该研究解决了传统HVAC系统在实时响应电力市场价格和用户舒适偏好方面的不足。提出了一种基于人类反馈的人工智能框架，通过实时用户反馈和强化学习优化HVAC性能，从而在降低能耗的同时提升舒适度。研究结果表明，该方法显著降低了成本，同时确保个性化的舒适控制，具有平衡经济和环境目标的潜力。

本文提出了一种集合建筑热力学模型，通过分层强化学习提高HVAC控制效率。该方法利用基础模型为特定建筑服务，动态选择和加权模型，实验结果表明其能提高预测准确性并减少开发工作量。

本研究针对传统HVAC系统控制中样本效率低和泛化能力不足的问题，提出了一种基于模型的强化学习框架，利用超网络在不同任务中持续学习环境动态。这种方法显著提高了合成滚动生成的效率，并在多任务设置中实现了强有力的向后迁移，既减少了能源消耗，也降低了运营成本，从而对全球可持续发展目标产生重要影响。

本研究解决了HVAC系统控制策略缺乏通用性和大量数据需求的问题，提出了一种基于上下文强化学习的决策预训练变换器HVAC-DPT。该方法将HVAC控制定性为一个顺序预测任务，使其在不同建筑中无需额外训练或数据收集即可有效减少能源消耗，相比基线控制器降低了45%的能耗。

Modbus协议用于工业设备通信，如传感器和控制系统。通过Modbus读写工具，可以监控HVAC系统，解决传感器数据异常。步骤包括安装软件、启动监控、配置视图、捕获事件、分析数据和模拟命令。最佳实践包括多端口监控和实时监控。

本研究评估了建筑物HVAC系统中离线强化学习的可行性和有效性，发现历史数据建模能够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系统的应用提供了新的见解。

本文设计了分散、分布式的实时控制方案，旨在平衡用户舒适度和节能。通过调整区域流量，我们提出了一个优化方法来最小化区域温度和建筑能耗之间的总偏差。我们提出了两种方法来解决该问题并设计实时控制，以实现热动力学驱动到最优解并平衡节能和舒适度。

本研究使用Sinergym框架评估多种DRL算法在HVAC控制中的表现。结果显示SAC和TD3算法在复杂场景下表现出潜力，并揭示了与泛化和增量学习相关的挑战。