Building temperature control presents significant modeling challenges due to the complexity of internal systems and varied usage patterns. Consequently, black box modeling has become a prevalent approach in this domain. This technique broadly encompasses deep learning and Bayesian optimization methods, each offering unique mechanisms for deriving optimal control parameters. Deep learning methods iteratively refine control parameters using extensive datasets, whereas Bayesian optimization employs Gaussian process regression and acquisition functions to pinpoint optimal solutions. This paper conducts a comparative analysis of two innovative methods within these branches: the application of Deep Reinforcement Learning (DRL) for integrated control of household temperature and electric vehicle charging, and the Primal-Dual Contextual Bayesian Optimization (PDCBO) method for adaptive thermal control in buildings. The study reveals that the DRL approach, integrated with electric vehicle charging systems, excels in responsiveness and reducing energy consumption. In contrast, the PDCBO method enhances control by allowing for the artificial definition and continuous optimization of constraints on energy usage and comfort during the operation, facilitated by algorithmic design. By synthesizing the strengths of both methods and considering electric vehicle integration and tailored adaptive control constraints, enhanced outcomes are achievable. This paper proposes that specific control strategies be developed for different building types to address diverse real-world requirements effectively.

This paper investigates the design problem of a set of distributed filters. These adaptive event-triggered (AET) filters have the [Formula: see text] property and are suitable for sensor networks characterized by random measurement data loss and dynamic topology switching. In a distributed filtering network, each local filter estimates the system’s state not only relying on the node’s individual information but also using information from neighboring nodes in the network topology. The adaptive event triggering condition is determined by the combination of the latest release data of the filter itself, the estimated value of the current moment, and the latest release data of the neighboring nodes. The event triggering mechanism adopts a threshold adaptive adjustment scheme, which dynamically changes the threshold parameter according to the filtering error under the premise of guaranteeing the filter performance, thus maximally saving the network communication resources. Initially, we used a binary sequence to describe the random loss of sensor measurements, and a Markov chain is used to describe the switching of the filtering network topology. Secondly, a Lyapunov function is created to examine the [Formula: see text] performance index of the filtering error system and investigate its mean square exponential stability. Subsequently, the distributed filter is formulated, and its parameters are determined using the linear matrix inequality approach. Ultimately, the validity of the proposed method is substantiated through numerical illustrations.

Abstract The coupling coefficient determines the transfer efficiency of the wireless power transfer (WPT) system. The magnetic leakage can be reduced, and the coupling coefficient of the coil can be enhanced by adding a magnetic shield. Thus, the transfer efficiency of the WPT system can be improved. However, when the receiving coil is added with magnetic shield and occurs horizontally misaligned, the coupling coefficients between the coils with the magnetic shield can only be calculated by finite element simulation, and there is no calculation method for the coupling coefficient of two circular coils with bilateral finite magnetic shield at horizontal misalignment. Therefore, based on Maxwell's equations and Bessel's function, the formula of the coupling coefficient between circular coils at coaxial is derived by the subdomain hierarchical analysis (SHA) method. On this basis, the coupling coefficient calculation formula between circular coils at horizontal misalignment is further derived by using the boundary vector equivalence (BVE) method. The results show that the maximum experimental error is not more than 5.58%, and the longest average time of the algorithm is not more than 1.282 s, which verifies the effectiveness and rapidity of the proposed method.

In wireless power transfer systems, the relative positional misalignment between transmitting and receiving coils significantly impacts the system’s mutual inductance characteristics, thereby constraining the system’s output power stability and transmission efficiency optimization potential. Hence, accurate formulas for calculating mutual inductance are crucial for optimizing coil structures and achieving mutual inductance stability. This study focuses on the mutual inductance characteristics of rectangular coils under positional misalignment conditions in a dual-sided electromagnetic shielding environment. Initially, the research deduces the incident magnetic flux density induced by the current in rectangular coils through the dual Fourier transform and magnetic vector potential method. Subsequently, Maxwell’s equations and boundary conditions are employed to analytically examine the induced eddy currents within the shielding layer, allowing for the calculation of reflected magnetic flux density. Based on these analyses, the study derives a formula for mutual inductance using the magnetic flux density method. A prototype was built for experimental verification. The experiment results show that the maximum error between the measured mutual inductance and the calculated result is less than 3.8%, which verifies the feasibility and the accuracy of the proposed calculation method. Simulations and empirical validation demonstrate the superior accuracy and practicality of the proposed formula. This research not only offers an innovative technological pathway for enhancing the stability and efficiency of wireless power transfer systems but also provides a solid theoretical foundation and guiding framework for coil design and optimization.