An end-to-end differentiable transient vapor-compression framework for automated machine sizing and unified optimal control
作者: Sam Yang
分类: eess.SY, cs.CE, physics.app-ph
发布日期: 2026-08-20
💡 一句话要点
提出一种端到端可微分的蒸汽压缩框架以实现自动化机器尺寸设计
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 蒸汽压缩热泵 自动化设计 动态控制 可微分框架 热能电气化
📋 核心要点
- 现有蒸汽压缩热泵的设计与控制方法存在碎片化，难以实现动态响应与优化控制。
- 本文提出了一种可微分的蒸汽压缩框架，能够自动化机器尺寸设计并统一动态仿真与控制。
- 实验结果显示，该框架在16个迷你分体机组的运行中，冷却能力预测的平均绝对百分比误差为7.37%。
📝 摘要（中文）
加速热能电气化需要能够动态响应电网的蒸汽压缩热泵。然而，设备工程在静态额定点选择、刚性多相瞬态仿真和基于梯度的最优控制方面仍然存在碎片化问题。本文提出了一种在JAX中原生实现的端到端可微分有限体积蒸汽压缩框架，能够直接从给定的热负荷自动化机器尺寸设计，并在单一编译残差下统一动态仿真与预测控制。热力学评估通过从亥姆霍兹状态方程预闪的双线性(p,h)流形绕过了运行时根查找，支持解析前向模式自动微分。通过将多相线圈中的质量守恒严格保留，动态压力微分方程中引入了部分导数。该框架在不进行参数拟合的情况下，验证了其在开放获取实验基准上的有效性，预测冷却能力的平均绝对百分比误差为7.37%。
🔬 方法详解
问题定义：现有的蒸汽压缩热泵设计方法存在静态额定点选择和多相瞬态仿真之间的碎片化，导致难以实现动态响应和优化控制。
核心思路：本文提出的框架通过端到端的可微分设计，直接从热负荷自动化机器尺寸设计，并将动态仿真与预测控制整合在一起，简化了设计流程。
技术框架：该框架包括热力学评估、动态压力微分方程求解、机器尺寸设计和控制策略等模块，利用JAX实现高效的自动微分。
关键创新：最重要的创新在于通过双线性流形和亥姆霍兹方程的结合，绕过了传统的根查找过程，提升了计算效率和准确性。
关键设计：框架中引入了质量守恒的部分导数，确保多相流动的准确性，并通过四点循环合成和ε-NTU匹配实现压缩机位移和换热器设计的反演。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架在16个迷你分体机组的运行中，冷却能力预测的平均绝对百分比误差为7.37%，在公用事业规模的硬件在环测试中，冷却误差保持在1.19%至1.62%之间，显示出良好的预测能力和稳定性。
🎯 应用场景
该研究的潜在应用领域包括热泵系统的设计与优化、智能电网的动态调度以及基于梯度的硬件控制协同设计。其开放源代码的特性使得研究人员和工程师能够在实际应用中快速实现和测试新算法，推动热能电气化的进程。
📄 摘要（原文）
Accelerating the electrification of thermal energy requires vapor-compression heat pumps capable of dynamic, grid-responsive operation. However, equipment engineering remains fragmented across static rating-point selection, stiff multi-phase transient simulation, and gradient-based optimal control. Here, we present an end-to-end differentiable, finite-volume vapor-compression framework implemented natively in JAX that automates machine sizing directly from stated thermal duties and unifies dynamic simulation with predictive control under a single compiled residual $\dot{y}={f}(t,{y},{u})$. Thermodynamic evaluations bypass runtime root-finding via bilinear $(p,h)$ manifolds pre-flashed from Helmholtz equations of state, enabling analytical forward-mode automatic differentiation. Mass conservation across multi-phase coils is strictly preserved by incorporating both $(\partialρ/\partial p)_h$ and $(\partialρ/\partial h)_p$ partial derivatives into the dynamic pressure differential equation. The sizer directly inverts compressor displacement, electronic expansion valve area, and heat-exchanger tube counts via four-point cycle synthesis and $\varepsilon$-NTU matching using the identical polytropic compressor map. Crucially, the compiled physics kernel is shared symmetrically between $L$-stable TR-BDF2 stiff integration and implicit-Euler Model Predictive Control (MPC), eliminating plant-controller surrogate mismatch. Validated against open-access experimental benchmarks without parameter fitting, the framework predicts cooling capacity with $7.37\%$ MAPE across 16 mini-split operational runs and bounds on-period cooling error within $1.19\%$--$1.62\%$ on utility-scale Hardware-in-the-Loop traces. This work provides an open-source, differentiable foundation for automated machine synthesis, dynamic grid orchestration, and gradient-based hardware-control co-design.