《Cleaner Engineering and Technology》：A Hybrid Data–Physics Fusion Approach for Energy-Efficient and Comfort-Oriented Real-Time HVAC Optimisation with Dynamic Occupant Perception
编辑推荐：
本研究针对传统HVAC（Heating, Ventilation, and Air Conditioning）系统基于静态假设导致能耗与舒适度失衡的问题，提出一种融合物理模型与数据驱动的混合框架。该框架通过毫米波（mmWave）雷达实时感知人员动态行为，构建“基准+增量”双通道预测模型，并集成多目标粒子群优化（MOPSO）算法。实验表明，该方法能显著提升预测精度（对比静态模型提高76%），同时降低能耗（8.7%）并改善热舒适（56.2%），为商业及机构建筑的可持续运行提供了创新解决方案。
想象一下，在一个现代化的办公楼或教室里，空调系统（HVAC）正努力地工作，试图在维持室内凉爽或温暖的同时，也为使用者带来舒适的感受。然而，你是否曾感到过空调开得太冷，或者因为人数突然增多而显得闷热？这背后隐藏着一个长期困扰建筑节能与室内环境领域的核心挑战：如何在保证人们热舒适的前提下，最大限度地降低能源消耗？传统HVAC控制系统往往依赖于固定的时间表、预设的温度设定点以及对室内人数、活动的简单甚至静态假设。例如，它可能默认房间在某个时段有固定数量的人，并且这些人均匀分布、静止不动。但现实情况要复杂得多：人们会走动、聚集、进行不同强度的活动，这些动态行为会显著改变局部的热环境和对空调的冷热需求。忽视这些精细的动态信息，不仅会导致能源浪费——比如在人员稀少的区域过度供冷，也可能让身处“热点”区域的人感到不适。据统计，建筑能耗中约有40%来自HVAC系统，而人们对室内热舒适的需求却在持续增长，这使得寻求一种更智能、更自适应的HVAC控制策略变得至关重要。已有研究尝试应用人工智能，如深度学习和强化学习，来优化HVAC运行，并取得了一定节能效果。但这些方法在处理人员信息时，往往仅将“是否有人”或简单的“人数统计”作为输入，未能捕捉人员动态行为（如移动轨迹、活动强度、空间分布）这一关键维度，这限制了预测和控制性能的进一步提升。正是在这一背景下，本研究应运而生。它旨在打破传统静态模型的局限，提出一种能够深度融合实时、精细人员行为信息的HVAC协同优化新方法，以更精准地实现能耗与舒适的平衡。这项研究成果发表在《Cleaner Engineering and Technology》期刊上。
为了攻克上述难题，研究人员运用了一系列关键技术方法。首先，他们建立了一个物理机制与数据驱动融合的双通道预测架构：一方面，利用EnergyPlus仿真平台构建了能耗基准模型，并基于Fanger热舒适方程开发了预测平均投票（PMV）基准模型；另一方面，部署了毫米波（mmWave）雷达感知系统，用以高精度、非侵入式地实时捕获室内人员的数量、二维坐标和速度数据。这些原始数据被进一步量化处理，提炼出密度指数（DI）、运动强度（MI）、聚集熵（AE）和热扰动指数（TDI）这四个关键的行为指标。接着，研究人员收集了包含环境参数、空调设定及上述行为指标的历史数据集，利用随机森林回归（RFR）算法，训练了分别针对能耗和PMV的“行为驱动增量模型”。最终，他们将基准模型与增量模型结合，形成了综合性的能耗与PMV预测模型。最后，他们将这两个训练好的预测模型作为目标函数，嵌入到一个多目标粒子群优化（MOPSO）算法框架中。这个MOPSO引擎能够根据实时传入的环境数据（如温度、湿度）和行为指标，在线搜索并生成一组在能耗与舒适度之间达到最优权衡（即Pareto最优）的空调控制策略（包括模式、温度、风速设定），从而实现了闭环的实时优化控制。
研究结果
4.1. 训练模型的性能
综合PMV预测模型和综合能耗预测模型在独立测试集上均表现出色。PMV模型的R2为0.9276，平均绝对误差（MAE）为0.2222，低于PMV分类精度要求的±0.5阈值，且其预测趋势与实际值高度吻合。能耗模型的R2为0.9106，MAE为172焦耳（J），在可接受的工程误差范围内。特征重要性分析显示，空调“模式设定”、“风速设定”和“空气温度”对PMV预测贡献最大；“空气温度”和“模式设定”对能耗预测贡献最大，这符合工程原理。这些结果表明，所构建的双通道融合模型具有高精度和良好的泛化能力，为后续优化提供了可靠的基础。
4.2. 典型动态行为的影响分析
研究人员定义了16种典型的人员活动模式（如分散、聚集、静止、慢速、快速、同向运动等），并输入到训练好的模型中进行仿真。结果显示：人员聚集度增加会加剧过热不适感并提高能耗；运动强度增大会显著提升过热不适感和能耗；在相同速度下，人员运动方向的协调性（同向比例）对能耗影响甚微，但对舒适度有轻微影响，且更高的协调性倾向于增加过热感；而运动速度本身则有更明显的影响，更高的速度通过增强对流传热扰动，提高了不舒适度和制冷需求；人员密度增高同样会导致过热不适感加剧和能耗上升。这些仿真结果与物理和生理机制的预期一致，验证了模型对人员行为动态影响的捕捉能力，并凸显了将人员活动信息纳入HVAC控制优化的必要性。
4.3. MOPSO优化性能对比实验
为验证所提框架的实际效果，研究在三个相同类型的教室中进行了对比实验：A组采用传统手动控制；B组采用MOPSO优化控制，但仅基于环境参数，假设人员静止且均匀分布；C组采用集成了实时毫米波雷达行为感知信息的MOPSO优化控制。对整个实验过程的优化结果进行分析发现，C组的优化点形成了清晰的斜线状Pareto前沿，这典型地展现了能耗与舒适度之间的现实权衡关系。而B组由于模型简化（忽略了行为动态），其Pareto前沿发生退化，趋向于单个更理想化的点，这表明忽略真实行为会导致优化结果偏离实际可达到的最优权衡面。在预测的优化效果上，C组（集成行为信息）和B组（未集成）的预测能耗均显著低于手动控制的A组，且大部分优化点位于热舒适区间内，证明了MOPSO算法的整体优化有效性。
结论与讨论
本研究成功开发并验证了一种创新的、数据与物理融合的HVAC实时优化框架。其核心贡献在于：第一，提出了一种动态增量建模方法，利用毫米波雷达感知技术量化人员动态行为特征，构建了“能耗与PMV双增量模型”，克服了传统静态行为假设的局限。第二，建立了双通道预测架构，将基于物理的基准模型（EnergyPlus和Fanger方程）与数据驱动的行为增量模型相结合，在保持物理解释性的同时，增强了对人-环境复杂非线性互动的动态学习能力。第三，开发了基于嵌入式预训练模型的实时多目标优化引擎，将训练好的综合预测模型集成到MOPSO算法中，实现了根据实时工况自主生成Pareto最优控制策略的能力。
实验结果表明，相较于传统手动控制，该框架能显著提升系统性能：与静态模型相比，预测精度提高了76%；同时，相比传统控制方法，能耗降低了8.7%，热舒适度提升了56.2%。这有力地证明了，精细、实时地整合人员动态行为信息，对于实现HVAC系统在能源效率与热舒适性之间的精准协同优化至关重要。本研究不仅为解决建筑节能与室内环境品质之间的矛盾提供了一条有效且具有解释性的技术路径，其提出的混合建模与实时优化框架，也为面向可持续发展和智慧建筑的下一代HVAC控制系统的研究与工程应用奠定了坚实的基础。
