这篇论文由加拿大魁北克大学École de technologie supérieure的Synchromedia实验室与Brainbox AI公司智能建筑实验室的研究人员合作完成，作者包括Fatma Mtibaa、Kim-Khoa Nguyen、Vasken Dermardiros和Mohamed Cheriet。该项研究发表于期刊《Journal of Building Engineering》2021年的第42卷，并于2021年3月10日在线发布，文章编号102340。本研究属于建筑节能与智能控制领域，具体聚焦于利用人工智能技术优化商业建筑中的暖通空调系统运行。
研究的开展源于当前建筑能耗问题的紧迫性。据统计，商业建筑的能耗占全球总能耗的40%，并贡献了约30%的二氧化碳排放，其中超过一半的能耗来自暖通空调系统。传统的基于规则的控制系统由于其反应式、难以泛化且维护复杂的特性，在实现全局节能与维持热舒适性平衡方面存在局限。模型预测控制是一种更具前景的优化控制方法，已被证明能比基于规则的控制系统带来显著的节能效益（例如17%）。然而，传统的MPC实施面临巨大挑战：它需要对物理系统动态进行精确建模，这是一个耗时、成本高昂且需要专业知识的过程。随着智能建筑中部署的各类传感器积累了大量历史数据，利用人工智能算法开发数据驱动的解决方案成为克服MPC建模难题的新机遇。因此，本研究旨在开发一种创新的在线数据驱动控制框架，以解决传统MPC建模复杂的问题，并实现多区域建筑中HVAC系统在节能、降低峰值功率和保障热舒适性等多目标下的优化运行。
本研究的工作流程主要分为四个核心部分：数据准备与特征工程、预测模型开发、优化控制器设计，以及最终的实验验证与性能评估。
第一部分：数据准备与系统建模。 研究以一个位于加拿大蒙特利尔、面积约1000平方米、包含三个区域（无物理隔断）的零售建筑为实际研究对象。每个区域由一台带有两级加热和两级冷却盘管的屋顶机组和一个独立的恒温器控制。控制系统包含五个二进制控制信号（两冷、两热、一风扇），其有效运行组合被编码为六种状态（如全部关闭、仅风扇开启等）。研究人员收集了从2019年8月1日至2020年8月31日、采样间隔为5分钟的历史数据。用于建模的特征被分为三类：控制变量，包括过去观测和未来已知的HVAC设备开关状态；非控制变量，包括室外温度、星期几和一天中的小时；目标变量，即各区域的室内空气温度。所有数据经过归一化处理后，被随机划分为训练集（60%）、验证集（20%）和测试集（20%）。
第二部分：预测模型——上下文感知多元长短期记忆网络。 这是本研究的一大创新点。为了准确预测未来两小时（即预测时域）内各区域的室内温度，并为优化控制提供精确的动态模型，研究团队提出了一种名为CAM-LSTM的新型神经网络架构。该模型的核心挑战在于需要捕捉控制变量（如加热/冷却开关）对温度输出的敏感影响，即“闭合控制回路”。为解决多变量时间序列中复杂的非线性依赖关系，CAM-LSTM采用了双流神经网络结构，并引入了注意力机制。具体工作流程如下：控制变量时间序列和非控制变量时间序列分别输入两个并行的处理流。第一个流（非控制流）和第二个流（控制流）都包含高级特征提取和低级特征提取组件，用于建模复杂的时间模式。特别之处在于控制流：在特征提取后，该流增加了一个注意力网络组件。该组件接收控制变量的特征，通过一个双向LSTM层处理，然后利用Sigmoid函数（而非Softmax，以支持多变量关注）计算自注意力权重。这些权重代表了不同时间步的控制信号对温度预测的重要性，使模型能够“关注”那些对温度变化有关键影响的控制动作。最后，控制流（经过注意力加权聚合的输出）和非控制流的输出被拼接，再经过一个双向LSTM层和全连接层，最终生成整个预测时域的温度序列。该模型使用历史3小时和未来2小时的数据作为输入，进行多步直接预测，避免了递归预测的误差累积问题。
第三部分：优化控制框架——基于遗传算法的模型预测控制。 研究团队将上述CAM-LSTM预测模型集成到一个MPC框架中，形成了MPC-GA控制系统。优化问题旨在最小化一个包含三个目标的综合成本函数：总能耗、峰值功率需求以及占用时段的热不舒适度（定义为室内温度偏离设定点范围的累积偏差）。该优化问题受到一系列实际运行约束的限制，包括：温度必须在设定点上下限范围内；设定点可根据预测误差进行自我调节；温度变化率需符合ASHRAE标准，以避免过大波动导致不适和设备频繁启停；控制信号的循环变化次数需低于预设阈值，以减少设备磨损。这是一个复杂的带约束多目标优化问题。为了实现在线实时优化（计算时间需低于5分钟的控制周期），研究者采用了遗传算法作为求解器。在每一个控制时刻（如每5分钟），GA开始工作：它随机生成一个种群，每个个体代表未来两小时所有三个区域的一系列控制信号组合（染色体）。然后，将这些控制序列输入到已训练好的CAM-LSTM模型中，预测出对应的未来温度轨迹。接着，根据预测的温度和能耗，计算每个个体对应的总成本（包含违反约束的惩罚项）。GA通过锦标赛选择、多点交叉（确保在相同区域间交换控制基因）和变异等操作，迭代演化种群，寻找成本最低的控制序列。经过60代演化（根据敏感性分析确定的最佳参数）后，选择最优个体，并将其第一个控制动作（即下一刻的控制指令）下发给真实的建筑HVAC系统执行。系统执行后产生新的状态反馈，MPC-GA框架随之滚动到下一个时间步，重复上述优化过程，形成闭环控制。
第四部分：实验验证与结果分析。 研究首先在测试集上评估了CAM-LSTM预测模型的性能，与多种基线模型（如NNARX、LSTM-MISO、DSTP-RNN等）进行比较。评估指标包括平均绝对百分比误差、均方根误差和平均绝对误差。结果显示，CAM-LSTM在所有指标上均表现最佳，证明了其高预测精度和捕获控制敏感性的能力。研究还通过案例研究（如故意关闭本应开启的加热/冷却控制）直观展示了模型对控制信号的正确响应。随后，研究对GA参数进行了敏感性分析，确定了最佳种群规模（400）、进化代数（60）等参数，以确保在5分钟内找到满意解。最终，研究在真实建筑中进行了在线部署实验，对比了MPC-GA控制器与建筑中原有的先进RBC控制器的性能。实验选取了两天进行，并找到了历史中室外温度条件相似的日子进行公平比较。结果表明：在实际部署模式下，MPC-GA在测试1中实现了62.29% 的节能，并将不舒适度从RBC的11.19°C·h降至0（即100%消除不舒适）；在测试2中实现了58.40% 的节能，并将不舒适度降低了81.81%。峰值功率方面，MPC-GA与RBC基本持平或略高，但由于MPC-GA考虑了月峰值费用，其控制策略旨在不突破当月已有峰值，因此未带来额外的峰值成本。通过分析运行时间图发现，MPC-GA的节能主要来源于大幅减少了高能耗的第二级冷却的运行时间，并且在三个区域间更均衡地分配了设备负载。同时，MPC-GA能够更严格地将室内温度维持在设定点范围内。
本研究的结论是，成功开发、实施并评估了一个应用于真实商业建筑的数据驱动MPC控制器。该研究的核心价值在于：科学价值方面，提出并验证了结合注意力机制的双流LSTM预测模型（CAM-LSTM），有效解决了数据驱动MPC中模型对控制信号敏感性的建模难题；设计了一个集成了自调节设定点、温度变化率和设备循环约束的多目标优化MPC-GA框架，并通过遗传算法实现了在线实时求解。应用价值方面，该方案在实际建筑部署中取得了远超传统RBC控制器的性能，证明了其在降低商业建筑运营能耗（>50%）和提升热舒适性（不舒适度降低>80%）方面的巨大潜力和工程可行性，为降低建筑碳足迹提供了一种高效、可落地的AI解决方案。
本研究的亮点突出体现在以下几个方面：第一，方法新颖。 首次将基于注意力机制的双流神经网络用于预测控制中的动态建模，巧妙地强调了控制变量对输出的影响，提升了预测精度和控制决策质量。第二，框架全面。 提出的MPC-GA框架不仅考虑了经典的能耗和舒适度目标，还创新性地引入了自调节设定点、符合ASHRAE标准的温度变化率约束和设备循环约束，更贴近实际工程需求和设备寿命管理。第三，验证扎实。 研究没有停留在仿真层面，而是克服了在真实建筑中部署数据驱动控制器的风险（如可能造成过热/过冷），完成了从离线训练、仿真测试到在线实时闭环控制的全流程验证，结果具有高度说服力。第四，结果显著。 在实际部署中取得了超过50%的节能和超过80%的不舒适度降低，性能提升幅度非常可观。这些亮点共同标志着该研究在建筑能源管理与智能控制领域向前迈出了坚实而创新的一步。
此外，论文还详细讨论了相关工作的局限性，突出了本工作的贡献；对GA参数进行了细致的敏感性分析，确保了在线应用的实时性；并通过丰富的图表（如温度预测对比、控制状态序列、设备运行时间分布等）清晰展示了结果，增强了研究的可读性和可信度。这些内容共同构成了一项完整、严谨且具有高影响力的学术研究工作。