一种新型的高保真双尺度模型预测控制策略，用于节能型变风量（VAV）系统：在地铁站站台的应用

《Sustainable Energy Technologies and Assessments》：A novel high-fidelity dual-scale model predictive control strategy for energy-efficient VAV systems: Application to metro station platforms

为提升地铁车站VAV系统能效与温控精度，本研究提出高保真双尺度模型预测控制（HFDS-MPC）策略，通过耦合双尺度空间网格与卡尔曼滤波估计器优化模型预测，利用温度场空间相关性减少传感器部署，实验表明预测时间最优化可使控制精度提升61.2%，温度误差≤4.4%，年节省电费21,177元。

　　在现代城市交通系统中，地铁站作为重要的交通枢纽，其运营过程中涉及大量能源消耗，尤其是在空调系统方面。研究表明，地铁站的供暖、通风与空气调节（HVAC）系统通常占总能耗的50%-60%。因此，提升地铁站HVAC系统的能效和温度控制精度，对于实现节能减排目标具有重要意义。为了应对这一挑战，本研究提出了一种新颖的高保真双尺度模型预测控制（HFDS-MPC）策略，专门针对地铁站变风量（VAV）系统中的温度调控问题。

HFDS-MPC的核心创新在于将双尺度空间网格与基于卡尔曼滤波的估计器相结合，以实现对模型预测的实时校正。这种结合使得系统能够在仅有少量温度传感器的情况下，利用温度场的空间相关性，推断出整个网格区域的温度分布，从而大幅减少传感器的部署需求。在大型空间中，温度场的复杂性和动态性使得传统的单点测量方法难以满足控制精度的要求，而HFDS-MPC则通过高保真的建模方法，更准确地描述了温度变化过程中的误差协方差，从而在卡尔曼滤波框架下提高了状态估计的可靠性。

为了实现这一目标，HFDS-MPC采用了多尺度建模策略。在宏观层面，系统利用整个地铁站的空间结构，建立一个整体的温度预测模型，以捕捉大范围内的温度变化趋势。而在微观层面，系统则通过高分辨率的温度模拟，对局部区域的温度变化进行详细建模，从而更精确地描述过程误差的分布。这种双尺度建模方法不仅提高了模型的准确性，还有效降低了计算复杂度，使得实时控制成为可能。

在HFDS-MPC策略中，卡尔曼滤波器被用于实时校正模型预测。传统的卡尔曼滤波方法在处理过程噪声时，通常采用简单的对角阵形式，但这种方法难以准确反映温度场中各点之间的相关性。因此，本研究引入了一种基于计算流体动力学（CFD）的噪声建模方法，通过模拟地铁站内部的空气流动和温度分布，对过程噪声的协方差矩阵进行了高精度建模。这种方法不仅提高了卡尔曼滤波器的估计能力，还显著降低了控制误差。实验结果显示，采用CFD方法建模过程噪声后，HFDS-MPC的平均控制误差仅为0.44%，这是传统方法的四倍以上，表明其在温度控制方面的优越性。

HFDS-MPC策略还考虑了各种扰动因素对控制性能的影响。地铁站内的温度变化不仅受到外部环境的影响，如天气变化、人流密度等，还受到内部设备运行状态、人员活动模式以及建筑结构等因素的干扰。为了全面评估HFDS-MPC的控制性能，本研究通过数值模拟方法，系统分析了关键参数和扰动因素对控制效果的影响。结果显示，预测时间范围是最关键的参数之一，其最优值能够提升控制精度61.2%。此外，HFDS-MPC在面对多种扰动时，仍能保持平台温度在参考值的4.4%以内，显示出其在复杂环境下的稳定性。

为了进一步验证HFDS-MPC策略的可行性，本研究将其应用于实际地铁站的变风量系统中，并对控制效果进行了评估。实验数据表明，采用HFDS-MPC策略后，地铁站的空调系统能耗显著降低，能够实现28.8%的节能效果。以年为单位计算，这种控制策略可节省约21,177元的电费成本，相较于恒定风量控制（CAV）策略具有明显的经济优势。这不仅意味着地铁站的运营成本可以得到有效控制，还为实现绿色建筑目标提供了新的技术路径。

在地铁站这样的大型开放空间中，温度调控的复杂性远高于一般建筑环境。由于空间体积大、人员流动频繁、热负荷变化剧烈，传统的单点温度控制方法往往无法满足精确调控的需求。而HFDS-MPC通过引入双尺度建模和高保真估计器，有效解决了这一问题。其在宏观和微观层面的协同作用，使得系统能够在保证控制精度的同时，降低传感器部署成本和计算负担，为大规模空间的温度控制提供了可行的解决方案。

此外，HFDS-MPC策略还强调了控制参数的优化与调整。在实际应用中，控制系统的性能受到多种因素的影响，包括预测时间范围、传感器布局、模型精度等。为了确保系统的最佳运行状态，本研究通过系统化的参数分析，确定了关键控制参数的最优取值范围。例如，预测时间范围的设置直接影响系统的响应速度和控制精度，过长的预测时间可能导致模型误差累积，而过短的预测时间则可能无法充分反映系统的动态特性。因此，本研究通过对不同预测时间范围的实验对比，找到了能够平衡控制精度与响应速度的最佳方案。

同时，HFDS-MPC策略还考虑了实际运营中可能遇到的各种扰动。例如，地铁站内的人员流动、设备启停、外部气候条件的变化等，都会对温度场的稳定性产生影响。为了提高系统的鲁棒性，本研究在模型设计中引入了扰动补偿机制，使得系统能够在面对外部干扰时，依然保持较高的控制精度。通过对比实验可以发现，HFDS-MPC在面对不同扰动时，其控制性能优于传统方法，特别是在处理突发性热负荷变化时表现出更强的适应能力。

在实际应用中，HFDS-MPC策略的实施还需要考虑到传感器的布置和数据采集的效率。由于地铁站的空间结构复杂，传感器的部署往往受到物理条件和成本的限制。而HFDS-MPC通过高保真估计器的设计，能够在有限的传感器数量下，准确估计整个空间的温度分布，从而避免了对大量传感器的依赖。这种策略不仅降低了系统的硬件成本，还提高了系统的可扩展性和适应性，使其能够适用于不同规模和结构的地铁站。

为了进一步验证HFDS-MPC策略的有效性，本研究还结合了实际地铁站的运行数据和模拟数据，对控制策略进行了综合评估。通过分析不同时间段内的温度变化趋势和能耗数据，可以发现HFDS-MPC在提升热舒适性的同时，显著降低了空调系统的能耗。这表明，该策略不仅能够满足地铁站的温度调控需求，还能在节能减排方面发挥重要作用。

综上所述，HFDS-MPC策略为地铁站变风量系统的温度调控提供了一种高效、精确且经济的解决方案。通过双尺度建模和高保真估计器的结合，该策略能够在有限的传感器条件下，实现对整个空间温度的准确估计，并通过实时校正提高控制精度。同时，该策略在面对各种扰动时表现出良好的鲁棒性，确保了地铁站内部环境的稳定性和舒适性。未来，随着传感器技术、计算能力和人工智能技术的不断发展，HFDS-MPC策略有望在更多复杂建筑环境中得到应用，为实现绿色建筑和智能运维提供强有力的技术支持。