《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Towards smart thermal energy management: A review on machine learning for control and optimization of active phase change systems in buildings
编辑推荐：
摘要建筑行业在全球能源消耗和碳排放中占据重要比例，这凸显出发展近零能耗建筑及智能能源系统的迫切需求。主动型相变材料系统通过引入动态组件，实现对相变材料储能与释放过程的按需控制，从而显著提升建筑围护结构的热管理能力及能源调度灵活性。然而，这类系统具有多变量相互作用、强非线性以及时变
摘要
建筑行业在全球能源消耗和碳排放中占据重要比例，这凸显出发展近零能耗建筑及智能能源系统的迫切需求。主动型相变材料系统通过引入动态组件，实现对相变材料储能与释放过程的按需控制，从而显著提升建筑围护结构的热管理能力及能源调度灵活性。然而，这类系统具有多变量相互作用、强非线性以及时变特性等复杂特点，给基于传统物理模型的建模方法和规则控制策略在实现实时优化与全局决策方面带来了巨大挑战，这些方法往往存在计算成本高、精度有限且适应性不足等问题。近年来，机器学习技术的出现为解决这些难题提供了一种全新的数据驱动思路。本综述系统梳理了机器学习在建筑中主动型相变材料系统控制与优化方面的应用研究。首先，介绍了集成在墙体、楼面和天花板中的主动型相变材料系统的相关研究进展及关键设计参数；接着，分析了传统方法的局限性，并阐述了机器学习带来的机遇与突破性应用，包括高效的替代建模方法、智能控制技术以及多目标参数优化策略；最后，全面总结了当前研究现状，指出了数据依赖性、模型可解释性以及实时部署等重大挑战，并提出了未来的研究方向。本研究旨在推动机器学习、建筑物理学与能源系统工程之间的深度整合，为开发新一代智能化、自适应且低碳的建筑能源系统提供有益参考。
引言
作为全球能源消耗和碳排放的主要贡献者，建筑行业占据了社会总能源使用的40%以上，因此具备巨大的减排潜力[1]。不过，在高密度城市环境中实现建筑低碳化面临着诸多挑战[2]。面对日益严峻的气候变化和能源危机，近零能耗建筑及智能能源系统的研发引起了国际社会的广泛关注。提升建筑围护结构的热惯性并优化其能源调度能力，被视为实现建筑能效提升及灵活用电的重要策略。
由于具有较高的能量存储密度以及近乎等温的相变特性，相变材料在建筑热管理领域受到了广泛关注。早期的研究和应用主要集中于被动型相变材料系统，即通过将相变材料集成到墙体[3]、屋顶[4]或天花板[5]中，利用其潜热存储能力来自动缓解室内温度波动。虽然这类系统能有效提升热舒适度，但相变材料本身的固有属性也存在一些技术限制：其一，其热导率通常较低，导致热量存储与释放速度较慢，难以满足快速变化的负荷需求；其二，其能量释放过程完全依赖于环境温度差，缺乏主动控制机制，因此在动态气候条件及间歇性能源使用场景下性能受限[6]。
为克服上述挑战，研究人员开发出了主动型相变材料系统。这类系统通过引入流体管道、热泵和风扇等主动组件，构建了主动-被动相结合的热管理框架，能够根据实际需求调控相变材料的储能与释放过程。研究表明，主动型系统不仅能够显著加快相变材料的相变响应速度，还能与太阳能、夜间辐射冷却等可再生能源技术相结合，同时可参与分时电价下的需求响应计划[[7], [8], [9]]。然而，系统复杂性的增加也带来了新的科学挑战：主动型相变材料系统存在多变量相互作用、强非线性特征，且其动态行为会受到天气状况和使用者行为等多种不确定因素的影响。传统的基于物理模型的方法，如计算流体力学（CFD）和电阻-电容（RC）网络模型，在实现实时系统级控制及全生命周期优化方面，往往存在计算成本高或精度不足的问题。而基于经验的规则控制策略也难以在能源效率、经济可行性和热舒适性等多重目标之间实现动态平衡。
近年来，机器学习的快速发展为解决这些难题提供了一种全新的数据驱动思路。与传统方法不同，机器学习可以直接从运行数据中学习输入与输出之间的复杂非线性关系，无需依赖精确的物理方程。在主动型相变材料系统领域，机器学习在三个关键方面展现出巨大的应用潜力：1）高效建模：神经网络和高斯过程等技术可用于构建高精度且计算效率高的替代模型，替代繁琐的物理仿真，从而加速系统设计和策略评估；2）智能控制：模型预测控制（MPC）和深度强化学习（DRL）等先进算法能够助力开发出能够主动应对环境变化、电价波动及用户需求的自适应控制策略；3）全局优化：通过结合遗传算法和贝叶斯优化等方法，机器学习可实现对系统设计参数及运行策略的多目标优化，从源头提升整个系统的性能。
本文对用于建筑中主动型相变材料系统控制与优化的机器学习应用进行了全面综述与总结。文章首先系统梳理了集成在墙体、楼面和天花板中的主动型相变材料系统的相关研究进展及关键设计要点；接着分析了传统方法在建模、控制及优化方面的局限性，同时强调了机器学习带来的机遇；随后介绍了若干关于机器学习在主动型相变材料系统控制与优化方面应用的典型研究案例；最后探讨了当前研究面临的挑战，并提出了未来的研究方向。通过这项工作，我们期望推动机器学习、建筑物理学与能源系统工程之间的深度融合，最终实现开发具备感知、预测、决策和学习能力的智能建筑“Agent”，从而让建筑能源系统实现高效、自适应且低碳的运行。
章节节选
方法论
文献检索的结果如图1所示。本次检索是在ScienceDirect和Web of Science数据库中进行的，时间范围为2010年至2025年，搜索主题为相关领域文献。通过关键词“Phase Change Material”和“PCM”分别检索到了40,571篇和18,946篇论文（包括综述论文和研究论文），这一数据反映出学术界对相变材料领域的极大兴趣。之后又通过添加“Buildings”等关键词进一步筛选。
主动型相变材料系统中的研究、应用及机器学习应用前景
相变材料在提升建筑能效方面的应用，已从早期的被动式隔热方式发展为兼具主动式热管理功能的智能系统。虽然被动型相变材料系统在提升建筑热惯性方面具有显著潜力，但其热响应延迟以及能量释放速率难以控制等固有缺陷，限制了其在复杂气候条件及多变能源需求环境下的应用效果。为解决这些问题
机器学习在控制主动型相变材料集成系统中的应用
机器学习在系统建模与性能预测方面的进步，为动态调控相变材料集成系统奠定了坚实基础。与传统的固定设定点控制策略相比，机器学习更能有效应对相变材料的非线性热过程以及不断变化的外部环境条件，从而使相变材料的存储/释放周期与建筑的实际能源需求实现最佳匹配。在这样的背景下，机器学习的应用越来越广泛
机器学习在优化主动型相变材料集成系统中的应用
需要说明的是，本综述中所说的“优化”主要指的是离线或设计阶段的性能提升，包括相变材料的热物理参数选择、层厚设计、管间距设定、翅片几何形状设计、组件布局规划以及长期运行参数确定等工作。尽管优化算法也可能被嵌入到MPC和DRL等控制方法中，但只要某项研究的核心目标是确定最优的设计变量、系统配置等，就会归入本部分进行讨论。
讨论与比较
本综述系统分析了机器学习在建筑中主动型相变材料系统控制与优化中的应用情况。分析表明，机器学习技术并非简单取代传统方法，而是为解决该领域存在的固有难题提供了全新的思路。具体而言：
- 1)
建模层面：虽然传统的物理模型（如CFD、TRNSYS）能够阐明相关物理机制，但其高昂的计算成本却成为一大障碍
结论
本文系统梳理了将机器学习技术应用于建筑领域主动型相变材料系统的相关研究，由此得出以下核心结论：
在系统建模和状态预测方面，机器学习的效率远远高于传统的数值方法。研究表明，基于人工神经网络等技术的替代模型，在预测关键状态（如相变完成时间）时，准确率可超过92%
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知利益冲突或个人关系。
致谢
本研究得到了广州大学研究生创新能力发展计划（项目编号：JCCX2025-004）以及广州大学研究生海外联合培养项目的资助。
此外，本研究还获得了研究、创新与数字化部的资助，项目编号为PNRR-C9-I8-760089/23.05.2023，代码为CF31/14.11.2022。
叶立飞|刘正光|张广鹏|陈东|崔永波|索特里斯·卡洛吉鲁
中国广东省广州市广州大学土木工程与交通学院，邮编510006
