研究

《Journal of Energy Storage》：Flattening power curves in smart buildings: Deep reinforcement learning for enhancing chiller performance and binary phase change materials

本文提出了一种结合二元相变材料（PCM）与协同多智能体强化学习（CMARLDC）的创新控制策略，通过优化制冷机组（Chiller）运行序列和热储能系统（TES）调度，实现智能建筑能耗降低28%以上，同时将相变材料储罐体积缩减至传统设计的16.8%。该研究为提升暖通空调（HVAC）系统性能系数（COP）、平衡电网峰谷负荷提供了重要技术路径。

　　

亮点

本研究通过创新性地整合二元相变材料（PCM）与协同多智能体强化学习深度聚类（CMARLDC）技术，显著提升了智能建筑冷却系统的能效表现。该方法实现了相较于传统制冷系统超过28%的节能效果，同时将热储能体积大幅缩减至传统设计的16.8%。

结果与讨论

为确保制冷机组始终运行在最佳性能系数（COP）区间，本研究采用多热储能（TES）系统优化序列控制策略。当制冷负荷低于峰值死区时，富余的冷冻水被用于对相变材料（PCM）储罐进行充冷；反之当负荷超标时，系统则从储罐提取冷量供给空气处理单元（AHU）。这种动态调度策略有效避免了制冷机组在低负荷率（PLR）工况下的效率衰减问题。

结论

本研究证实了二元相变材料（PCM）与协同多智能体强化学习（CMARLDC）的融合应用可显著提升智能建筑冷却系统的能源效率。采用96.2%十四烷与3.8%十六烷的共晶混合物使热储能体积实现最小化，而智能控制算法则通过优化储罐充放冷序列，将制冷机组持续维持在高效率运行区间。该技术为构建可持续、强韧性的城市冷却基础设施提供了创新解决方案。