基于数字孪生与深度强化学习的沙漠气候建筑自适应节能控制框架的开发与现场验证

《Scientific Reports》：Field-validated climate-resilient HVAC control for mixed-use buildings in a hot-arid region

　　摘要沙漠城市的建筑难以高效运行，因为热浪和空气中的尘埃会增加制冷需求，改变短期热行为，并降低暖通空调系统效率。本研究针对炎热干旱气候下的混合住宅和商业建筑，开发并现场验证了一个自适应控制框架。该框架整合了一个持续校准的数字孪生、一个用于短期热行为和负荷预测的异构时空图神经网络，以及去中心化的多智能体深度强化学习。控制架构使用近端策略优化和共享图嵌入来更新暖通空调设定值。其舒适度约束与ASHRAE标准55和高性能建筑目标ASHRAE标准189.1保持一致。该框架在沙特阿拉伯哈伊尔的八栋有人居住的建筑中进行了为期18个月的评估：六栋住宅单位和两座小型商业设施。评估期间包括室外温度超过45°C的时段和48次记录的沙尘暴事件。与传统恒温器运行相比，该控制器将用电量减少了37.8%，并在93.5%的有人时段维持了ASHRAE PMV舒适范围。住宅建筑的节能率为36.5%，商业建筑为41.8%。在沙尘事件期间，前瞻性控制将这些节能率分别提高到44.2%和46.8%。该框架还优于模型预测控制和没有基于图的协调的局部DRL基线。迁移学习将商业建筑的训练时间减少了38%，计算需求减少了56%。基于校准数字孪生的独立社区级模拟预测，150栋建筑可实现41.2%的节能和43.8%的峰值负荷降低；这些数值不是通过额外的现场部署获得的。现场结果表明，气候特定的AI控制可以在严酷沙漠条件下提高以制冷为主导的建筑的能效和运营韧性。仍需在更大、更多样化的建筑组合中进行验证。