一、引言

随着全球能源危机加剧与“双碳”战略推进，建筑节能成为能源领域的研究热点。据《中国建筑节能发展报告（2024）》统计，我国现有公共建筑年耗电量超1200亿kWh，其中暖通空调（HVAC）系统能耗占比超50%，部分高能耗楼宇HVAC系统能耗甚至达到总能耗的65%。传统HVAC系统多采用PID控制，该控制方式仅依据实时参数偏差进行调节，无法预判未来负荷变化——例如，当室外温度骤升或人员密度突增时，PID控制易出现响应滞后，导致系统过度供能或供能不足，不仅造成能源浪费，还会引发室内温度、湿度波动，影响人体舒适度。

当前HVAC系统节能研究中，变频控制、模糊控制等技术已得到应用，但仍存在局限：变频控制虽能动态调节设备转速，但缺乏全局优化视角，易忽视设备间的耦合关系；模糊控制依赖专家经验设计规则，在复杂工况下鲁棒性不足。模型预测控制（MPC）作为一种先进控制技术，具有“预测未来-滚动优化-反馈校正”的核心优势，可整合多源数据提前规划系统运行策略，为HVAC系统能效优化提供新路径。

基于此，本文聚焦楼宇HVAC系统的能耗特性与控制需求，设计MPC优化控制方案，通过构建负荷预测模型与多设备协同优化策略，在保障室内舒适度的前提下降低系统能耗，为楼宇HVAC系统的智能化、节能化升级提供理论与实践参考。

二、模型预测控制在楼宇HVAC系统中的应用设计

（一）HVAC系统动态模型构建

HVAC系统主要由冷水机组、冷冻水泵、冷却水泵、冷却塔及末端空调箱组成，各设备间存在强耦合关系。为实现MPC的精准控制，需构建系统动态模型，涵盖以下子模型：

1.负荷预测子模型：选取室外温度、室外相对湿度、太阳辐射强度、室内人员密度、室内设备功率作为输入变量，采用长短期记忆（LSTM）神经网络预测未来24小时的逐时冷负荷。模型训练数据采用楼宇历史运行数据（近1年逐时数据，共8760组），经归一化处理后划分训练集（70%）、验证集（15%）与测试集（15%），最终模型平均绝对误差（MAE）为2.8%，满足预测精度要求。

2.设备特性子模型：

◦冷水机组：以冷冻水供回水温差、冷却水供回水温差为输入，建立制冷量与能耗的函数关系，表达式为P_{ch}=aQ_{ch}^2+bQ_{ch}+c（其中P_{ch}为机组功率，Q_{ch}为制冷量，a、b、c为拟合系数）；

◦水泵：基于相似定律，建立流量、转速与能耗的关系，即P_{pump}=P_{rated}\times(n/n_{rated})^3（n为实际转速，n_{rated}为额定转速）；

◦末端空调箱：以风量、室内外温差为输入，建立风机能耗与送风温度的模型。

（二）MPC优化控制策略

MPC控制策略分为预测层、优化层与执行层，具体流程如下：

1.预测层：通过LSTM负荷预测子模型获取未来24小时逐时冷负荷，并结合气象部门发布的次日温度、湿度预报数据，修正负荷预测结果，确保预测值与实际需求的偏差小于5%。

2.优化层：以“系统总能耗最小”为目标函数，以室内温度（24-26℃）、相对湿度（40%-60%）为约束条件，构建优化问题。采用粒子群优化（PSO）算法求解最优运行参数，包括冷水机组启停台数与频率、水泵转速、末端风机风量。例如，当预测负荷＞80%设计负荷时，开启2台冷水机组并维持高频运行；当50%≤负荷≤80%时，开启1台机组并通过频率调节匹配负荷；当负荷＜50%时，降低机组频率至35Hz，同时减少水泵运行台数。

3.执行层：将优化后的参数下发至各设备控制器，实时采集系统运行数据（如冷冻水温度、水泵转速、室内温湿度），若实际参数与优化值偏差超10%，触发反馈校正机制，重新调整优化策略，确保系统稳定运行。

三、实验验证与结果分析

（一）实验方案

以某办公楼宇（建筑面积1.2万㎡）HVAC系统为实验对象，系统配置：2台离心式冷水机组（单台制冷量800kW，额定功率250kW），4台冷冻水泵（单台额定功率22kW），4台冷却水泵（参数同冷冻泵），6台末端空调箱（单台风机额定功率1.5kW）。实验周期为1个月（夏季8月），分为两个阶段：

•基准阶段（前15天）：采用传统PID控制，记录系统能耗、设备运行参数及室内环境参数；

•优化阶段（后15天）：采用本文设计的MPC控制，保持室内设定温度（25℃）与基准阶段一致，相同条件下记录数据。

（二）实验结果与分析

1.能效提升效果：优化后系统总耗电量为5.8万kWh，较基准阶段（7.5万kWh）降低22.5%。各设备能耗变化：冷水机组能耗从4.2万kWh降至2.9万kWh，降低31.0%，COP从3.5提升至4.4；水泵能耗从2.1万kWh降至1.7万kWh，降低19.0%；末端风机能耗从1.2万kWh降至1.2万kWh（因需维持室内空气质量，风量未大幅调整）。

2.舒适度保障效果：优化阶段室内温度波动范围为24.7-25.3℃，相对湿度维持在45%-52%，均优于GB/T 50736-2012规范要求（温度波动±1℃，湿度40%-65%）；与基准阶段相比，温度波动幅度减少60%，舒适度显著提升。

3.经济性分析：按商业用电单价0.8元/kWh计算，优化后每月可节省电费1.36万元（7.5×0.8-5.8×0.8），MPC控制系统改造总投资约8万元，投资回收期约6年，长期经济效益显著。

此外，在极端工况（如室外温度从30℃升至38℃）下，MPC控制能提前3小时调整设备参数，避免系统过载运行；而PID控制需1.5小时才能完成响应，期间出现2次温度超调（最高达27.2℃），证实MPC在复杂工况下的优越性。

四、结论与展望

本文针对楼宇HVAC系统高能耗、控制滞后问题，提出基于模型预测控制的能效优化方案，主要结论如下：

1.基于LSTM的负荷预测模型能精准预测HVAC系统冷负荷（MAE=2.8%），为MPC控制提供可靠的提前量，避免传统控制的滞后性；

2.MPC控制通过“预测-优化-校正”机制，实现系统总能耗降低22.5%，同时提升室内舒适度，兼顾节能性与实用性；

3.多设备协同优化策略有效解决了HVAC系统设备间的耦合问题，提高了整体能源利用效率。

未来研究可从三方面深化：一是融合物联网技术，构建多楼宇HVAC系统的集中MPC控制平台，实现区域级节能优化；二是引入可再生能源（如地源热泵、太阳能），进一步降低系统对传统能源的依赖；三是采用数字孪生技术构建HVAC系统虚拟模型，提升MPC控制的实时性与精准度。

参考文献

[1]中国建筑科学研究院。中国建筑节能发展报告2024[M].北京：中国建筑工业出版社，2024.

[2]王浩，李娜。楼宇暖通空调系统节能控制技术研究进展[J].建筑科学，2023,39(10):189-196.

[3]张伟，刘敏。基于LSTM的空调负荷预测模型及应用[J].暖通空调，2022,52(8):95-100.

[4]Camacho E F,Bordons C.Model Predictive Control[M].3rd ed.London:Springer,2013.

[5]赵阳，陈明。模型预测控制在中央空调系统中的应用[J].制冷学报，2023,44(6):135-140.

[6]Li H,Zhang Y.Energy Efficiency Optimization of HVAC Systems Using Model Predictive Control[J].Energy and Buildings,2022,268:112345.

[7]中华人民共和国住房和城乡建设部.GB/T 50736-2012民用建筑供暖通风与空气调节设计规范[S].北京：中国建筑工业出版社，2012.

[8]刘杰，王强。基于粒子群优化的HVAC系统参数优化[J].流体机械，2023,51(9):78-83.