Hållbar prestandaförbättring av ett markvärmeåtervinningssystem för bergvärmepump med fältdat a och maskininlärning

Varför bättre användning av nedgrävd värme spelar roll

När städer söker renare sätt att hålla byggnader bekväma får system som utnyttjar den stabila temperaturen under marken ökad uppmärksamhet. Dessa markvärmepumpsystem kan minska energianvändningen jämfört med vanliga luftkonditioneringsaggregat och pannor, men i områden med heta somrar har de ett dolt problem: över tid släpper de ut mer och mer spillvärme i marken, vilket gradvis värmer upp jorden och försämrar verkningsgraden. Denna studie undersöker en ny utformning som inte bara dämpar den underjordiska värmeuppbyggnaden utan också omvandlar sommarens spillvärme till användbart varmvatten, styrt av fältdat a och moderna maskininlärningsverktyg.

Ett smartare sätt att kyla byggnader och värma vatten

Forskarna provade en värmeåtervinnings-bergvärmepump (HRGSHP) i en stor industribyggnad i en kinesisk stad med heta somrar och kalla vintrar. Liksom ett normalt markvärmesystem cirkulerar det vatten genom djupa vertikala rör i marken för att absorbera eller avge värme. Nyheten är att varje värmepumpsenhet innehåller två kondensorer i parallell. Med hjälp av ventiler kan systemet antingen skicka oönskad värme till marken eller fånga den för att producera varmvatten för användningar som rumsuppvärmning, avfuktningens eftervärmning eller tappvarmvatten. På sommaren, när kylbehovet är stort och varmvatten också är användbart, tillåter denna design att samma maskin både kyler inomhusluft och levererar 50 °C vatten samtidigt.

Hur systemet fungerar över årstiderna

Under nästan tre års drift växlade systemet mellan fyra grundläggande lägen. I rent kyläge fungerade det precis som en konventionell markkylare, genom att skicka värme till markkretsen samtidigt som kylt vatten levererades till byggnaden. I ett kombinerat kyl- och varmvattenläge gick en del av värmen till marken och en del in i en varmvattenberedare. Det fanns också ett endast varmvatten-läge under milda perioder och ett värmeläge på vintern, då markkretsen fungerade som värmekälla och systemet levererade varmvatten för uppvärmning. Genom att justera ventilpositioner, vattenflöden och kompressorkapacitet anpassade systemet sig till väderändringar och inomhusbehov utan att behöva separata pannor eller kyltorn.

Vad flera års fältdat a avslöjade

Teamet registrerade kontinuerligt temperaturer, flöden, effektförbrukning, markförhållanden och väder och samlade mer än tvåhundratusen datapunkter. Dessa mätningar visade att även vid kraftig kylning steg genomsnittstemperaturen i marken vid 150 m djup med endast cirka 0,45 °C över tre år, betydligt mindre än de ökningar som rapporterats för standard markvärmesystem i liknande klimat. Däremot var den faktiska verkningsgraden i anläggningen lägre än laboratorievärden, delvis eftersom pumpar ofta tryckte mer vatten än nödvändigt, vilket skapade små temperaturdifferenser i systemet och slösade elektricitet. Säsongsmönster framträdde också: gradvis uppvärmning av marken påverkade kylverkningsgraden något negativt men förbättrade vinteruppvärmningen genom att höja temperaturen på den underjordiska värmekällan.

Låta algoritmerna ställa in vredarna

För att pressa ut mer prestanda ur befintlig hårdvara byggde författarna ett datadrivet optimeringsramverk. De använde en typ av neuralt nätverk för att lära sig hur systemets effektivitetsindikatorer reagerar på förhållanden som utomhustemperatur, vattentemperaturer och flöden. En genetisk algoritm sökte sedan efter de bästa interna inställningarna, och en beslutsmetod känd som TOPSIS balanserade flera mål samtidigt, inklusive separata mått för värmepumpen och för hela anläggningen. Denna virtuella testbädd gjorde det möjligt att utforska många driftkombinationer som vore opraktiska att pröva manuellt, samtidigt som realistiska gränser för temperaturer och flöden respekterades.

Energi besparingar och vad de betyder i praktiken

När de tillämpade de optimerade inställningarna i sin modell var resultaten slående. I genomsnitt förbättrades värmeprestandan under vintern med upp till 27 procent för hela systemet, medan kylprestandan under sommaren förbättrades med omkring 21 procent. Samtidigt indikerade analysen att elförbrukningen skulle kunna minska med ungefär en femtedel, vilket leder till en uppskattad kostnadsreduktion på 19 procent jämfört med nuvarande driftssätt. Viktigt är att dessa vinster inte krävde ny utrustning, utan endast andra val av vattentemperaturer och pumpgrader styrda av den datadrivna metoden.

Vad detta betyder för framtida byggnader

För en icke-specialist är slutsatsen att underjordiska värmepumpssystem kan bli både renare och mer kostnadseffektiva genom att återanvända sin egen spillvärme och genom att drivas mer intelligent. Den testade utformningen förhindrar att marken överhettas, minskar beroendet av separata värme- och kylenheter och visar att maskininlärning kan hjälpa driftspersonal att hitta optimala driftspunkter som mänskliga försök och fel kan missa. Även om mer arbete behövs för att inkludera detaljerade livscykelkostnader och för att testa andra byggnadstyper erbjuder studien en praktisk väg för att omvandla nedgrävda rör och digitala modeller till verkliga energibesparingar.

Citering: Cui, Y., Chong, W.T., Varman, M. et al. Sustainable performance enhancement of a heat recovery ground source heat pump system using field data and machine learning. Sci Rep 16, 15271 (2026). https://doi.org/10.1038/s41598-026-45353-z

Nyckelord: bergvärmepump, värmeåtervinning, byggnadsenergi, maskininlärning, HVAC-optimering