博士班重點研究：結合 IoT 感測器網路與先進最佳化控制演算法，動態調節大型冰水主機（Chiller）群的運轉負載，達成工業建築的最佳化節能效益。
冰水主機（Chiller）是大型商辦大樓與工業廠房中能耗最高的設備之一，其能耗通常佔整棟建築總用電量的 40~50%。本研究針對冷凍空調系統（HVAC）進行節能最佳化，透過智慧控制策略降低不必要的能源浪費。
研究核心在於建立冰水主機的精確數學模型，並結合 IoT 感測器即時蒐集環境溫溼度、冷凍水溫度、壓縮機運轉狀態等參數，透過最佳化演算法動態決策最節能的設定點組合。
在控制策略上，研究採用模型預測控制（MPC）、強化學習（RL）與進化演算法（GA / PSO）等技術，在滿足冷房需求的前提下，最小化系統整體能耗（COP 最大化），達到顯著的節能效果。
相較基準控制策略，節能率可達 15~30%
IoT 感測網路每 5 秒回傳一筆設備運轉數據
RL 控制器可根據負載變化自動調整最佳設定點
於實際大樓冷凍機房進行系統部署與驗證
建立冷凍循環熱力學模型（Gordon-Ng Model），精確描述壓縮機、蒸發器與冷凝器的能耗特性。
動態調整冷凍水出水溫度（CHWS Temp）與冷卻水出水溫度（CWS Temp），尋找最低能耗設定組合。
訓練 DQN / PPO 強化學習代理人，在模擬環境中學習節能策略後部署至實際冷凍機房。
部署分散式感測節點，透過 MQTT / Modbus 協定蒐集設備運轉數據並傳至雲端分析平台。
利用 LSTM / XGBoost 預測建築未來冷房負載，實現前饋式控制以進一步提升節能效率。
研究多台冰水主機的啟停順序與負載分配（Load Sequencing），達成機群整體最低能耗運轉。
開發高精度的冰水主機能耗模型，作為最佳化控制演算法的核心預測引擎。
設計能根據季節、氣候與建築使用模式自動調整的控制策略，全年維持最佳節能狀態。
建構從感測器資料蒐集、儲存、分析到視覺化的完整能源管理系統（EMS）平台。
在實際工業場域進行長期節能實驗，驗證系統效益並推動技術落地應用。