一种基于数据驱动的模型预测控制策略，结合规则挖掘技术，用于在多人活动场景下优化暖通空调（HVAC）系统的运行

《BUILDING AND ENVIRONMENT》：A data-driven model predictive control strategy integrated rule mining to optimize HVAC operating under multiple occupants’ activities

优化室内空气质量与能源效率的MPC策略研究。提出数据驱动模型预测控制方法，结合LSTM预测、规则挖掘、事件检测和改进萤火虫算法，有效降低CO?、NO?、PM2.5峰值浓度25.4%、22.8%、35.3%，减少8.8%能耗。

　　在当前的建筑环境中，人们在室内度过的时间占据了日常生活中的大部分，因此，室内空气质量（IAQ）和热舒适度对健康与工作效率具有重要影响。同时，建筑中使用的加热、通风与空气调节（HVAC）系统通常占据总能耗的40%-60%。因此，如何高效地控制HVAC系统，不仅能够提升室内环境质量，还能显著降低能源消耗，成为建筑能效优化的重要课题。近年来，许多研究致力于开发高效的控制策略，以实现室内空气质量、热舒适度和能源使用的最佳平衡。例如，通过引入基于规则的控制方法、基于占用者的控制策略、反馈通风控制技术等，研究者们已经取得了一定的成果，但在应对复杂多变的室内活动场景时，这些方法仍然存在一定的局限性。

为了解决这一问题，本研究提出了一种结合规则挖掘的模型预测控制（MPC）策略，以发现室内空气质量事件与HVAC操作之间的最优关系，从而优化室内空气质量、热舒适度和能源使用效率。该策略主要包括四个核心部分：预测模型的建立、规则挖掘以识别IAQ事件与最优HVAC操作之间的关系、事件检测方法用于识别污染物浓度峰值和高浓度事件，以及改进的萤火虫算法（FA）用于根据预测和规则挖掘结果寻找最优控制方案。通过这些方法的结合，MPC能够更灵活地应对不同的室内活动模式，并且在优化过程中能够综合考虑多个参数的变化趋势，实现更精准的控制。

预测模型采用了一种基于编码器-解码器的长短期记忆（LSTM）网络，这种模型在时间序列数据的预测和分类方面表现出色。通过将LSTM模型嵌入到MPC框架中，可以更准确地预测未来一段时间内的污染物浓度变化。同时，为了检测污染物的峰值事件，研究者开发了一种基于符号化聚合近似（SAX）和峰值检测的方法，将时间序列数据转换为符号数据，以便更有效地识别污染物浓度的异常波动。这种事件检测方法不仅提高了污染物峰值识别的准确性，还能够为后续的规则应用提供更精确的触发条件。

规则挖掘方法在本研究中被用来发现室内空气质量事件与HVAC操作之间的多种关系，包括发生时间规则、共现规则和时序规则。这些规则能够帮助MPC系统在优化控制策略时，更全面地理解不同污染物事件与HVAC操作之间的关联性。例如，某些污染物的浓度峰值通常出现在特定的时间段，而这些时间段与人们的生活活动密切相关。通过分析这些规则，MPC可以更准确地预测未来可能出现的污染物事件，并提前采取相应的控制措施，以降低污染物浓度的峰值和暴露时间。此外，规则挖掘还可以帮助系统识别不同污染物事件之间的相互作用，例如某些活动可能导致多种污染物同时升高，从而指导HVAC系统进行更全面的调控。

为了进一步提升控制策略的优化效果，研究者还对萤火虫算法进行了改进。传统的萤火虫算法主要用于寻找全局最优解，但在某些情况下，其局部搜索能力相对较弱。通过引入规则挖掘生成的最优模糊操作作为额外的吸引力值，改进后的萤火虫算法能够更准确地定位到最优控制设置。这种改进不仅增强了算法的搜索效率，还提高了其对复杂场景的适应能力。在优化过程中，算法能够根据污染物事件的发生时间、共现情况以及时序关系，动态调整控制参数，从而实现对室内空气质量、热舒适度和能源使用的综合优化。

为了验证该策略的有效性，研究者选择了一座位于澳大利亚的住宅建筑作为案例进行测试。该建筑配备了简化的HVAC系统，包括风机盘管和空气源热泵。在模拟过程中，研究人员利用TRNSYS软件对建筑的性能进行建模，并结合Python 3.10开发的室内空气质量模拟模型，计算污染物浓度的变化。模拟的时间间隔为5分钟，以确保对室内环境的实时监测和优化控制。在测试中，研究人员考虑了多种室内活动，如烹饪、使用烤箱、打扫和运动，这些活动会生成不同的污染物，如CO?、NO?和PM2.5。通过分析这些活动的时间安排和污染物排放规律，研究人员能够更准确地识别污染物事件，并据此调整HVAC系统的运行参数。

在模拟结果中，采用该MPC策略的建筑在多个方面表现出显著的优化效果。首先，CO?、NO?和PM2.5的峰值浓度分别降低了25.4%、22.8%和35.3%。其次，这些污染物的高浓度暴露时间也大幅减少，分别减少了400分钟、50分钟和55分钟。此外，该策略还实现了8.8%的能源节约，表明其在降低HVAC系统能耗方面的潜力。当与未使用规则的MPC策略进行比较时，使用规则的MPC在降低污染物峰值浓度方面表现更为优异，分别降低了13.2%、23.4%和22.3%。这些结果表明，结合规则挖掘的MPC策略能够更有效地平衡室内空气质量、热舒适度和能源使用之间的关系，为建筑控制提供了更全面的解决方案。

在实际应用中，该MPC策略具有一定的优势。首先，它能够根据历史数据和实时监测结果，动态调整控制参数，以适应不同的室内活动模式。其次，通过规则挖掘，该策略能够自动识别和提取对室内空气质量影响较大的关键操作规则，从而减少对复杂计算过程的依赖。此外，改进的萤火虫算法能够更高效地搜索最优控制方案，提高了系统的响应速度和控制精度。然而，该策略也存在一些局限性。例如，由于规则挖掘依赖于历史数据，因此其适用性可能受到数据质量和覆盖范围的限制。此外，该策略在模拟环境中表现良好，但在实际建筑中的实施仍需进一步验证，以考虑传感器精度、系统通信和计算成本等因素的影响。

综上所述，本研究提出的结合规则挖掘的MPC策略，为建筑HVAC系统的优化控制提供了一种新的方法。该策略不仅能够有效降低污染物浓度峰值和暴露时间，还能在保证室内热舒适度的前提下，显著减少能源消耗。随着建筑运营数据的日益丰富，特别是人们对室内环境质量的关注不断提高，将这些数据与MPC相结合，有望进一步提升建筑控制系统的智能化水平和实际应用价值。未来的研究可以进一步探索该策略在不同气候条件、建筑类型和HVAC系统配置下的表现，并结合其他数据挖掘技术，如聚类分析、Eclat算法和FP-growth算法，以增强其适应性和优化能力。