王乘熙 李泽 郝万君

摘  要：在人们的环保意识日渐提升的大环境下，空调厂商从研究如何改善空调系统的制冷效果逐渐转为研发更加节能高效的空调，将MPC算法应用于新型空调中也成了一种趋势。本文先总结了MPC在冰蓄冷空调和中央空调中的应用研究，然后着重综述了国内现今MPC在主流的变风量空调中的研究成果。最终决定选取变风量空调的送风量故障检测作为未来的研究方向。

关键词：MPC;变风量空调;节能

中图分类号：TP301.6;TU831      文献标识码：A 文章编号：2096-4706（2019）21-0043-03

Abstract：In the environment of increasing peoples awareness of environmental protection，air conditioning manufacturers have gradually changed from studying how to improve the refrigeration effect of air conditioning system to studying more energy-saving and efficient air conditioning. It is also a trend to apply MPC algorithm to new air conditioning. This paper first summarizes the application of MPC in ice storage air conditioning and central air conditioning，and then focuses on the domestic research results of MPC in the mainstream VAV air conditioning. Finally，it is decided to select variable air volume air conditioning to detect the fault of air supply as the future research direction.

Keywords：MPC;variable air volume air conditioning;energy saving

0  引  言

我国建筑能耗現今大约占全国能耗的30%，而建筑能耗中极大的一部分便是空调的能源浪费。虽然已有很多节能控制技术运用于空调系统之中，但是仍然在建筑空调系统中存在着严重的能源浪费。

在电力紧张的大环境下，曾因控制方式存在较多问题的冰蓄冷空调、变风量空调系统在经过一段时间的萧条后重新进入大众的视野。冰蓄冷空调是利用夜间低谷负荷电力制冰储存在蓄冰装置中，白天融冰将所储存冷量释放出来，以减少电网高峰时段空调用电负荷及空调系统装机容量。而变风量空调通过改变送风量来满足空调区域不断变化的负荷要求，总送风量较少，运行时大部分时间都在部分负荷下，节能效果极佳。然而变风量系统通常由多个耦合性强的控制回路构成，系统复杂且不稳定，要完美实现节能控制难度很高。

MPC（模型预测控制）正是在这种背景下应运而生的一类优化控制算法。它的实质就是将一个很长时间跨度的优化控制问题分解为若干个短跨度的最优化控制问题。

1  MPC在空调系统中的应用

1.1  MPC在冰蓄冷空调系统中的应用研究

冰蓄冷空调将用电低谷时过剩的电能转换为冷能应用到峰值用电时的空调系统中去，不仅可以缓解电网压力，还能够保证制冷机组满负荷高效率进行。

广东工业大学的廖勇以外融冰盘管式冰蓄冷空调系统为研究对象，建立了室外温度预测的神经网络模型，使得逐时温度预测平均相对误差大幅降低。同时在温度预测模型的基础上，进一步建立了逐时负荷ANN预测模型，最后根据优化费用最小化策略对模型进行了求解。[1]

华中科技大学的罗启军采用神经网络方法根据气温与日照对冷负荷进行预测，然后对冰蓄冷系统进行建模，并运用动态规划方法对系统进行优化控制，最终获得运行费用最小的每小时制冷机组制冷量及蓄冰罐的释冷量。[2]

武汉理工大学的徐今强、肖睿等人，针对室外温度与空调负荷存在强相关的特点，依据历史负荷和次日室外温度的关系构建了一个非线性自回归滑动平均模型，依据划分后不同的温度区间获得几组参数时变的线性子模型。仿真表明基于温度的ARMA模型比单一区间模型预测精度高且不需室外温度的数据。[3]

1.2  MPC在中央空调系统中的应用研究

城市的快速发展让使用中央空调的建筑数量也日益增加，虽然中央空调制冷迅速，节省空间，但一般能耗很高，因此有关节能的研究也很多。

武汉科技大学的赵波峰，在对常用的水冷式中央空调系统进行优化控制的研究中，搭建了一种基于简单的回归方法改进的冷负荷预测模型，并且由冷负荷搭建了核心为回归方法的最小二乘法的中央空调系统的设备能耗模型，每个模型最终证实都能很好地反应自身能耗变化。[4]

沈阳建筑大学的陈浩，因中央空调系统具有多个变量需要控制，运用RBF神经网络预测控制器。不仅让解耦后温度、湿度的子系统的调试互不影响，而且使达到房间设定温度的过渡时间极大缩短，在节约大量能源的同时让使用者的体验更具舒适性。[5]

浙江工业大学的闵剑青建立了某一次回风中央空调系统的神经网络预测控制模型，包括交换系统子模型、空调房间子模型、控制器子模型等。仿真结果表明，由于神经网络具有在线辨识能力，克服了传统Smith预估对象模型的不足，明显改善控制效果。[6]

广州大学的刘汉伟利用新型的网络控制技术，对参数进行采集后将空调设备末端各种设备所需要的冷量整合起来。而预测方法采用的是改进的动态三次指数平滑模型，相较静态模型不仅各类误差都很小，预测效果好，还为中央空调这种大型用电设备提供了一种新的节能方式，即按用户负荷的需求控制空调主机的运行。[7]

西安建筑科技大学的李明海，提出了空调水系统设备的自适应预测优化控制模型，创新地引入了过程优化的理论。而空调水系统总能耗的全局优化是一个在线优化的过程，运用模拟退火算法优化后，系统的节能效果显著提升。[8]

1.3  MPC在变风量空调系统中的应用研究

变风量空调系统具有参数的强耦合性，且多个控制回路相互作用相互影响，系统的可靠性较差，空调系统往往不能正常运行，因此很多专家学者在解耦控制方面进行了大量的研究。此外，还可从变风量系统的送风量、末端装置、风机控制方式进行研究。

上海交通大学的黄孟伟为变风量空调系统的各个部件建立了具有多输入多输出功能的状态空间动态模型，在此模型的基础上采用广义预测控制策略，最终达到稳定送风温度的目的。最终仿真结果表明能够有效控制送风温度，并且能够降低风机的能耗。[9]

东北大学的郭晓岩[10]对变风量空调存在的变量多、滞后大和非线性的系统特性，建立了模糊神经网络与预测控制结合的复合控制器模型，且采用的小波Elman神经网络预测器具有自学习能力，能使参数根据环境变化适时调整。模糊神经网络预测控制大大缩短了房间温度的调节时间，超调量近乎为零，稳态精度也得到了极大改善。[11]

西安建筑科技大学的杨世忠与任庆昌为了克服空调系统二次泵模型的不确定性来降低能耗，分别通过离线与在线运算以减少计算量，寻找最优的控制输出，从而设计出基于线性矩阵不等式的鲁棒预测控制模型，稳态精度高。[12]

北京工业大学的杨洪祥以变风量空调系统的末端为研究对象，考虑到VAV系统非线性的特点，在设计广义预测自校正控制器时加入了时变遗忘因子。经过对参数的在线辨识后，减少了运算量，系统的预测精度也优于PID控制。[13]

西安建筑科技大学的王建玉建立了变风量空调的内部模型，并分解为共七个子系统利用MPC优化，将每个子系统的局部优化控制目标组合成系统级的目标，从而把大规模的在线优化问题分散成小规模的子系统问题，充分考虑了各控制变量之间的耦合，在保持系统稳定的同时输出变量能较好地跟踪设定值的变化。[14]

浙江工业大学的耿继朴针对变风量温湿度控制系统中存在的非重复性干扰问题，将迭代学习控制与MPC相结合得到了迭代预测控制算法，迭代预测控制既能够避免重复干扰性所带来的影响，还能获得良好的控制精度和响应速度。[15]

天津大学的翟文鹏为应对现有的模型预测算法不能有效解决空调系统中的纯滞后特性造成被控量超调严重的问题，利用Smith预估器作为预测模型，并运用广义最小二乘算法对预测模型进行在线辨识，改善算法结构，最终实验证明改进后的模型预测算法具有更好的动态特性，且能使系统在最小能耗指标下的稳定性提高。[16]

青岛理工大学的邢丽娟、杨世忠融合鲁棒预测控制和PID控制的优点，提出鲁棒预测-PID复合控制，弥补了PID控制无法在线调节、无法适应对象模型的局限性，最终仿真结果表明可以加快动态响应速度，鲁棒性好。[17]

沈阳工业大学的吴莹利用模糊聚类算法确定模糊规则数和隶属度函数，由最小二乘法辨识T-S模糊模型后件参数，将基于T-S模糊模型的模糊广义预测控制用于变风量空调的末端系统的调节，最终仿真结果表明能够很好地提升抗干扰能力。[18]

河海大学的白建波、王孟等人为了使提供给变风量末端的送风温度与设定值持平，通过测试得到表冷器数学模型且在此基础上将广义预测控制算法应用于表冷器的出风温度控制，该算法采用CARIMA模型。最终仿真结果表明该算法能实时在线辨识表冷器模型参数，克服了系统时变性的不利影响。[19]

西南交通大学的何磊基于广义的MPC概念，建立了辐射末端复合空调系统监督控制算法。监督控制算法采用了系统设备的数据挖掘模型以及混合模型的复合空调系统建筑物傳热模型，实现了对辐射末端复合空调系统的自适应运行优化。[20]

2  结  论

近阶段，空调的节能减排已经成为了专家、学者的主流研究方向。MPC在冰蓄冷空调的应用一般都是对负荷预测的研究，让空调的能耗尽可能降低。MPC在变风量空调中的研究就比较多样。首先为了解决强耦合的问题，就有大量基于模型预测的解耦控制的研究来提升VAV系统的可靠性。其次，对变风量空调送风量、末端装置、风机控制等这些重要部分设计MPC控制器，不但改善动态特性、稳态精度，还能减少能耗。此外，还有许多将MPC与新型算法相结合的研究，能够进一步对空调的运行优化。

可以总结出，目前对于变风量空调的研究，目标几乎都是为了节能和加强控制效果，有关变风量空调的故障检测的研究较少，因此，今后需要展开有关变风量空调送风量故障方面的研究。

参考文献：

[1] 廖勇.基于负荷预测的冰蓄冷空调系统优化控制研究 [D].广州：广东工业大学，2008.

[2] 罗启军.基于动态规划的冰蓄冷空调系统的优化控制 [D].武汉：华中科技大学，2004.

[3] 徐今强，肖睿，黄冲，等.基于温度区间的蓄冰空调负荷ARMAX模型 [J].武汉理工大学学报，2009，31（10）：109-112.

[4] 赵波峰.基于负荷预测的中央空调系统自适应优化节能控制 [D].武汉：武汉科技大学，2012.

[5] 陈浩.中央空调多变量控制系统应用研究 [D].沈阳：沈阳建筑大学，2012.

[6] 闵剑青.基于神经网络的中央空调控制系统的建模与仿真 [D].杭州：浙江工业大学，2005.

[7] 刘汉伟.中央空调动态负荷预测及节能优化控制模式研究 [D].广州：广州大学，2012.

[8] 李明海.中央空调水系统的优化控制与节能技术研究 [D].西安：西安建筑科技大学，2011.

[9] 黄孟伟.基于状态空间的多区域VAV空调系统建模及其优化控制研究 [D].上海：上海交通大学，2014.

[10] 孙宁，李吉生，彦启森.变风量空调系统设计浅谈 [J].暖通空调，1997，27（5）：53-59.

[11] 郭晓岩.变风量空调系统的模糊神经网络预测控制 [J].沈阳工业大学学报，2013，35（1）：99-103.

[12] 杨世忠，任庆昌.鲁棒模型预测控制在变风量空调系统中的应用 [J].计算机工程与应用，2013，49（6）：8-11+104.

[13] 杨洪祥.基于广义预测控制的变风量空调末端仿真与控制研究 [D].北京：北京工业大学，2009.

[14] 王建玉，任庆昌.基于协调的变风量空调系统分布式预测控制 [J].信息与控制，2010，39（5）：651-656.

[15] 耿继朴.基于迭代学习与预测控制的变风量空调温湿度控制研究 [D].杭州：浙江工业大学，2015.

[16] 翟文鹏.基于负荷预测和设定点优化的制冷系统模型预测控制方法研究 [D].天津：天津大学，2012.

[17] 邢丽娟，杨世忠.变风量空调系统的建模与控制 [J].暖通空调，2007，37（11）：115-117.

[18] 吴莹.VAV中央空調末端控制器的研究 [D].沈阳：沈阳工业大学，2013.

[19] 白建波，王孟，苗国厂，等.基于广义预测控制算法的表冷器出风温度控制 [J].制冷与空调（四川），2015，29（1）：78-82.

[20] 何磊.辐射末端复合空调系统监督控制方法研究 [D].成都：西南交通大学，2016.

作者简介：王乘熙（1997-），男，汉族，江苏江阴人，本科，研究方向：建筑节能控制;李泽（1983-），女，汉族，山西太原人，副教授，博士，研究方向：建筑节能控制;郝万君（1965-），男，汉族，吉林人，教授，博士，研究方向：建筑节能控制。