本研究提出了一种基于神经网络的数据驱动控制算法，以减少建筑物模型识别的成本，通过建筑物能耗和区域温度的动态模型，实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。

Jan, 2020

利用新型神经网络模型预测占用者的热舒适状态, 分别应用了 Bayesian Gaussian Process Optimization (BGPO) 和 Augmented Firefly Algorithm (AFA) 优化算法来平衡空调系统的能效和占用者的热舒适感, 实验结果表明, 在样本数量一定时,AFA算法比BGPO算法更稳定,并且在能效用户偏好条件下, BGPO 和 AFA 的最佳节能率分别为 -21％ 和 -10％，可在新加坡实验室节约 S$1219.1。

Apr, 2022

使用零样本建筑控制并结合强化学习和系统辨识的方法，我们提出了一个名为PEARL (Probabilistic Emission-Abating Reinforcement Learning) 的模型来优化建筑能源效率和减少建筑废气排放。在三个不同的建筑能量模拟中的实验中，PEARL 模型表现优异，使排放量减少31％，同时保持舒适的热量。

Jun, 2022

该研究提出了一种数据驱动的暖通空调控制的设计和实现方法，使用符号回归模型和数据驱动方法对建筑热力学进行建模，并采用模型预测控制调度方案以最小化能源消耗和峰值功率需求，实现节能和舒适。

Apr, 2023

提出了一种基于热舒适模型和主动学习的个性化供暖通风空调（HVAC）控制框架，通过减少标注工作量和提高能源节约，实现了在未来实际应用中实现个性化舒适与高效运行的潜力。

Sep, 2023

通过使用数据驱动的Primal-Dual Contextual Bayesian Optimization（PDCBO）方法，研究了室温控制器参数调节问题，旨在最小化能源消耗，同时满足用户的每日温度舒适度要求。实验表明，相比其他基于贝叶斯优化的方法，PDCBO方法在节省能源消耗的同时能够保持用户日常温度舒适度在可接受的阈值以下，还能自动跟踪时变的舒适度阈值。此外，还研究了在给定能源预算的约束下最小化舒适度不适问题，PDCBO方法相比于目前的优化方法在保持日常能源消耗在阈值以下的同时，能够降低平均不适度高达63%。

Oct, 2023

提出了一种基于仿真的方法，使用定制的模拟器为每个建筑物训练智能体，以提高现有加热、通风和空调系统的性能，实现更高效的能源利用和减少碳排放。

Oct, 2023

通过需求响应控制住宅建筑的供暖系统以优化能源消耗，该论文研究了基于蒙特卡洛树搜索和物理信息神经网络的建筑需求响应控制，以提高控制性能并降低能耗成本。同时，通过添加深度学习层优化了蒙特卡洛树搜索方法的计算成本。

Dec, 2023

利用基于决策树的控制策略，优化了采暖通风空调系统的能源效率，并提供可靠性保证和安全性，与现有模型基的增强学习方法相比，能够节约68.4%能源并提高14.8%的人体舒适度。

Feb, 2024

本研究针对建筑物HVAC系统中离线强化学习的实施可行性和有效性进行了深入评估，填补了当前文献在这一领域的空白。通过对现有离线强化学习算法的优缺点进行系统分析，发现适当的历史数据建模能够显著降低温度违例率和节省能耗，最多可减少28.5%的违例率和12.1%的能耗。该研究为HVAC系统的现实应用提供了新的见解。

Aug, 2024