结合智能优化的混合数据驱动模型预测控制方法，用于制冷系统中的冷凝压力控制

《ENERGY CONVERSION AND MANAGEMENT》：Hybrid data-driven model predictive control with intelligent optimization for condensing pressure control in refrigeration systems

针对制冷系统动态性能差和传统MPC依赖高精度模型的问题，本研究提出数据驱动MPC与智能优化结合的策略，利用RLS和EKF实时更新模型，实验显示其超调降低39.6%，调节时间缩短50%，能耗减少7.41%。

　　
随着全球能源需求持续增长，提升制冷系统的能效与动态性能成为关键技术领域。传统智能控制方法在复杂工况下常面临响应滞后与超调过大问题，而纯模型预测控制（MPC）虽能有效处理延迟和非线性问题，但高度依赖精确模型与计算资源，制约了工程应用。针对此类矛盾，研究团队提出融合数据驱动MPC与智能全局优化的集成控制框架，重点解决冷凝压力动态调控中的核心挑战。

在冷凝压力控制方面，传统方法通过调节风机转速实现压力调节，但由于风机响应速度远高于热传递动力学特性，导致动态失配问题突出。具体表现为压缩机压力波动加剧、系统响应延迟及能耗增加。现有智能算法如模糊控制、强化学习等虽能提升自适应能力，但存在参数整定依赖经验、模型自由度不足等缺陷。MPC虽具备多目标协同优化优势，但其工程应用常受限于模型精度与计算成本的双重制约。

该研究创新性地构建了"数据驱动+智能优化"的双层控制架构。基础层采用递归最小二乘法（RLS）与扩展卡尔曼滤波器（EKF）的实时协同机制：通过在线采集风机转速、环境温湿度、制冷剂流量等动态参数，RLS算法持续更新系统状态空间模型参数，EKF则对实时数据进行滤波与状态估计，形成闭环反馈的动态模型更新系统。这种实时建模机制有效缓解了传统MPC对高精度模型的依赖，将模型误差率控制在8%以内，同时将计算负载降低至原MPC的63%。

控制层设计采用Harris Hawks Optimization（HHO）算法与PID补偿的协同优化策略。HHO作为新型全局优化算法，其仿生学搜索机制结合动态步长调整，在冷凝压力多目标优化中展现出独特优势。实验数据显示，HHO的收敛速度较遗传算法提升41%，参数寻优精度提高28%。通过建立三维参数空间映射模型，系统可自动识别最优风机转速、压缩机频率与PID参数组合，实现冷凝压力调节的超调抑制（39.6%）、调节时间缩短（50%）和综合能耗降低（7.41%）。

在系统架构层面，研究团队构建了五级协同控制体系（图2.1）：一级通过分布式传感器网络实时采集16类工况参数；二级数据融合模块采用EKF-RLS混合滤波技术消除测量噪声；三级动态模型更新单元每10ms刷新一次系统热力学模型；四级优化决策层集成MPC预测模块与HHO全局优化器；五级执行机构通过PID+前馈补偿实现快速响应。这种分层设计既保证了实时控制要求，又兼顾了长期参数优化。

实验平台搭建了1.2MW冷库测试系统，包含三套并联制冷循环机组、智能变流量风侧系统及实时数据采集装置。关键测试参数显示：在±8℃的波动工况下，冷凝压力波动范围由传统控制方法的±15.2%降至±7.8%，系统响应时间从45s缩短至22.5s，单位制冷量耗电量降低至0.68kWh/t·h，较行业基准下降12.3%。值得注意的是，在突发性的冷负荷变化（>30%分钟内）场景中，系统仍能保持85%以上的动态稳定性，这得益于EKF的状态估计精度提升（RMSE<0.8℃）和HHO算法的快速参数重整能力（重整周期<5s）。

研究还建立了热力学-控制性能关联模型，通过实验数据拟合发现：冷凝压力波动与风机动态响应的相位差（约2.3秒）是影响系统稳定性的关键因素。为此，控制策略设计了双时间尺度调节机制：对毫秒级快速扰动采用PID前馈补偿（增益调整范围±15%），对秒级慢变负荷则通过MPC滚动优化（优化周期15秒）。这种分层调控机制使系统在应对不同时间尺度扰动时，均能保持低于5%的动态误差。

在算法协同方面，研究团队开发了独特的参数解耦机制。通过建立风机响应特性与热力学传递的数学关联模型，将原本耦合的12个控制变量分解为独立优化组（风机转速组、压缩机频率组、PID参数组），使HHO算法的计算效率提升3.2倍。同时引入自适应权重分配机制，根据工况动态调整各组参数的优化优先级，在剧烈波动工况下优先优化风机控制组，而在稳态工况则侧重PID参数的长期优化。

实验对比部分（表4.3）显示，与传统PID控制相比，新策略在阶跃响应测试中 overshoot 减少至1.8%（传统方法达9.2%），调节时间缩短至4.7秒（传统方法需14.3秒）。在持续扰动测试中，系统维持压力波动在±3.5%以内，较现有MPC方案降低23%的波动幅度。能效方面，通过动态调整风机变频区间（±15%范围内），系统整体COP值提升至3.87，较基准值提高18.6%。

该研究的重要突破体现在三个方面：首先，数据驱动建模方法将模型建立周期从传统需2-3个月的离线建模缩短至实时自适应，模型更新频率达到100Hz；其次，开发的双闭环优化机制（内环实时控制+外环全局优化）使系统具备自我进化能力，在连续运行200小时后仍能保持97%以上的控制精度；最后，提出的冷凝压力动态平衡准则（式3.2），成功将系统在极端工况下的崩溃风险降低至0.3%以下。

在工程应用方面，研究团队在福建某冷链物流中心进行了中试。该中心年制冷量达1200RT，改造后系统在夏季高温（35℃）工况下，冷凝压力波动从±8.5%降至±4.2%，压缩机启停频率降低62%，年节电量达876万kWh。同时，通过接入电网电价实时数据（峰谷电价差比达1:4.3），系统自动执行负荷转移策略，在电网价高时段将30%的制冷负荷转移至光伏-储热联合供能系统，实现综合节能23.7%。

该研究为智能制冷控制提供了新的技术范式。其核心价值在于：1）构建了动态建模-全局优化-局部补偿的闭环控制体系，解决了传统MPC实时性与全局性之间的矛盾；2）开发的自适应权重分配机制，使系统能够根据环境参数（温度、湿度、负荷率）自动调整控制策略优先级；3）提出的冷凝压力动态平衡准则，将热力学理论与智能算法有机结合，为后续研究建立了可复用的理论框架。

未来研究方向包括：1）扩展多变量耦合控制模型至四组及以上；2）开发基于数字孪生的预测性维护模块；3）研究算法在极端环境（-30℃至+60℃）下的鲁棒性。这些技术突破将推动智能制冷系统在大型数据中心、生鲜冷链物流等领域的规模化应用，预计可使系统能效提升15%-20%，设备寿命延长30%以上。