利用现场数据和机器学习实现热回收地源热泵系统的可持续性能提升

为何更好地利用埋藏热量很重要

随着城市寻求更清洁的建筑舒适方式，利用地下稳定温度的系统越来越受关注。这些地源热泵系统相比传统空调和锅炉可以减少能耗，但在夏热地区存在一个隐蔽问题：随着时间推移，它们会将越来越多的废热排入土壤，导致地下温度逐渐升高并降低效率。本研究探讨了一种新型设计，不仅抑制地下热量积累，还将夏季的废热转化为有用的热水，且以现场数据和现代机器学习工具为指导。

一种更智能的制冷与热水生产方式

研究人员在一座中国城市的一个大型工业建筑中测试了热回收地源热泵（HRGSHP）。该城市夏季炎热、冬季寒冷。与普通地源系统一样，它通过地下深井竖向管道循环水以吸收或排放热量。不同之处在于每台热泵含有两个并联布置的冷凝器。通过一组阀门，系统可以将多余热量送入地下，或将其捕获用于生产热水，供采暖、除湿再热或生活热水等用途。夏季在制冷需求高且热水有用的情况下，该设计允许同一台设备既给室内降温，又同时提供50 °C 的热水。

系统如何随季节运行

在近三年的运行中，系统在四种基本模式之间切换。在纯制冷模式下，它像传统地源冷水机一样，将热量排入地下环路，同时向建筑供冷水。在制冷加热水的组合模式中，部分热量送入地下，部分进入热水罐。温和季节存在仅供热水的模式，冬季则进入采暖模式，此时地下环路作为热源，系统为室内供暖提供热水。通过调节阀门位置、水流量和压缩机容量，系统在不增加独立锅炉或冷却塔的情况下匹配不断变化的室外天气和室内需求。

多年现场数据揭示了什么

团队持续记录了温度、流量、功率使用、土壤状况和天气，累计数据点超过二十万个。这些测量显示，即便在强冷负荷下，150 m 深处的平均土壤温度在三年内仅升高约0.45 °C，远低于在类似气候下报告的标准地源系统的升温幅度。然而，实际装置的整体效率低于实验室额定值，部分原因是泵常常输送超过所需的水量，导致系统内温差较小且电力浪费。季节性趋势也很明显：地温逐渐升高略微削弱了制冷效率，但通过提高地下热源温度对冬季供暖有利。

让算法来调节参数

为了从现有硬件中榨取更多性能，作者构建了一个数据驱动的优化框架。他们使用一种神经网络来学习系统效率指标如何对室外温度、水温和流量等条件做出反应。然后用遗传算法搜索最佳内部设置，并采用一种被称为TOPSIS的决策方法在诸多目标间进行平衡，包括分别针对单台热泵和整个机组的度量。这个虚拟试验台使他们能够探索许多人工难以试验的运行组合，同时仍尊重对温度和流量的现实限制。

节能效果及其实际意义

当他们在模型中应用优化设置时，结果显著。平均来看，整机在冬季的供暖性能指标最多提高了约27%，而夏季制冷性能约提升21%。同时，分析表明电力消耗可下降约五分之一，估算运行成本比当前运行方式降低约19%。重要的是，这些收益不需要新增设备，只需按照数据驱动方法选择不同的水温和泵速。

对未来建筑的意义

对非专业读者而言，要点是：通过回收自身废热并更智能地运行，地源热泵系统可以变得更清洁且更具成本效益。所测试的设计防止了地下温度过热，减少了对独立采暖和制冷设备的依赖，并表明机器学习可以帮助操作员找到人工试错可能错过的最佳运行点。尽管仍需进一步纳入详细的生命周期成本并在其他建筑类型中验证，该研究为将埋藏的管道与数字模型转化为实际节能提供了一条可行路径。

引用: 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

关键词: 地源热泵, 热回收, 建筑能耗, 机器学习, 暖通优化