1.介绍

在中国，建筑物占能源消费总量的28％。 在商业建筑中，采暖，通风和空调（HVAC）系统占建筑用电量的60％以上，以满足乘客舒适性的需求。 因此，通过建筑HVAC系统的节能，可以实现潜在的效益并且可以降低环境影响。 与现有建筑的暖通空调设备更新相比，暖通空调控制策略的改进被认为是提高建筑能效的有效方法之一。

尽管包括比例 - 积分 - 微分（PID）控制和开/关控制的传统控制方法仍然是大多数商业建筑中最常用的控制方法，但是这些方法具有系统级特性和不同组件没有考虑。 近年来，MPC在HVAC最优控制方面取得了快速发展。  Khanmirza等人对建筑混合供暖系统的不同控制方法进行了比较，并证明通过实施经济优化的MPC方法可以实现室内温度要求的最大限度降低成本。  Salakij等人开发了一种MPC方法，将关键建筑信息纳入基于耦合系统模型修改的低阶系统模型的控制算法。 通过仿真和实验验证，他们证明了所提出的MPC方法在保持室内热舒适性的同时以最低的能量消耗产生出色的控制性能。

尽管迄今为止MPC在提高建筑物的能量性能方面进行了广泛的研究，但文献报道的实例仅有少数。  Huang等人在机场航站楼实施了MPC。 仿真和现场实验表明，在使用所提出的混合模型预测控制后，可以实现节能而不会失去热舒适性。  Ruano等人介绍了一个基于智能模型的预测控制（IMBPC）系统的实现，该系统由一个真正的大学校园建筑中的软件和硬件组成。 通过近一个月的实验，通过使用IMBPC，可以实现HVAC节电并保持热舒适性。

由于MPC的三个特点，包括：预测模型，滚动优化和反馈校正，与PID或ON / OFF控制相比，MPC实现了更高的控制质量。 建模过程是成功实施建筑物MPC的关键先决条件，因为控制过程将对输入变化或其他干扰的预测做出反应。 建模可以分为基于物理的建模（或白盒建模）方法和基于数据驱动的建模（或黑盒建模）方法。 最近，数据驱动建模方法已被广泛应用于HVAC系统在成本效益和灵活性方面的优势。 由于能够处理非线性多变量建模问题，人工神经网络（ANN）是建筑能量预测（建模）中广泛采用的数据驱动方法之一。  Afram等人对基于人工神经网络（ANN）的MPC系统设计给出了很好的评论。 通过MPC可以生成区域空气和缓冲罐的动态温度设定点曲线，以节省运行成本。  Huang等人开发了一种基于人工神经网络模型的系统辨识方法来模拟多区建筑。 该模型包含不同的能量输入以提高MPC的模型精度。  Ferreira等人提出了基于离散模型的控制方法，其包括三个部分作为基于ANN的预测模型，旨在最小化能量消耗并保持热舒适度的成本函数以及用于优化的离散分支和界限方法.

对于基于物理的方法，它可以在分析建筑材料特征的基础上提供详细的建筑信息。 因此，一些研究人员提出应该实施严格的模型或物理模型，但在实际工程实践中很少用于高成本和专家参与。 此外，建筑围护结构的传热系数和比热容等关键参数并不容易获得，特别是在大型商业建筑中，以及系统中不同构件之间存在较高耦合度时。 幸运的是，一些研究表明，与控制的详细物理模型相比，简化模型可以达到可接受的准确度。  Sourbron等人建立了一个二阶模型和一个四阶模型，在识别数据集中包含额外的太阳能和内部增益，以提高混凝土核心激活（CCA）的性能（与二阶对比）， 。 结果表明，二阶和四阶模型都能达到令人满意的控制效果。  Bălan等人证明了一个简单的解决方案，其中包含一个二阶模型，用于房屋的热模拟，其中包括模型参数的实验确定。 基于该模型，他们成功地使用了预测控制算法来控制房屋内的热力系统。  Karlsson等人为单个房间建立了一个简化的双节点集总模型。  Prívara等人使用子空间方法确定了一个真实的建筑模型，并成功地将其应用于实际控制。