想象一下，在一個現(xiàn)代化的辦公樓或教室里，空調(diào)系統(tǒng)（HVAC）正努力地工作，試圖在維持室內(nèi)涼爽或溫暖的同時，也為使用者帶來舒適的感受。然而，你是否曾感到過空調(diào)開得太冷，或者因為人數(shù)突然增多而顯得悶熱？這背后隱藏著一個長期困擾建筑節(jié)能與室內(nèi)環(huán)境領(lǐng)域的核心挑戰(zhàn)：如何在保證人們熱舒適的前提下，最大限度地降低能源消耗？傳統(tǒng)HVAC控制系統(tǒng)往往依賴于固定的時間表、預(yù)設(shè)的溫度設(shè)定點以及對室內(nèi)人數(shù)、活動的簡單甚至靜態(tài)假設(shè)。例如，它可能默認房間在某個時段有固定數(shù)量的人，并且這些人均勻分布、靜止不動。但現(xiàn)實情況要復(fù)雜得多：人們會走動、聚集、進行不同強度的活動，這些動態(tài)行為會顯著改變局部的熱環(huán)境和對空調(diào)的冷熱需求。忽視這些精細的動態(tài)信息，不僅會導(dǎo)致能源浪費——比如在人員稀少的區(qū)域過度供冷，也可能讓身處“熱點”區(qū)域的人感到不適。據(jù)統(tǒng)計，建筑能耗中約有40%來自HVAC系統(tǒng)，而人們對室內(nèi)熱舒適的需求卻在持續(xù)增長，這使得尋求一種更智能、更自適應(yīng)的HVAC控制策略變得至關(guān)重要。已有研究嘗試應(yīng)用人工智能，如深度學(xué)習(xí)和強化學(xué)習(xí)，來優(yōu)化HVAC運行，并取得了一定節(jié)能效果。但這些方法在處理人員信息時，往往僅將“是否有人”或簡單的“人數(shù)統(tǒng)計”作為輸入，未能捕捉人員動態(tài)行為（如移動軌跡、活動強度、空間分布）這一關(guān)鍵維度，這限制了預(yù)測和控制性能的進一步提升。正是在這一背景下，本研究應(yīng)運而生。它旨在打破傳統(tǒng)靜態(tài)模型的局限，提出一種能夠深度融合實時、精細人員行為信息的HVAC協(xié)同優(yōu)化新方法，以更精準地實現(xiàn)能耗與舒適的平衡。這項研究成果發(fā)表在《Cleaner Engineering and Technology》期刊上。

為了攻克上述難題，研究人員運用了一系列關(guān)鍵技術(shù)方法。首先，他們建立了一個物理機制與數(shù)據(jù)驅(qū)動融合的雙通道預(yù)測架構(gòu)：一方面，利用EnergyPlus仿真平臺構(gòu)建了能耗基準模型，并基于Fanger熱舒適方程開發(fā)了預(yù)測平均投票（PMV）基準模型；另一方面，部署了毫米波（mmWave）雷達感知系統(tǒng)，用以高精度、非侵入式地實時捕獲室內(nèi)人員的數(shù)量、二維坐標和速度數(shù)據(jù)。這些原始數(shù)據(jù)被進一步量化處理，提煉出密度指數(shù)（DI）、運動強度（MI）、聚集熵（AE）和熱擾動指數(shù)（TDI）這四個關(guān)鍵的行為指標。接著，研究人員收集了包含環(huán)境參數(shù)、空調(diào)設(shè)定及上述行為指標的歷史數(shù)據(jù)集，利用隨機森林回歸（RFR）算法，訓(xùn)練了分別針對能耗和PMV的“行為驅(qū)動增量模型”。最終，他們將基準模型與增量模型結(jié)合，形成了綜合性的能耗與PMV預(yù)測模型。最后，他們將這兩個訓(xùn)練好的預(yù)測模型作為目標函數(shù)，嵌入到一個多目標粒子群優(yōu)化（MOPSO）算法框架中。這個MOPSO引擎能夠根據(jù)實時傳入的環(huán)境數(shù)據(jù)（如溫度、濕度）和行為指標，在線搜索并生成一組在能耗與舒適度之間達到最優(yōu)權(quán)衡（即Pareto最優(yōu)）的空調(diào)控制策略（包括模式、溫度、風(fēng)速設(shè)定），從而實現(xiàn)了閉環(huán)的實時優(yōu)化控制。

綜合PMV預(yù)測模型和綜合能耗預(yù)測模型在獨立測試集上均表現(xiàn)出色。PMV模型的R²為0.9276，平均絕對誤差（MAE）為0.2222，低于PMV分類精度要求的±0.5閾值，且其預(yù)測趨勢與實際值高度吻合。能耗模型的R²為0.9106，MAE為172焦耳（J），在可接受的工程誤差范圍內(nèi)。特征重要性分析顯示，空調(diào)“模式設(shè)定”、“風(fēng)速設(shè)定”和“空氣溫度”對PMV預(yù)測貢獻最大；“空氣溫度”和“模式設(shè)定”對能耗預(yù)測貢獻最大，這符合工程原理。這些結(jié)果表明，所構(gòu)建的雙通道融合模型具有高精度和良好的泛化能力，為后續(xù)優(yōu)化提供了可靠的基礎(chǔ)。

研究人員定義了16種典型的人員活動模式（如分散、聚集、靜止、慢速、快速、同向運動等），并輸入到訓(xùn)練好的模型中進行仿真。結(jié)果顯示：人員聚集度增加會加劇過熱不適感并提高能耗；運動強度增大會顯著提升過熱不適感和能耗；在相同速度下，人員運動方向的協(xié)調(diào)性（同向比例）對能耗影響甚微，但對舒適度有輕微影響，且更高的協(xié)調(diào)性傾向于增加過熱感；而運動速度本身則有更明顯的影響，更高的速度通過增強對流傳熱擾動，提高了不舒適度和制冷需求；人員密度增高同樣會導(dǎo)致過熱不適感加劇和能耗上升。這些仿真結(jié)果與物理和生理機制的預(yù)期一致，驗證了模型對人員行為動態(tài)影響的捕捉能力，并凸顯了將人員活動信息納入HVAC控制優(yōu)化的必要性。

為驗證所提框架的實際效果，研究在三個相同類型的教室中進行了對比實驗：A組采用傳統(tǒng)手動控制；B組采用MOPSO優(yōu)化控制，但僅基于環(huán)境參數(shù)，假設(shè)人員靜止且均勻分布；C組采用集成了實時毫米波雷達行為感知信息的MOPSO優(yōu)化控制。對整個實驗過程的優(yōu)化結(jié)果進行分析發(fā)現(xiàn)，C組的優(yōu)化點形成了清晰的斜線狀Pareto前沿，這典型地展現(xiàn)了能耗與舒適度之間的現(xiàn)實權(quán)衡關(guān)系。而B組由于模型簡化（忽略了行為動態(tài)），其Pareto前沿發(fā)生退化，趨向于單個更理想化的點，這表明忽略真實行為會導(dǎo)致優(yōu)化結(jié)果偏離實際可達到的最優(yōu)權(quán)衡面。在預(yù)測的優(yōu)化效果上，C組（集成行為信息）和B組（未集成）的預(yù)測能耗均顯著低于手動控制的A組，且大部分優(yōu)化點位于熱舒適區(qū)間內(nèi)，證明了MOPSO算法的整體優(yōu)化有效性。

本研究成功開發(fā)并驗證了一種創(chuàng)新的、數(shù)據(jù)與物理融合的HVAC實時優(yōu)化框架。其核心貢獻在于：第一，提出了一種動態(tài)增量建模方法，利用毫米波雷達感知技術(shù)量化人員動態(tài)行為特征，構(gòu)建了“能耗與PMV雙增量模型”，克服了傳統(tǒng)靜態(tài)行為假設(shè)的局限。第二，建立了雙通道預(yù)測架構(gòu)，將基于物理的基準模型（EnergyPlus和Fanger方程）與數(shù)據(jù)驅(qū)動的行為增量模型相結(jié)合，在保持物理解釋性的同時，增強了對人-環(huán)境復(fù)雜非線性互動的動態(tài)學(xué)習(xí)能力。第三，開發(fā)了基于嵌入式預(yù)訓(xùn)練模型的實時多目標優(yōu)化引擎，將訓(xùn)練好的綜合預(yù)測模型集成到MOPSO算法中，實現(xiàn)了根據(jù)實時工況自主生成Pareto最優(yōu)控制策略的能力。

實驗結(jié)果表明，相較于傳統(tǒng)手動控制，該框架能顯著提升系統(tǒng)性能：與靜態(tài)模型相比，預(yù)測精度提高了76%；同時，相比傳統(tǒng)控制方法，能耗降低了8.7%，熱舒適度提升了56.2%。這有力地證明了，精細、實時地整合人員動態(tài)行為信息，對于實現(xiàn)HVAC系統(tǒng)在能源效率與熱舒適性之間的精準協(xié)同優(yōu)化至關(guān)重要。本研究不僅為解決建筑節(jié)能與室內(nèi)環(huán)境品質(zhì)之間的矛盾提供了一條有效且具有解釋性的技術(shù)路徑，其提出的混合建模與實時優(yōu)化框架，也為面向可持續(xù)發(fā)展和智慧建筑的下一代HVAC控制系統(tǒng)的研究與工程應(yīng)用奠定了堅實的基礎(chǔ)。