《Energy Conversion and Management-X》：Performance improvement of a hybrid heat pump system with PVT using DNN and optimization algorithms
编辑推荐：
本研究针对建筑能耗与碳排放问题，提出了一种集成光伏光热（PVT）与空气源热泵（AWHP）的混合系统优化框架。通过粒子群算法（PSO）进行全生命周期成本（LCC）设计优化，并利用深度神经网络（DNN）实现关键子系统流量的实时智能控制。结果表明，优化系统生命周期成本降低10.6%，热舒适小时数提升13.1%，系统性能系数（COP）提高5.0%。该研究为可再生能源混合系统在零能耗建筑中的高效部署提供了理论与实践基础。
在全球应对气候变化和推动建筑节能的背景下，建筑领域作为能源消耗和温室气体排放的重要来源，其绿色转型迫在眉睫。传统的供热、制冷系统依赖单一化石能源，效率有限且碳排放大，而太阳能等可再生能源又受限于间歇性和不稳定性。如何将多种可再生能源高效、稳定地整合起来，并实现系统设计和运行的协同优化，是当前建筑能源系统面临的关键挑战。光伏光热（Photovoltaic-Thermal, PVT）系统能同时产生电力和热能，但与建筑用能需求在时间上不匹配，常需与热泵等辅助热源组成混合系统。这类系统组件多、运行复杂，传统的设计方法往往导致系统配置与实际运行条件脱节，而常规的控制策略难以应对动态变化，导致系统整体性能不佳，经济性差。为了解决这些问题，发表在《Energy Conversion and Management: X》上的研究《Performance improvement of a hybrid heat pump system with PVT using DNN and optimization algorithms》提出了一种创新的解决方案。
为了开展研究，研究人员首先在韩国釜山的一个示范办公楼建立了实验系统，收集了实际运行数据，并以此为基础开发并验证了包含建筑围护结构、PVT、AWHP、储热罐（HST）和风机盘管（FCU）等子模块的物理仿真模型。关键技术方法包括：利用粒子群优化（PSO）等元启发式算法对系统关键设计参数（如PVT模块数量、热泵容量、储热罐体积等）进行全生命周期成本（LCC）优化；基于优化仿真数据，为AWHP、FCU和PVT子系统分别构建了以性能、热舒适性和经济性为目标的深度神经网络（DNN）模型，用于预测最优实时流量；最后，在验证的仿真平台上对比评估了基准系统、常规设计系统、优化设计系统（OPTD）和DNN控制系统在不同季节下的能源、经济和舒适性性能。
Building overview
目标建筑是位于韩国釜山的一座两层办公楼，总建筑面积约110平方米，用于评估混合PVT-AWHP系统在真实气候条件下的性能。建筑围护结构的热工性能符合韩国建筑节能设计标准。
System configuration and operation process
系统由PVT模块、空气源热泵（AWHP）、两个储热罐（HST1用于生活热水，HST2用于空间采暖/制冷）、风机盘管（FCU）以及能源存储系统（ESS）组成。系统集成设计旨在最大化可再生能源的利用，通过复杂的控制逻辑协调各组件工作。
Experimental data collection and analysis
研究从示范建筑中收集了冬季、夏季和过渡季节的高分辨率（每分钟）运行数据，用于校准和验证仿真模型。系统关键组件的设计规格和运行条件被详细记录，为后续建模和优化提供了坚实基础。
Simulation models
研究采用了混合（白盒与灰盒）建模方法构建了系统的动态仿真框架。每个子模型（如RC建筑模型、HST、PVT、AWHP、FCU）均基于物理原理或经验公式，并通过实测数据验证，确保了模型在预测系统非线性动态行为时的准确性。DNN控制器则被设计为黑盒模型，用于映射环境条件和系统状态到最优流量指令。
Optimization algorithm
为优化系统设计，研究比较了遗传算法（GA）、粒子群优化（PSO）和模拟退火（SA）三种元启发式算法。结果表明，PSO算法在解决该混合整数非线性规划问题时表现出更快的收敛速度和更好的全局寻优能力，被选为最终的设计优化工具。
Deep neural network
针对传统规则控制（RBC）的不足，研究为AWHP、FCU和PVT分别开发了专用的DNN控制模型。这些模型采用全连接前馈神经网络结构，结合了Leaky ReLU激活函数、Dropout和Batch Normalization等技术，并通过超参数优化框架（如Optuna）进行训练，以学习从环境变量到最优操作变量（流量）的复杂非线性关系。
Optimum design
设计优化以最小化生命周期成本（LCC）为主要目标，同时兼顾热舒适性（PMV指标）。优化变量包括PVT模块数量、储热罐体积、热泵容量以及多个温度设定点。PSO算法寻优后得到的优化设计（OPTD System）与常规设计（CONV System）相比，生命周期成本显著降低。
DNN development and validation
研究为三个关键子系统开发了基于特定优化目标的DNN控制器：（1）对于AWHP，目标是最大化COP，同时保证热响应和降低泵耗；（2）对于FCU，目标是维持室内热舒适（PMV接近0）并最小化温度偏差和能耗；（3）对于PVT，目标则是最大化系统总收益（发电和热收益减去泵耗成本）。每个DNN模型都基于大量仿真数据训练，并表现出良好的预测精度和泛化能力。
System performance with optimized design and control
性能评估对比了四种系统配置：基准系统（BS，传统分体系统）、常规混合系统（CONV）、优化设计系统（OPTD）和DNN控制系统（DNN）。结果表明：
- •
热舒适性（Thermal comfort）： 在典型日和全年尺度上，OPTD系统和DNN系统在维持室内热舒适方面均优于CONV系统。DNN系统通过实时调整流量，能更精细地控制环境，尤其在部分负荷条件下表现更佳。
- •
能源性能（Energy）： 在全年能耗方面，DNN系统通过智能流量控制，在保证供热/制冷量的同时，显著降低了循环泵的能耗。尽管PVT的发电量和集热量因流量减少而略有下降，但系统总能效得到提升。DNN系统相比OPTD系统，系统COP提高了5.0%，总能耗降低了2.8%。
- •
经济性（Economic）： 生命周期成本分析显示，OPTD系统和DNN系统的经济性远优于CONV系统。DNN系统实现了最低的生命周期成本（14.42百万韩元），投资回报期最短，展现了集成优化带来的显著经济效益。
该研究通过整合经过验证的仿真、智能控制逻辑和全面的设计优化，成功克服了以往研究的局限性。其核心结论在于，将基于仿真的设计优化与智能运行控制相结合，可以显著提升混合太阳能辅助热泵系统在能源、经济和舒适性方面的综合性能。这项研究不仅证明了所提框架的有效性，更重要的是为混合能源系统在高效、低碳建筑中的大规模实际应用提供了可靠、实用的方法论基础。该研究的意义在于指明了一条通过先进算法耦合设计与控制，从而释放复杂能源系统全生命周期潜力的技术路径，对推动建筑领域迈向零能耗具有重要的参考价值。
