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

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

该研究提出了一种基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑物中 HVAC 系统的需求响应，结果显示该策略在实用性和计算时间方面都非常有效，同时确保了建筑物居民的热舒适性和 HVAC 系统的成本效益。

Apr, 2019

本文提出了一种基于 “随机模型预测控制器” 的方法来针对电力和热需求的不确定性，应用高斯过程构建历史数据的需求预测模型，采用情景法从产生的预测模型中进行多步需求轨迹抽样，并在模拟能源中心模型和真实建筑需求数据上验证了所提出的预测器和随机控制器的性能优势。

Apr, 2023

本文提出了一种基于数据驱动的建模和控制框架，用于模拟物理建筑环境，包括在线控制模型开发和预测控制器等方面的内容。

Jan, 2023

基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

Oct, 2023

该研究提出了一种多目标仿真模型和不侵入式的基于占用状态预测的方法，以开发一种适用于智能住宅的 DRP 应用程序，其中同时考虑了不确定性和鲁棒性，并通过将一些电器操作移至低峰时段，降低了成本 13.2％，并降低空调温度设定点。

May, 2023

利用历史建筑能源数据，研究了简单的线性多层感知器模型在多建筑能源系统模拟中提供与先进模型相当的预测精度，并具有更高的数据效率和泛化能力。通过使用变点分析对训练数据进行筛选，同时提高了预测精度和数据效率。重用模型和使用三个月的数据训练的模型平均误差比基准模型高出 10％，表明在没有事先数据收集的情况下部署 MPC 系统可能是经济可行的。

Feb, 2024

通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。

Dec, 2023

该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

May, 2024