本文档为发表于《Building and Environment》期刊2021年第200卷（文章编号107952）的一篇学术综述论文。该论文由上海交通大学机械工程学院制冷与低温工程研究所的Yao Ye*与Divyanshu Kumar Shekhar共同撰写，并于2021年5月13日在线发表。论文题目为《State of the art review on model predictive control (MPC) in heating ventilation and air-conditioning (HVAC) field》。其核心主题是对模型预测控制（MPC）在建筑暖通空调（HVAC）领域应用的研究现状、关键技术、应用挑战及未来方向进行全面、系统的梳理与评述。

这篇综述旨在填补现有研究的空白。作者指出，尽管MPC在工业过程控制中已有广泛应用，并且在建筑HVAC系统中的应用研究也日益增多，但此前缺乏一个能详细阐述MPC应用框架、全面比较不同变体、并深入探讨建模、优化、设计参数等关键要素的综合性文献。特别是，现有的综述文章未能提供一个关于MPC变体及其在不同应用场景下适用性的广泛图景，对建模技术、优化算法、约束条件、设计参数等核心组件的系统性分类与讨论也显不足。因此，本文的目标是为建筑HVAC系统MPC方案的实施提供一个清晰的路线图，详细讨论MPC变体及其在不同情况下的适用性，并对影响MPC性能的各种设计参数和建模软件进行全面阐述。其主要目标是强调对MPC控制方案至关重要的设计参数，为未来的研究提供更好的指导方针。

论文主体围绕以下几个核心论点展开，并进行了深入阐述：

第一，论文系统性地分类和阐述了MPC的多种变体及其适用场景。 作者认为，传统的MPC在应对建筑HVAC系统固有的不确定性、非线性、大规模问题等方面存在局限性，因此催生了多种改进的MPC框架。本文详细论述了五种主要变体：1）鲁棒模型预测控制：用于处理有界模型不确定性和外部干扰，确保在所有可能的扰动序列下满足状态约束，适用于模型不准确或干扰边界已知但具体值不确定的场景。论文引用了Nagpal等人和Yang等人的研究，表明RMPC能在存在较大扰动的情况下维持室内温度在期望范围内，实现约15%–20%的节能。2）随机模型预测控制：与RMPC考虑最坏情况不同，SMPC考虑干扰的概率特性，采用机会约束，更适合处理难以精确预测的气候信息、冷负荷等无界或概率性扰动。论文引用Ma等人和Mady等人的工作，指出SMPC能在保证热舒适概率界限的同时优化能耗，实现比计划性MPC更高的节能和舒适度提升。3）分布式模型预测控制：将大规模系统（如多区域建筑）分解为多个耦合较弱的子系统，通过局部控制器并行计算并协调通信，以降低集中式MPC的计算负担。文中引用了Moroşan、Walker和Eini等人的研究，证明DMPC能在保持与集中式MPC相近控制精度的同时，显著减少计算时间（例如，Eini的研究显示计算时间减少48%）。4）自适应模型预测控制：能够在线更新时变或非线性的过程模型参数，以应对系统动态特性变化或初始模型不准确的问题。Lauro和Lindelöf等人的研究表明，AMPC在提高控制性能和节能（加热节能24%–32%）方面优于非自适应MPC。5）混合模型预测控制：用于处理同时包含连续动态和离散逻辑（如设备的启/停、模式的切换）的系统，其优化问题通常涉及混合整数规划。论文以Fiorentini和Mayer等人的工作为例，说明HMPC能有效管理多模式HVAC系统，优化能源成本和可再生能源利用。

第二，论文深入剖析了影响MPC性能的关键设计要素，构建了完整的问题阐述框架。 这部分是综述的核心，作者将MPC的实施分解为几个相互关联的组成部分：1）建模：模型是MPC的基础。论文将建模技术分为三类：基于物理的白箱模型（如R-C网络）、基于数据的黑箱模型（如神经网络NN、自回归外生模型ARX）和两者结合的灰箱模型。作者比较了各自的优缺点：白箱模型泛化性好但计算复杂；黑箱模型精度高但依赖数据且外推能力弱；灰箱模型则试图结合两者优点。文中还特别提到了基于模型的强化学习作为新兴的数据驱动方法。2）约束：MPC能够显式处理约束是其突出优势。约束分为必须满足的硬约束（如设备物理极限）和允许违反但需付出代价的软约束（如舒适度范围）。论文通过Joe、Hou和Yang等人的研究实例，说明了如何将温度范围、PMV值、设备功率等转化为优化问题中的等式或不等式约束。3）优化目标与函数：MPC的目标函数通常涉及经济性（能耗、成本）、舒适性（PMV、PPD）和控制性能（设定点跟踪误差）。作者指出，这些目标常常相互冲突，因此多目标优化成为常见做法，通过加权标量化等方式进行折衷。论文列举了大量文献中采用的各类目标函数，并强调其形式直接影响优化算法的选择和计算复杂度。4）预测时域与控制时域及采样时间：这些时间参数对MPC的稳定性、计算量、扰动抑制能力至关重要。论文总结道，预测时域需足够长以涵盖过程动态（建筑热过程慢，常用24小时），控制时域通常更短以减少计算量，采样时间则需与系统动态和干扰更新频率匹配（常用5分钟至1小时）。过短的采样时间会增加计算负担，过长则可能无法有效应对快速扰动。

第三，论文详细探讨了MPC在建筑HVAC系统中的具体实施路径与所需工具。 作者从实际应用角度出发，阐述了以下几个关键环节：1）优化方法：优化算法是MPC在线求解的核心。论文对优化方法进行了系统分类，包括线性规划、二次规划等线性方法，以及遗传算法、粒子群优化等非线性全局优化方法。文中指出，由于建筑系统常被线性化建模，因此线性规划和二次规划应用广泛。但对于复杂非线性和多目标问题，启发式算法如GA、PSO等越来越受青睐。作者还提及了混合整数线性规划在解决包含离散变量的HMPC问题中的作用。2）干扰处理：干扰预测的准确性是MPC性能的关键瓶颈。干扰分为外部（环境温度、太阳辐射）和内部（人员、设备发热、电价）两类。论文讨论了通过离线测量、在线天气预报、历史数据分析（如使用人工神经网络预测冷负荷）等多种方式获取干扰信息。作者特别引用了Maasoumy等人的研究，提出了参数自适应建模与鲁棒优化相结合的策略来处理不同水平的不确定性。3）仿真软件平台：在真实部署前，MPC方案通常借助仿真软件进行研究。论文列举了TRNSYS、MATLAB/Simulink、EnergyPlus、Modelica等主流建模仿真工具，并介绍了它们与优化工具箱（如GenOpt）、中间件（如BCVTB）及求解器（如CPLEX、YALMIP）的协同仿真工作流程。这些软件为MPC算法的开发、测试和验证提供了虚拟环境。

第四，论文基于对现有文献的批判性分析，总结了主要结论并提出了未来研究方向。 在总结部分，作者提炼出若干关键发现：建模是MPC成功的基石，状态空间模型和灰箱模型是当前主流；多目标优化技术（如GA、PSO）的应用日益增多，但实时计算的挑战依然存在；预测时域、采样时间等参数需根据具体建筑热工特性及干扰更新频率审慎选择；MPC与热能存储结合能有效实现负荷转移和削峰填谷，节能效果显著优于规则控制等传统方法；尽管MPC性能优越，但其在真实建筑中的市场推广仍面临专业人才缺乏、改造成本高等障碍。

基于上述分析，作者提出了多个富有前瞻性的未来研究展望：1）开发集建模、优化、监测和干扰预测于一体的集成化MPC软件平台。2）探索更多元化的优化算法，如蚁群算法、差分进化、细菌觅食等。3）致力于提高人员行为、超短期天气等关键干扰的预测精度。4）研究MPC与人工智能技术的深度融合。5）开展不同MPC变体之间的系统性比较研究。6）更深入地量化分析预测时域、控制时域等设计参数对MPC性能的影响规律。

本综述论文的价值在于，它不仅仅是对现有文献的简单罗列，而是通过一个清晰、逻辑严密的结构，构建了建筑HVAC系统MPC研究与应用的知识体系框架。它系统地识别并阐述了该领域从核心控制理论变体、到具体实施技术细节、再到实际应用挑战与工具的各个层面。对于刚进入该领域的研究人员，本文是一份极佳的路标和入门指南；对于已有经验的研究者，它提供了对现有技术格局的全面概览和对未来趋势的深刻洞察。因此，这篇论文对推动模型预测控制在建筑节能与智能化管理中的进一步研究和实际应用具有重要的学术参考价值和实践指导意义。