基于开源工具链的模型预测控制在办公建筑HVAC系统中的现场实施与性能分析
一、 作者与发表信息 本项研究由David Blum（通讯作者）、Zhe Wang（通讯作者，香港科技大学）、Chris Weyandt、Donghun Kim、Michael Wetter、Tianzhen Hong和Mary Ann Piette共同完成。所有作者均隶属于Lawrence Berkeley National Laboratory（美国加州伯克利）。研究成果以题为“Field demonstration and implementation analysis of model predictive control in an office HVAC system”的学术论文形式，于2022年在线发表在能源领域知名期刊 applied energy 上（卷318，文章编号119104）。
二、 研究背景与目标 本研究属于建筑能源管理与智能控制领域，具体聚焦于暖通空调（Heating, Ventilation, and Air-Conditioning， HVAC）系统的模型预测控制技术。尽管MPC技术因其在提升能效和运行灵活性方面的巨大潜力而被广泛研究，但其在建筑行业仍未得到大规模应用。阻碍其普及的关键因素包括：实施所需的高水平专业知识（涉及遥测、建模、优化和建筑运行）、建筑数据质量低、行业风险规避倾向以及缺乏实际应用的指导。
在此背景下，本研究旨在填补现有文献的几项空白。先前研究虽展示了MPC的优势，但很少详细分析其实施过程、所面临的实际挑战及对应的成本与工作量。同时，已有研究开发了基于Modelica的开源工具链（MPCpy），旨在通过自动生成最优控制、参数估计和状态估计问题来简化MPC实施流程。因此，本研究的主要目标有四个：1）回顾在真实建筑中实施MPC的研究现状；2）在真实的办公建筑中演示使用MPCpy工具链实施MPC；3）详细阐述实施过程中遇到并克服的实际挑战；4）量化并分析各项任务的实施工作量，为未来工作流程的开发提供参考，并作为评估其降低实施工作量效果的初步基准。
三、 详细研究流程与方法 本研究是一项严谨的现场实证研究，流程涵盖从系统设计、实施到性能评估的全过程。
1. 研究场地与对象描述 研究在位于美国加州伯克利的劳伦斯伯克利国家实验室（LBNL）59号楼进行。该建筑建于2015年，其顶部两层（约6038平方米）办公空间为研究对象。办公区采用地板送风系统（Underfloor Air Distribution, UFAD）进行供暖和制冷。该系统由四台位于屋顶的屋顶式机组（Roof-Top Units, RTUs）向各层地板静压箱供应冷空气，空气通过地板散流器直接进入核心区，并通过带风机的地板末端装置（Underfloor Terminal Units, UFTs）为周边区提供加热。原有的楼宇自控系统（Building Management System, BMS）控制策略较为简单，如RTU送风温度设定为恒定的20°C，送风机根据恒定的静压设定点（15 Pa）进行控制，系统基本不设启停或温度重设计划。
2. MPC控制器设计与实施流程 (1) 整体架构 研究采用基于服务的架构，将MPC控制器分解为多个并行运行的独立服务，包括数据采集、建模、参数估计、天气预测、内部负荷预测、控制优化、状态估计以及与BMS的集成设定点发送服务。所有服务通过一个集中式的InfluxDB时序数据库进行数据交换，并利用Docker容器技术进行封装和部署。这种架构便于各服务的独立开发、维护和监控。
(2) 数据采集与预处理 研究面临多源异构数据整合的挑战。数据采集服务需从四个独立系统中获取历史运行数据：1）通过ALC SOAP Web接口获取HVAC系统运行点数据；2）通过Web端点查询NERSC的Elasticsearch数据库获取电气面板功率数据；3）通过SynopticLabs API获取现场气象站天气数据；4）由部署在核心区的16个基于树莓派的自制温度传感器主动推送数据。此外，还需从在线服务（Weather Underground，后转为Dark Sky）获取天气预报。数据采集后统一存储于项目数据库，并进行缺失值识别和处理，为后续建模和优化做准备。
(3) 模型开发（灰箱建模） 采用灰箱建模方法，在Modelica中建立了简化的物理模型，用于实时预测建筑性能和优化控制。为了降低模型复杂性并应对缺乏精确区域气流测量数据的挑战，研究采用了一种区域简化方案：将建筑划分为四个区域组，每个区域组对应一台RTU的服务区域。区域温度由该区域内核心区（树莓派测量）和周边区（BMS温控器测量）温度加权平均得到。 核心模型包括： * 围护结构模型：采用R2C2（二阶电阻-电容）模型，参数（如热阻、热容、太阳得热分配系数等）通过后续的参数估计过程确定。 * RTU模型：包含混合箱、送风机、回风机和直接膨胀（Direct Expansion， DX）冷却盘管模型。送/回风机功率采用与气流速率立方相关的经验公式，DX压缩机功率采用与冷却功率相关的二次多项式公式。这些公式中的系数需要通过参数估计确定。 * 控制目标模型：模型输出包括区域温度、送风温度、送风量、风机和压缩机功率等。目标函数定义为HVAC总功率（风机、压缩机、再热功率之和）与控制信号正则化项的积分，旨在最小化能耗的同时保证控制平稳。
(4) 参数估计与状态估计 * 参数估计：定期（如每24小时）使用近期历史运行数据（通常为过去数天至数周），通过求解一个优化问题来更新模型参数。该问题旨在最小化模型输出（如区域温度、风机功率）与实测数据之间的误差。MPCpy工具自动将Modelica模型和指定的可调参数转化为优化问题进行求解。研究特别指出，定期重新估计参数有助于模型适应季节性变化或运行条件的改变。 * 状态估计：在每个控制步骤开始时，使用一个简单的移动水平估计器来估算模型的初始状态。该估计器基于过去一段时期（如24小时）的历史数据，通过求解一个优化问题来最小化模型输出与测量值的误差，从而获得当前时刻状态的最佳估计，作为控制优化问题的初始条件。
(5) 预测与优化 * 天气与负荷预测：天气预测服务每小时获取未来24小时的温度、湿度等预报。对于太阳辐照度，研究使用K近邻机器学习算法，基于云量预报和晴空辐照度预测值来生成全球水平辐照度预测。内部负荷（以插头负载为代理变量）则采用简单的启发式算法预测，即取过去90天同星期、同时段的平均值。 * 控制优化：控制优化服务每10分钟运行一次，求解一个24小时预测时域内的最优控制问题。目标函数为最小化总能耗。约束条件包括：区域温度约束（22.2°C 至 23.2°C）、送风温度约束（17.2°C 至 21.1°C）、最小送风量和最小新风量要求。为确保优化问题的可行性，区域温度约束和送风温度下限约束采用了带有惩罚权重的松弛变量进行处理。MPCpy自动将Modelica模型和控制目标/约束规范转化为非线性规划问题，并使用JModelica.org工具链进行求解。优化结果（如送风温度设定点、风机转速控制信号）被写入数据库。
(6) BMS集成与安全机制 优化得到的设定点通过一个专门的服务每分钟发送给建筑的ALC BMS系统。集成的关键是一系列安全机制：1）手动/自动启用/禁用开关；2）“看门狗”机制，若超过20分钟未收到MPC控制器的新信号，则自动切换回原有控制；3）MPC控制器自身也可发送启用/禁用信号；4）权限管理，限制MPC账户只能写入特定控制点。此外，还设置了电子邮件和短信警报，通知相关人员控制模式的切换。
四、 主要研究结果与分析 本研究在2020年10月18日至12月15日期间，以交替周的方式进行了为期约两个月的现场测试，共包含31天MPC控制日和27天原有控制日，以获得可比较的天气条件。
1. MPC与原有控制的行为对比 通过对比典型温暖日和寒冷日RTU的运行数据，揭示了MPC的节能策略： * 温暖日：原有控制保持送风温度和送风量基本恒定，在午后负荷高时启用DX制冷。而MPC则在清晨降低送风温度设定点，并同时显著降低风机转速（送风量降至设计值的约50%）。随着白天室外温度升高，MPC逐步提高送风温度设定点，仅在负荷高峰时适当降低送风温度或提高风量。在测试的某些温暖日，MPC通过充分利用新风（经济器， Economizer）运行，完全避免了DX压缩机的启用。 * 寒冷日：MPC表现出类似的送风温度调节模式，并在清晨为满足最低新风要求且保持送风温度时，提高了送风量（增加回风混合）。由于冷负荷低，MPC通过提高送风温度设定点来避免使用DX制冷。 总体而言，MPC的核心节能策略是：在满足热舒适和通风要求的前提下，动态调节送风温度设定点以匹配实时需求，并显著降低部分负荷下的送风量，从而大幅减少风机能耗。
2. 热舒适性与能耗性能 * 热舒适性：对比所有测试日中各RTU服务区域的每小时温度分布，MPC控制下的区域温度分布与原有控制总体相似。但在某些午后时段，MPC控制下部分区域的温度上边缘略高（约1°C），分析认为这与MPC降低了总送风量及周边区UFT的风量有关，表明简化的聚合区域模型在应对个别日照敏感区域时存在局限。 * 能耗与节能率：研究计算了每日HVAC总能耗和区域不舒适度（偏离设定温度的积分）。通过绘制能耗、不舒适度与日平均室外温度的关系图，并拟合五参数分段线性回归模型，发现MPC控制的能耗对天气条件的变化更为敏感，在温和天气下节能效果尤为显著。通过对两条拟合曲线在测试期间室外温度范围内的积分比较，估算得出MPC控制相比原有控制，在两个月测试期内实现了约40%的HVAC节能。分析指出，最主要的节能来源是低负荷工况下风机功率的大幅降低。
3. 实施工作量估算 研究的一个重要贡献是对MPC实施过程中的各项任务进行了工作量（人日）估算。估算涵盖了准备阶段、模型生成、控制器实施和运行监控等全流程。值得注意的是，分析发现：与数据采集和控制器部署相关的任务所需的工作量，可能与模型生成本身的工作量相当甚至更多。这挑战了先前研究中普遍认为模型生成是MPC实施最主要成本驱动因素的看法，凸显了数据集成、软件部署和系统集成在实际项目中的重要性。
五、 研究结论与价值 本研究成功地在真实的办公建筑UFAD系统中，利用开源的MPCpy工具链设计、实施并运行了MPC控制器。现场测试表明，该MPC控制器在保证热舒适性的前提下，相比原有固定策略控制，能够实现约40%的显著节能。研究不仅验证了MPC技术的节能潜力，更重要的是，通过详细记录实施过程、剖析实际挑战（如多源数据整合、数据质量、通信中断、设备异常等）并提供解决方案，为MPC的实际应用提供了宝贵的“路线图”和经验教训。此外，研究对实施工作量的定量分析，为评估和降低未来MPC项目的实施成本提供了重要的基准数据，指明了除了改进建模工具外，还需在数据管理、部署自动化和系统集成等方面投入研发努力，才能真正推动MPC技术的广泛商业化应用。
六、 研究亮点 1. 全链条现场实证：不仅演示了MPC的节能效果，更完整呈现了从工具链使用、系统设计、现场部署到长期运行监控的全过程，具有很高的工程参考价值。 2. 开源工具链应用：展示了基于Modelica和Python的开源MPCpy工具链在真实复杂建筑系统中实施MPC的可行性，为研究社区提供了可复现的案例。 3. 详实的挑战与对策分析：系统性地总结了数据、通信、设备、集成等多方面的实际挑战及应对策略，是同类文献中少见的、极具实践指导意义的内容。 4. 实施工作量量化：首次对MPC实施的各项任务进行了工作量估算，并指出数据采集和部署工作与模型生成同等重要，为行业成本效益分析和研发重点指明了新方向。 5. 创新的实施方法：采用了服务化架构、Docker容器化部署、详细的预测数据存储方案、以及健全的BMS集成与安全看门狗机制，提高了系统的可靠性、可维护性和可调试性。
七、 其他有价值内容 * 文献综述：研究对2011年至2021年间共14项商业建筑MPC现场示范研究进行了系统回顾，总结了不同的建模方法（灰箱/黑箱为主）、控制目标（以节能和成本为主）和报告的性能（节能率从<10%到>70%不等），为本研究定位和贡献阐述提供了清晰的学术背景。 * 软件工程实践：文中分享了如使用tmux管理多终端会话、使用cron调度定时任务等对研究人员颇具帮助的软件部署技巧。 * 模型局限性讨论：坦诚地讨论了所采用模型的局限性，如忽略了潜热负荷、区域聚合模型对个别区域温度控制精度的影响等，并指出了未来改进方向（如增加区域分辨率、直接测量关键设备功率等）。