基于人工智能的气候适应性暖通空调控制：一种适用于与电网交互的建筑的可扩展框架

《Energy》：AI-Driven Climate-Resilient HVAC Control: A Scalable Framework for Grid-Interactive Buildings

　　阿里·侯赛因·阿尔哈马米 | 奥马尔·胡迈丹 | 穆罕默德·J·阿尔沙耶布 | 卡莱德·阿尔马扎姆 | 雅库布·阿米努·多多
沙特阿拉伯纳杰兰大学工程学院土木工程系

**摘要**
在极端温度地区，住宅冷却系统往往需要长时间以最大容量运行，这给传统的控制策略带来了重大挑战。传统控制策略无法应对这些地区特有的极端昼夜温差（>19°C）和快速的环境变化，导致能源消耗过多和热舒适度下降。本研究提出了一种经过现场验证的框架，结合了数字孪生建模、图神经网络和深度强化学习，以实现极端气候条件下的建筑能源管理。该方法通过在沙特阿拉伯海勒市的五栋住宅建筑中进行为期14个月的现场研究进行了评估（BWh气候分类），该地区的夏季温度超过45°C。数字孪生模型能够实现高精度的热预测（温度RMSE：0.62°C；能源RMSE：0.35 kWh），从而实现控制策略的实时虚拟调试。图神经网络组件能够以0.28°C的RMSE预测不同区域之间的热动态，捕捉到传统方法所忽略的空间依赖性。深度强化学习控制器通过持续学习优化暖通空调系统的运行，适应居住模式和环境条件。结果表明，与传统恒温控制相比，能源消耗减少了35.3%（95%置信区间：32.1–38.5%），同时在92.0%的居住时间内保持了可接受的热舒适度，而基线系统的这一比例为68.2%。在极端事件期间，性能依然稳健，在沙尘暴期间通过预测性控制策略实现了42.5%的节能效果。经济分析表明，投资回收期为26.3个月，五年投资回报率为143%。该框架显示出可扩展性潜力，通过对100栋建筑进行协调控制，通过负载平衡和需求协调将节能效果进一步提高至38.0%。

**引言**
建筑物约占全球能源使用的40%和温室气体排放的30%，因此提高建筑环境的能源效率是一个重要的全球优先事项[1]。在极端气候条件下，这一挑战更加突出，建筑物的能源消耗可能是温带地区的三倍[2]。在炎热干旱地区，仅空间冷却就占住宅能源需求的65–70%，导致电力负荷持续升高和电网承受巨大压力[3]。预计气候变化将加剧这种压力，到2050年中东地区的平均气温将上升1.5–3.5°C[4]，这凸显了更有效的建筑能源优化策略的紧迫性[5]。沙特阿拉伯的海勒市就是这种情况的典型例子：夏季白天的温度经常超过45°C，夜间降至约25°C，造成巨大的昼夜温差，传统控制系统难以有效应对[6]。高水平的太阳辐射和频繁的沙尘暴进一步降低了建筑性能，使暖通空调系统的运行复杂化[7]。同时，沙特阿拉伯的“2030愿景”计划目标是在2030年前将国内能源消耗减少30%[8]，这迫切需要针对此类极端环境开发先进的、特定情境的优化方法[9]。然而，大多数现有的智能建筑解决方案，特别是基于固定设定点和静态时间表的传统规则控制策略，对快速的温度波动和突发天气事件的适应性有限[10]。显然，住宅能源消耗给国家电网带来了巨大压力，尤其是在气候条件恶劣的地区。El-Nakla[11]指出，沙特阿拉伯家庭中的传统恒温器是高能源使用的主要因素，尤其是在夏季。例如，在东部省份，45%至60%的家庭用电用于冷却[12]。Shukri Elbellahy等人[12]发现，标准建筑自动化系统无法维持稳定的舒适度，在昼夜温差极大的地区表现尤为糟糕。像模型预测控制（MPC）这样的先进方法提供了一些缓解措施，记录到了15%至25%的效率提升[13]，但这些系统通常依赖于简化的建筑模型，无法捕捉极端天气的复杂热动态[14]。研究表明，当气候条件恶劣时，MPC的预测准确性会下降[15]。Afram & Janabi-Sharifi[16]证明，在炎热干旱地区，预测准确性可能下降多达40%。Oldewurtel等人[17]解释说，传统MPC难以整合沙尘暴等随机因素，这种缺乏适应性的问题导致性能不佳[18]。Serale等人[19]确认，突然的天气变化会干扰这些系统的运行。显然，需要一种更具适应性的方法来实现可持续发展目标[20]。

幸运的是，数字孪生（DT）技术为解决这一问题提供了途径。它能够实现高精度的热行为虚拟模拟[21]，是能源优化的强大工具。Ullah等人[22]证明，数字孪生允许用户安全地测试各种方案，例如在实施前评估窗户玻璃的影响[22]。然而，仍存在挑战。Arsecularatne等人[23]指出，准确性严重依赖于数据的一致性。此外，Jabeom Koo[24]指出，在气候变化较大的地区校准这些模型非常困难。

与此同时，深度强化学习（DRL）显示出巨大潜力，它通过交互学习来优化控制[25]。Lee等人[26]报告称，在高温条件下节能效果可达4%至22%。Zhang & Tan[27]展示了高达38.95%的节能效果。然而，稳定性仍是一个问题。Lee等人[26]警告说，DRL控制器在面对与其训练数据不同的条件时会遇到困难。Yu等人[28]强调，极端气候下的非线性热动态使得这一应用变得复杂，需要提高其鲁棒性。为了解决结构复杂性，图神经网络（GNN）成为重要工具，它们能有效模拟空间和时间关系[29]。Hala?l?等人[30]利用GNN通过考虑区域间热传递来改进能源估算[30]。Jia等人[31]开发了处理复杂空间和时间依赖性的模型[31]。虽然数字孪生、深度强化学习和图神经网络各自具有潜力，但它们的协同整合尚未得到充分探索，尤其是在极端气候条件下。结合这些技术可以实现全面的能源管理。最近的研究暗示了这种潜力。Khanna & Maheshwari[32]使用多智能体DRL结合数字孪生实现了节能效果。Zhu等人[33]展示了类似的混合方法带来的节能效果。Chen等人[34]强调了GNN在精细控制方面的能力。开发一个利用这三种技术优势的系统代表了重要的进步机会。

最近的研究在不确定性下的完全数据驱动能源管理方面取得了进展，尽管应用重点不同。Kim等人[35]提出了一种基于DRL的住宅建筑能源管理系统，将电力与热技术结合，采用两级热泵配置，以最小化多户建筑的成本、排放和热不适。Liu等人[36]提出了一个区域集成能源系统的合作多智能体框架，通过协调共享存储和需求侧灵活性来提高社区层面的韧性和经济性能。Li等人[37]将这些理念扩展到低碳规划中，通过在双层优化结构中嵌入多智能体强化学习策略，明确考虑了碳定价和最坏情况下的电网互动。这些贡献证实了DRL在复杂多能源管理中的成熟度，并强调了多智能体协调的价值，但它们依赖于相对粗糙的系统级模型，缺乏详细的建筑数字孪生模型，也没有体现炎热干旱住宅区的极端运行条件。因此，它们在如何设计能够应对沙尘暴、极端昼夜温差或高度异质建筑群体的控制器方面提供的指导有限。

在更广泛的文献中，目前存在三个主要结构缺口。首先，大多数数据驱动和基于强化学习的建筑控制框架是在温带或温和大陆性气候下开发和验证的，只有少数针对海湾或沙漠地区的基于模拟的案例研究，几乎没有在恶劣条件下的长期现场部署。其次，数字孪生和基于图的模型很少在一个框架中结合使用，该框架将数字孪生视为建筑群体的动态数据中心表示，同时利用图结构来学习和控制多尺度热互动。第三，社区规模的策略通常关注供应侧资产或单个智能建筑，缺乏同时学习、预测和控制多个真实建筑的方法论框架，同时尊重电网约束和居住者舒适度。

**方法论差异**
本研究与最近基于AI和数字孪生的建筑能源管理研究的主要方法论差异总结在表1中，突出了本研究的更广泛范围和集成水平。本研究通过开发一个集成框架解决了这些差距，该框架结合了炎热干旱住宅社区的高精度数字孪生模型、图神经网络进行空间时间负荷预测，以及深度强化学习进行空调和其他灵活负荷的实时控制。该框架在海勒市多栋建筑的大量运行数据上进行了训练和验证，涵盖了典型天气和沙尘暴等极端事件，以量化社区规模的能源节约、舒适度影响和电网效益，从而补充和扩展了基于强化学习的能源管理研究。

**案例研究地点和实验设计**
实验研究在沙特阿拉伯的海勒市（27.5219°N, 41.7213°E）进行，该地区属于炎热干旱气候（BWh分类），具有极端的热条件。2024年6月至2025年8月的14个月研究期间收集的气象数据显示，夏季平均最高温度为45.3°C（8月峰值：46.3°C），昼夜温差超过19°C，年冷却度日为4,428（基准18°C）。该地区太阳辐射强烈（年平均值：...）。

**气候特征和基线能源模式分析**
室外温度和能源消耗数据的分析揭示了炎热干旱气候下冷却负荷的关键非线性关系。图8显示，在大约30°C以上，能源消耗遵循幂律关系而非线性相关。在室外温度超过40°C的78天内，传统控制系统的能耗达到3.2 kWh/m2/天，而...

**讨论**
本研究的结果强调了住宅暖通空调控制理念的根本转变，从被动温度调节转向主动热能管理。数字孪生建模、图神经网络和深度强化学习的协同整合解决了历史上单独应用这些方法在复杂热环境中的固有限制。

**结论**
本研究提出并验证了一个集成的数字孪生、图神经网络和深度强化学习框架，用于解决炎热干旱气候下的建筑能源优化问题，传统控制策略在这些条件下表现不佳。在沙特阿拉伯海勒市的五栋住宅建筑上进行的严格十四个月评估表明，在极端条件下（温度达到46°C且昼夜温差显著）实现了性能提升。

**作者贡献声明**
穆罕默德·J·阿尔沙耶布：资源、方法论、调查、形式分析。
卡莱德·阿尔马扎姆：资源、方法论、调查、形式分析、数据管理、概念化。
阿里·侯赛因·阿尔哈马米：撰写——初稿、资源、方法论、形式分析、数据管理。
奥马尔·胡迈丹：撰写——审稿与编辑、撰写——初稿、验证、监督、方法论。
雅库布·阿米努·多多：撰写——审稿与编辑。

**声明**
作者声明本文为原创作品，未在其他地方发表，也未被考虑发表。作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。

**数据可用性**
数据可根据合理请求提供。

**关于生成式AI和AI辅助技术在本文准备过程中的使用**
在准备本文过程中，作者使用了ChatGPT来提高文本的可读性和语言表达。使用该工具后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。

**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。

**致谢**
作者感谢国王哈立德大学的研究与研究生院通过项目编号RGP2/506/46资助了这项工作。