Digital Twin Driven HVAC Optimization for Large Public Buildings

Large public buildings exhibit strong coupling between occupant behaviour, envelope performance and HVAC operation, which makes rule-based control schemes increasingly inadequate. This study proposes a digital twin driven optimization framework that continuously calibrates a reduced-order building energy model with operational data and generates control set-points through model predictive control.

研究背景

大型公共建筑的暖通空调系统运行策略多基于固定规则制定，难以适应实际运行中的人员行为、围护结构性能退化与设备效率变化。

方法

本文提出一种数字孪生驱动的优化框架：

1. 建立降阶建筑能耗模型，作为预测内核；
2. 利用运行数据在线校准模型参数，降低模型偏差；
3. 基于模型预测控制生成冷机、水泵与末端的设定值序列；
4. 在实际系统中滚动执行，并将运行结果反馈用于下一轮校准。

主要结论

在两栋大型公共建筑上的实测表明，该框架在保持室内热舒适水平的前提下，暖通空调系统能耗较原规则控制策略下降 12%—18%，模型预测偏差较未校准模型降低约 40%。

资助信息

本研究受国家自然科学基金面上项目资助。

@article{W.Li20262026-dig,
  title   = {Digital Twin Driven HVAC Optimization for Large Public Buildings},
  author  = {W. Li and Y. Chen and H. Zhao},
  journal = {Automation in Construction},
  year    = {2026},
  doi     = {10.1016/j.autcon.2026.100001},
}