本研究论文《Model-based optimal control strategy for multizone VAV air-conditioning systems for neutralizing room pressure and minimizing fan energy consumption》发表于建筑环境领域权威期刊《Building and Environment》（第256卷，2024年）。论文第一作者为Shanrui Shi，通讯作者亦为Shanrui Shi，所属单位为日本东京大学工学研究科建筑学系。合作者包括Shohei Miyata、Yasunori Akashi（东京大学）、Masashi Momota（东京电机大学）、Takao Sawachi（建筑研究所）以及Yuan Gao（九州大学国际碳中和能源研究所能源系统设计中心）。论文在线发表于2024年3月26日。
本研究的学术背景聚焦于暖通空调（HVAC）系统的优化控制领域，特别是多区域变风量（Variable Air Volume， VAV）空调系统。研究动机源于两个关键的现实问题。首先，室内人员大部分时间处于室内环境，室内环境质量（IEQ）对健康、心理和工作效率至关重要，而HVAC系统是维持IEQ的核心。然而，建筑能耗占全球能耗近40%，其中HVAC系统是主要耗能部分，因此在保障环境质量的同时提升能效是迫切需求。其次，传统的VAV系统控制策略，如静压重置（Static Pressure Reset， SPR）控制，主要关注通过调节送风末端（VAV box）风阀开度和风机频率来控制室内空气温度，却普遍忽视了房间压力平衡问题。这可能导致各房间压力不均，引发不期望的空气渗透（Infiltration）或渗出（Exfiltration）。空气渗透会引入未经处理的室外空气，损害室内空气品质（IAQ）和热舒适性，并增加能耗；空气渗出则可能导致入口门开关困难、噪音以及采暖季墙体内表面结露等问题。此外，虽然建筑压力控制（如气流追踪控制，Airflow Tracking Control）在单区域系统中有效，但在多区域VAV系统中，仅保证总送风量与总回风量（或排风量与新风量）的差值，并不能确保每个独立房间的压力都达到中性（接近室外压力）。现有的模型优化控制研究也多集中于送风侧（送风机和VAV风阀），未能对回风侧（排风机和回风风阀）进行协同优化，留下了未开发的优化自由度。因此，本研究旨在开发一种基于物理模型的最优控制策略，以同时实现多区域VAV系统的三大目标：精确控制室内空气温度、中和各房间压力、并最小化风机能耗。
研究的详细工作流程可分为五个核心部分：系统物理模型构建与验证、多目标优化问题框架设计、优化算法实现、对比控制策略设定以及基于仿真测试平台的综合性能评估。
第一部分：多区域VAV系统物理模型构建。 研究对象是位于日本茨城县的一栋实验建筑中安装的真实六房间VAV系统。研究团队为其开发了一套详细的物理模型，用于预测系统在不同控制变量下的响应。该模型是后续优化控制的基础，主要包括：1. 部件模型：包括送风机（SA fan）和排风机（EA fan）的特性曲线（用四次多项式拟合），VAV风阀和回风（RA）风阀的压力损失特性曲线（用二次方程拟合），风管网络的摩擦与局部阻力损失计算，以及基于建筑气密性测试（blower-door test）得到的各房间空气渗透特性曲线。2. 气流-压力平衡模型：将整个通风系统抽象为由节点、支路、回路和路径组成的网络。基于基尔霍夫定律（质量守恒和压力平衡），建立系统方程组。给定风机频率和各风阀开度，即可通过二分法等数值方法求解出整个风网中各支路的气流流量和压力分布，从而计算出各房间的送风量、回风量以及因压力差导致的渗透风量。3. 能耗模型：计算系统总能耗，包括空气源热泵（ASHP）能耗、水泵能耗（本研究简化为固定值）以及送、排风机的能耗。风机能耗计算考虑了风机效率、变频器效率以及静压和动压。4. 建筑负荷与室温计算模型：采用基于ISO 13790标准的5电阻1电容（5R1C）灰色箱体模型，模拟每个房间的热动态。该模型以室外气象条件、室内得热、以及由气流模型计算得出的送风量和渗透风量为输入，计算出每个时间步长的室内空气温度。为确保模型准确性，研究团队利用实测数据（两种不同的风机运行工况）对开发的气流-压力平衡模型进行了验证。结果显示，在风机恒速运行下，模型预测的送/回风量平均绝对百分比误差（MAPE）最大仅为0.70%，表明模型能高度精确地复现实际系统。在风机变速运行下，误差有所增大（最大10.02%），主要归因于风机启动时快速频率变化带来的动态延迟，而模型基于稳态假设，未能完全捕捉此瞬态特性，但在频率平缓变化时仍能有效反映气流分布。
第二部分：多目标优化框架设计。 基于上述模型，研究提出了一个多目标优化控制策略。其核心思想是，在每个控制步长（本研究仿真中为30分钟），将控制变量（送风机频率、排风机频率、6个房间的VAV风阀开度和6个房间的RA风阀开度，共14维变量）输入到气流-压力平衡模型和RC模型中，以同时优化三个目标。这三个目标被整合进一个带权重的单目标函数中：J = J_P + w * J_T + λ。其中，J_P代表房间压力目标，定义为所有房间空气渗透量的绝对值之和（理想值为0，表示压力完全中和）。J_T代表室内温度目标，定义为各房间实际送风量与需求送风量之差的绝对值之和（理想值为0，表示温度控制完美）。需求送风量由RC模型根据上一时刻状态和当前负荷计算得出，以维持设定温度。w为权重因子，用于权衡压力控制与温度控制的优先级，本研究通过前期实验设定为0.4。λ为惩罚项，用于实现第三个目标——降低风机能耗。其机制是：当所有VAV风阀或所有RA风阀的开度均小于85%时，λ取一个足够大的正值，从而在优化中“惩罚”这种会导致风网阻力增加、进而增加风机能耗的风阀开度组合，引导优化器寻找风阀开度更大（通常大于85%）的方案以降低系统阻力。
第三部分：优化算法实现。 为解决上述高维、非凸的优化问题，研究采用了模拟退火粒子群优化（Simulated Annealing Particle Swarm Optimization， SAPSO）算法。该算法结合了粒子群优化（PSO）快速收敛和模拟退火（SA）跳出局部最优的优点。研究对SAPSO的关键参数（如粒子数、最大迭代次数、初始温度等）进行了细致的调优，以确保其在可接受的计算时间内找到高质量的近似最优解。
第四部分：对比策略设定。 为评估所提策略的有效性，研究设定了四种控制策略进行对比测试。策略1：传统的SPR控制，仅控制送风侧。使用PI控制器根据室温偏差调节每个房间的VAV风阀开度，再根据VAV风阀的最大开度反馈来调节送风机频率，使其维持在85%-95%的“最佳”开度区间。回风侧风阀全开，排风机恒速运行。策略2：SPR控制与气流追踪控制的结合。送风侧控制同策略1，同时对排风机进行控制，确保建筑总排风量等于总新风量（即设定压差风量为0），以期平衡建筑整体压力。策略3：本研究提出的基本最优控制策略（不含能耗惩罚项）。在每个控制步长，对送、排风机频率和所有风阀开度进行联合优化，目标函数仅包含J_P和J_T，旨在实现温度和压力的最优控制，但不显式约束风阀开度以节能。策略4：本研究提出的完整最优控制策略。在策略3的基础上，在目标函数中加入惩罚项λ，旨在同时实现温度控制、压力中和与风机节能。
第五部分：仿真测试与性能评估。 研究团队开发了一个基于Python的仿真测试平台，模拟了上述六房间VAV系统在一个典型制冷日（9:00-17:00，室内设定温度26°C）的运行。输入条件包括变化的室外温度、太阳辐射、人员及设备负荷。对四种策略进行了全面的性能比较，评估指标包括室内温度控制精度、房间压力平衡度、空气渗透量以及系统总能耗。
研究的主要结果详细展示了对上述四种策略的仿真测试数据。
关于风机频率与风阀开度的操作行为：策略1中，送风机频率根据VAV风阀开度反馈进行调节，排风机恒频，RA风阀全开。策略2中，排风机频率被额外控制以追踪新风量。策略3和4通过优化直接给出了风机频率和各风阀开度的最优组合。结果显示，策略3有时会得出所有风阀开度均较小（<60%）的方案，这会增加系统阻力。而策略4通过惩罚项有效避免了这种情况，倾向于选择风阀开度更大（>85%）的方案，从而降低了风网阻力。
关于送/回风量与室内温度：策略1由于仅控制送风侧，各房间送风量与回风量存在明显差异（尤其是最远端的301房间表现为渗出，其他房间多为渗透），这直接导致了房间压力不平衡。策略2通过控制排风量等于新风量，使建筑整体的送、回风量总量接近，减少了整体渗透量，但各房间之间仍存在压力差异。策略3和4通过联合优化，成功实现了各房间送风量与回风量的高度匹配，从而几乎消除了空气渗透。在温度控制上，所有四种策略都能将室温维持在设定点附近的小偏差范围内（-0.2 ~ 0.2 °C）。策略1和2在运行初期因PI控制器的响应延迟出现了稍大的偏差，而策略3和4在优化框架下，能在初始阶段提供更充足的送风，更快地接近设定点。
关于房间压力与空气渗透：策略1表现出最严重的压力失衡（最大达-22.04 Pa）和最大的空气渗透总量（-198.71 m³/h，负值表示总体为渗透）。策略2通过平衡总风量，将整体压力失衡和渗透量降至接近零，但关键发现是，各个房间的压力并未完全中和，仍存在正压或负压。这证实了在多区域系统中，仅保证总量平衡不足以实现每个区域的局部压力中和。策略3和4则成功地将所有六个房间的压力维持在近乎完美的中性状态（接近0 Pa），空气渗透量也微乎其微。
关于系统能耗：策略1能耗最高。策略2通过减少空气渗透带来的冷负荷，使系统总能耗降低了约5.63%。策略3通过彻底消除空气渗透的得热，能耗进一步降低，比策略1节约7.19%。策略4在策略3的基础上，通过约束风阀开度以降低风网阻力，实现了最低的风机功耗和系统总能耗。相比策略1，策略4的风机能耗降低了约6.71%，系统总能耗降低了约7.91%。研究表明，节能主要来源于两方面：一是消除（或减少）了因空气渗透带来的额外冷负荷；二是通过优化风阀开度降低了风网阻力，从而减少了风机能耗。
本研究的结论明确而有力。研究成功提出并验证了一种基于模型的多区域VAV空调系统最优控制策略。该策略通过构建详细的系统物理模型，并利用SAPSO算法对送、回风两侧的风机频率和风阀开度进行联合优化，能够同时、高效地实现三大目标：维持室内热舒适、中和各房间压力、并最小化风机及系统能耗。仿真结果表明，相比传统的SPR控制，该策略在典型制冷工况下可节约约7.91%的系统总能耗。更重要的是，它解决了多区域系统中局部压力难以中和的难题，为实现更高品质的室内环境和更精确的能源管理提供了新方案。
本研究具有多个突出亮点和重要价值。科学价值与应用价值：1. 填补了研究空白：首次在模型优化控制框架中，系统性地将回风侧（排风机和回风风阀）纳入协同优化，释放了多区域VAV系统的全部控制自由度。2. 揭示了重要现象：通过策略2的对比实验，明确证明了将广泛应用于单区域系统的“气流追踪控制”与SPR控制结合，无法保证多区域VAV系统中每个房间的压力中和。这一发现强调了对于复杂的多区域系统，采用基于全局物理模型的优化方法比依赖简单反馈或总量平衡的传统方法更具必要性。3. 提供了完整解决方案：不仅提出了控制框架，还构建了经过验证的、可预测气流、压力和温度的详细系统模型，为后续研究提供了可靠的工具。4. 具有实际工程指导意义：所提策略可直接转化为控制信号驱动执行器，控制精度高（最大室温偏差0.25°C，最大房间压力0.05 Pa），展示了在实际建筑中部署的潜力，有助于延长建筑寿命、提升人员热舒适和健康水平。
研究的局限性与未来工作：作者在文末也坦诚指出了当前研究的局限性，为未来方向提供了指引。首先，为追求最低能耗，策略4维持了接近中性的压力，但完全避免渗透可能需要维持轻微正压，这会增加送风量和风机能耗，未来需探索这之间的权衡。其次，测试场景的输入条件变化以小时为单位，未来需应对更快速动态扰动，可能需采用分布式优化或事件驱动机制来降低计算负荷。最后，模型参数被假定为时不变，但实际建筑特性可能随时间变化，未来可考虑利用实时运行数据更新模型参数，或采用鲁棒优化技术来处理模型不确定性。