在过渡季节，针对超低能耗建筑中的多联式空调（Multi-HVAC）系统，提出了一种基于热图可视化的两级预测性监控控制方法

《Energy》：Two-level predictive supervisory control of multi-HVAC systems in ultra-low-energy buildings during transition seasons: a heatmap-based visualization approach

　　•提出了一种新颖的两级PSC框架，用于过渡季节的多 HVAC系统。•结合了热图来可视化复杂的优化结果，以支持运营决策。•在过渡条件下实现了系统切换和参数设置的实时控制。•在保持热舒适性能平衡的同时，能源使用量减少了高达40.7%。引言气候变化对生态系统、社会经济系统和人类健康产生了深远影响[1]。作为回应，主要经济体提出了雄心勃勃的碳中和目标。欧盟委员会在2019年推出了欧洲绿色协议，目标是到2050年实现碳中和[2]，而中国承诺在2030年前达到碳排放峰值，并在2060年前实现碳中和[3]。在全球层面上，《格拉斯哥气候公约》进一步强化了将全球变暖限制在1.5°C的承诺[4]、[5]。作为主要的能源消费领域，建筑行业在减缓气候变化方面发挥着关键作用[6]、[7]。在中国，建筑生命周期中的总能源消耗占全国能源使用的45%以上，碳排放量占50.9%[8]。值得注意的是，建筑运营本身贡献了大量的能源消耗和排放[9]、[10]，这突显了提高运营效率以实现碳减排目标的重要性。被动式建筑已成为减少建筑能源消耗的关键解决方案[11]、[12]。随着超低能耗和近零能耗建筑概念的发展[13]，中国的设计策略强调被动优先和主动优化的原则。虽然被动技术可以减少供暖和制冷需求，但主动系统（如热泵）的有效性在很大程度上取决于运营策略[14]。尽管对传统HVAC系统的控制策略进行了广泛研究[11]，但由于负荷特性的不同和更严格的热舒适要求，这些策略直接应用于被动超低能耗建筑仍然有限[15]。现有研究主要集中在设计优化和性能评估[16]、[17]、[18]、[19]上，而运营控制方面的研究仍然不足。然而，在运营过程中，系统参数是固定的，室内热环境受到多种干扰的影响。这导致被动系统和主动系统之间的复杂交互，给实现多HVAC系统的协调控制带来了重大挑战[20]、[21]。总的来说，可以识别出三个主要挑战：•由于主动技术和被动技术的多种组合而产生的多样化运营模式。•在环境条件变化下，被动措施的有效性具有季节性变化。•被动技术和主动能源系统之间的强耦合效应，使运营决策复杂化。因此，在主动和被动系统的耦合效应下，超低能耗建筑需要高度灵活和准确的运营控制。然而，在过渡季节，HVAC调节仍然主要依赖于手动经验或简单的基于规则的策略，这限制了自然供暖和制冷资源的利用，并降低了整体运营效率。运营控制策略在决定设计阶段实现的节能潜力是否能够在建筑运营过程中有效实现方面起着关键作用。对于被动技术，控制机制通常很简单，主要依赖于预定义的规则或基于阈值的响应[22]。然而，随着主动能源系统在超低能耗建筑中的集成度不断增加，传统的控制方法往往无法在动态环境条件下实现协调和适应性运行。鉴于此，建筑控制机制的发展可以归纳为以下三类：•针对单个系统的条件控制。传统的HVAC运营主要基于规则控制或条件控制，其中控制动作根据预定义的环境条件触发。Guillen-Lambea等人[19]研究了基于室内外环境条件的近零能耗建筑中的能量回收通风系统的控制策略。•基于多目标优化的协同控制。多目标优化已被广泛用于协调主动和被动技术并评估集成节能策略[22]、[23]、[24]。然而，这些优化结果通常是离线获得的，难以直接转化为实时运营决策。•数据驱动的预测控制。最近的研究表明，预测控制在应对需求不确定性和提高建筑能源灵活性方面非常有效[25]、[26]。通过将未来干扰纳入决策过程，预测控制比传统方法更具适应性和主动性。总之，预测控制在多系统的集成和智能调节方面显示出巨大潜力。随着人工智能和数据分析技术的快速发展，数据驱动的方法已成为智能HVAC控制的有希望的方法[27]、[28]。通过有效捕捉环境变量和系统响应之间的非线性关系，这些方法为高级建筑控制应用提供了可靠的预测，并在提高HVAC运营性能方面显示出显著潜力[29]、[30]。典型的算法包括人工神经网络（ANN）、支持向量机（SVM）和k最近邻（KNN），它们在预测热舒适度、建筑能源需求和居住者行为方面表现出强大的能力[31]、[32]、[33]。这些研究表明，数据驱动的方法可以有效捕捉环境变量和建筑性能之间的非线性关系，从而为高级建筑控制应用提供可靠的预测。然而，仅靠预测不足以实现最优控制。在各种预测控制方法中，MPC因其明确将未来干扰、运营约束和系统动态纳入优化过程而受到越来越多的关注[34]。如图1所示，MPC通过滚动优化机制更新控制动作，其中预测未来的系统响应并通过最小化预定义的目标函数获得最优决策[35]。与传统反馈控制策略相比，MPC在处理具有多个输入和输出的复杂非线性系统方面表现出更优越的性能，特别适用于具有强耦合和时延效应的HVAC应用[36]、[37]。大量研究表明，MPC在不同的气候条件和系统配置下优化HVAC运行方面非常有效[38]、[39]、[40]。这些研究证实了MPC在提高建筑能源系统的热舒适性和能源性能方面的能力。为了进一步提高控制的适应性，机器学习辅助的MPC方法越来越受到关注。通过将数据驱动模型与传统的优化框架结合，这些方法可以更好地捕捉非线性系统动态并提高实时控制性能[41]、[42]、[43]。机器学习与MPC的结合在智能建筑运营方面显示出巨大的潜力，如表1所示。如表1所总结的，以往的MPC和机器学习辅助MPC研究主要集中在预测优化上，而混合HVAC模式切换研究则强调在变化的操作条件下的系统配置选择。基于可视化的方法也被用于支持性能分析和解释。然而，直接将预测的能源-舒适性能与HVAC选择和后续操作参数选择联系起来的统一框架仍然相对有限。此外，尽管传统的MPC和数据驱动的优化在提高能源效率和热舒适度方面展示了有效性[49]、[50]，但它们通常涉及计算要求高的在线优化，并需要大量的计算资源，从而限制了它们在实际建筑项目中的应用。此外，虽然物理指导的混合建模越来越多地被采用以提高数据驱动的建筑性能预测的物理一致性，但其与多HVAC系统的气候适应协调的集成却得到了较少的关注。为了填补这些空白，本研究结合了一个校准的2R2C热模型和反向传播神经网络（BPNN）来构建一个物理指导的预测模型。基于这些预测，开发了一个基于热图的两级预测监督控制（TL-PSC）框架，用于过渡季节的多HVAC协调。与基于多步滚动预测优化的传统分层MPC不同，提出的TL-PSC执行一步预测评估和监督选择。初级层使用预测的REI-CO性能选择HVAC配置，而次级层进一步确定所选系统的操作参数。总之，该方法论的贡献在于将物理指导的预测、统一的能源-舒适评估和两级监督选择链接到一个可解释的气候适应映射决策框架中，这与依赖于计算要求高的在线重新优化的传统MPC不同，从而实现高效的在线决策，从而提高实际应用能力。方法论为了实现超低能耗建筑的多HVAC系统的气候适应调节，建立了一个基于现场测量、物理模拟和机器学习算法的混合模型，以促进过渡季节的TL-PSC策略，如图2所示。现场测量用于在监控的操作条件下验证EnergyPlus模型。然后使用校准的EnergyPlus模型生成多维数据集。物理模型的评估在本研究中，使用从案例研究建筑中获得的现场测量数据对物理模型进行了校准。随后使用这些验证模型在一致的过渡季节条件下生成四个HVAC系统的预测模型数据集。PMV模拟结果如图12所示。蓝色虚线代表PMV的极端值。可以看出，从DOA和FA-BP系统到FA-GSHP系统，热舒适度普遍得到了提高。PG-BPNN模型的优势为了评估物理约束的贡献，在相同的输入和训练条件下，将提出的PG-BPNN与纯数据驱动的BPNN进行了比较。如图21和图22所示，PG-BPNN在PMV和能源消耗方面的预测准确性通常更高。对于PMV预测，测试集的R2提高了1.9-10.0%，而RMSE降低了多达0.08%。对于能源消耗预测，R2的提高范围为结论为了在过渡季节实现室内热舒适度、能源效率和动态运营响应性的协调改进，开发了一种基于气候适应的、基于热图的两级预测监督控制（TL-PSC）框架，用于超低能耗建筑中多个HVAC系统的协调运行。通过将校准的2R2C热状态参考纳入BPNN的训练中，开发了一种物理引导的混合预测模型。CRediT作者贡献声明Umberto Berardi：写作——审稿与编辑，调查。Zihao Li：写作——原始草稿，软件，数据管理。Liang Huang：写作——审稿与编辑，监督，方法论，概念化。Zishan Ding：可视化，验证，形式分析。Yibo Chen：写作——审稿与编辑，写作——原始草稿，方法论，资金获取，数据管理。Guoyou Cui：可视化，验证，项目管理。利益冲突声明我们希望确认本文没有已知的利益冲突，也没有任何显著的资金支持会影响其结果。我们确认手稿已由所有列出的作者阅读并批准，并且没有其他符合作者资格但未列出的人。我们还确认手稿中列出的作者顺序已得到我们的批准。致谢本研究得到了河南省重点研发项目[项目编号231111321200]和中国国家自然科学基金[项目编号52108100]的支持。作者还感谢Fivewin Architecture Technology Group提供了案例研究建筑。Yibo Chen|Zihao Li|Umberto Berardi|Zishan Ding|Liang Huang|Guoyou Cui