综述：基于人工智能的热泵模型预测控制技术进展：综合综述

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Advances in AI-enhanced model predictive control for heat pumps: A comprehensive review

　　扎基尔·侯赛因|海敏·金|娜英佑|赵洪炫
韩国光州东区楚云台1街10号，朝鲜大学机械工程系，邮编61452

**摘要**
本文对人工智能驱动的模型预测控制在建筑及区域尺度上用于热泵需求管理的有效性与可行性进行了深入评估。通过实地试验、仿真分析及对比研究可知，与基于规则的控制系统相比，人工智能驱动的模型预测控制能够在能耗和成本方面实现显著节约。此外，其性能可与基于物理原理的模型预测控制相媲美，而替代模型及近似控制器则在大幅降低建模复杂度和计算成本的同时仍能带来类似优势。相关研究显示，在典型应用中，人工智能驱动的模型预测控制可实现25%至60%的能耗与成本降低。在区域层面，基于人工神经网络的多层模型预测控制相比基于规则的策略，可将备用电能使用量减少多达71%。在住宅和商业建筑中，其节能效果为10%至30%，在负荷转移场景下效果更为显著。将热泵与热储存系统结合的模型预测控制，在分时电价机制下可实现27.1%的电费节省，且年度性能指标较基于规则的控制系统高出4.8%至7.5%。在住宅尺度上，人工智能辅助的控制方法相比传统方式可实现21%至44%的能耗降低以及22%至86%的舒适度提升。人工智能驱动的模型预测控制的可行性取决于高分辨率数据、隐私保护型的学习机制以及与建筑管理系统的整合能力。总体而言，只要能有效解决数据质量、系统集成及系统稳定性等方面的问题，该技术便有望实现成本最优的热泵运行，并为电网提供灵活支撑。

**引言**
随着生活水平的不断提高和技术的快速发展，近几十年来全球能源需求，尤其是建筑领域的能源需求显著上升。建筑中的供暖与制冷系统是全球能源消耗和温室气体排放的重要来源[1]。住宅和商业建筑中的暖通空调系统约占全球温室气体排放总量的15%[2]。因此，将这些系统转向低碳解决方案对于实现气候目标至关重要。通过高效的热泵技术实现供暖与制冷系统的电气化，具有巨大的减排潜力[3]。现代热泵的能效系数可比传统燃气炉高2.2至4.5倍，这有助于实现2050年的净零能源目标。这一潜力推动了近年来全球范围内热泵应用规模的快速扩张[4]。然而，若管理不当，大量热泵并入电网可能会加剧电力需求高峰，从而带来诸多挑战[5]。这凸显了智能需求侧管理在充分发挥热泵减碳作用方面的重要性。

需求侧管理是指通过调整或转移能源消耗，从而同时惠及电网和用户的策略[6]。对于热泵而言，需求侧管理通常包括负荷转移、削峰填谷以及需求响应等措施，即根据动态电价或外部电网信号自动调节系统负荷[7]。这种灵活性日益被视为将可变可再生能源有效整合到建筑能源系统中的重要前提[8]。与被动响应实时电力需求不同，具备灵活调控能力的热泵可根据电网状况进行动态负荷转移。近期研究表明，将需求预测与先进控制方法相结合具有显著优势。例如，周等人[9]提出了一种基于数据的模型，运用多个人工智能网络来预测建筑能源需求。他们设计的混合控制器通过整合短期预测功能，使峰值电力需求降低了61%。此外，建筑内的热储存系统能够在非高峰时段或可再生能源供应充足的时期预先为空间降温或升温，从而在用电高峰期减少电力消耗[10,11]。此类预处理措施还有助于在极端夏季条件下避免室内过热[12]。从僵化的、单纯跟随需求的系统向具备能源灵活性的建筑转变，得益于先进的预测控制框架，这些框架能够综合考虑成本、舒适度及电网服务需求，优化热泵的运行方式[13]。与传统仅对即时条件作出反应的恒温器或基于规则的控制系统不同，预测控制器能够结合动态价格、天气预报以及建筑状态信息，从而充分释放需求侧管理的潜力。

模型预测控制利用系统的预测模型和优化算法，确定未来一段时间内的最佳控制策略[14]。在本文中，“传统”或“常规”模型预测控制指的是那些依赖固定或经过校准的、基于物理原理的建筑及热泵动态模型的控制方法。自适应模型预测控制则是指那些能够在线更新模型参数或扰动估计值，以适应不断变化的运行条件的控制方法。数据驱动型模型预测控制是指将基于机器学习的预测模型，如人工神经网络或回归模型，嵌入到模型预测控制优化流程中的方法。无模型模型预测控制则是指那些不依赖显式预测模型或在线优化，而是直接从数据中学习控制策略的控制方法，这类方法通常基于强化学习。就模型透明度而言，白盒模型源自物理定律，灰盒模型则结合了简化的物理模型与数据驱动的参数估计，而黑盒模型则完全依赖数据，无需明确的物理解释。在本文中，“人工智能驱动的模型预测控制”是一个统称，涵盖了数据驱动型、混合型、替代模型型以及借助学习技术优化的模型预测控制方法，这些方法均利用人工智能技术提升热泵需求管理的预测精度、优化效果或策略制定能力。

在建筑暖通空调系统中，模型预测控制使热泵系统能够提前感知各种因素，如天气变化、分时电价以及用户作息规律。通过模型优化并结合预测结果，模型预测控制可以调节供暖与制冷负荷，从而降低能源成本或缓解用电高峰压力[15]。人工智能与模型预测控制的结合代表了热泵运行方式的一次重大变革[16]。与传统系统相比，这种集成方案能够形成更为智能且适应性更强的系统，可实现多目标优化。传统的热泵控制方法依赖于系统安装时确定的固定供暖曲线参数[17]。这类静态配置无法响应天气、人员流动模式或电价等环境变化[18]。随着能源系统越来越多地依赖可再生能源以及需求侧管理需求的增加，这一问题愈发突出[19]。人工智能增强的模型预测控制系统则利用机器学习算法逐步了解建筑的实际运行特性，并实时优化热泵的运行方式[10]。人工智能驱动的模型预测控制中所使用的机器学习方法可大致分为监督学习、强化学习和无监督学习三类，如图1所示。监督学习利用带标签的数据和即时反馈，常用于负荷预测和系统建模。强化学习则依靠延迟的奖励反馈来学习控制策略，多用于无模型或近似模型预测控制中。无监督学习则无需标签数据，主要用于数据聚类、特征提取以及异常检测，从而为预测控制提供支持。这类系统能够根据环境条件预测未来的供暖与制冷需求，并与可再生能源系统协同工作[20]。弗劳恩霍夫太阳能系统研究所的最新研究表明，通过人工智能优化的热泵控制可实现5%至13%的能耗降低以及更高的舒适度提升[21]。将人工智能与模型预测控制相结合的动机不仅在于提升能源效率，还在于满足现代电网对能源灵活性日益增长的需求[22]。

近期研究重点探讨了与先进模型预测控制相结合的暖通空调系统在优化建筑能源管理策略方面的应用[23]。正如埃尔南德斯等人[24]所指出的，模型预测控制已成为非住宅建筑领域的首选控制方法，而需求侧管理策略则更多应用于住宅建筑。持续的实验验证进一步证明了模型预测控制的实际价值。例如，鲍曼等人[25]的研究表明，在理想情况下，将模型预测控制应用于生活热水热泵系统，可分别实现12%的用电量减少和14%的成本降低，同时使热泵的能效系数提高约13%。刘等人[26]则将模型预测控制应用于一种整合了光伏发电、热泵、热储存系统以及电动汽车的办公建筑系统，结果显示，与传统基于规则的控制系统相比，该系统每日可节省近27%的能源成本，利润增幅超过25%。在住宅应用领域，穆尼尼等人[27]提出了简化版的模型预测控制方案，通过实验验证了其在实现稳定温度控制及高优化成功率方面的有效性。他们还展示了先进模型预测控制的适应性及其性能优势。赵等人[28]的研究表明，针对带有热泵辅助功能的太阳能热水系统，采用自适应模型预测控制可实现需求响应功能，相比PID控制，该方案可节省20%的成本并降低12%的能耗。尤其在动态电价和负荷变化较大的情况下，该模型性能优于传统模型预测控制。由模型预测控制驱动的热泵优化运行策略，即便在固定电价的条件下，也能比传统运行方式降低25%至35%的用电成本[29]。

尽管前景广阔，但传统模型预测控制在实际建筑中的应用仍面临诸多障碍，限制了其大规模推广。为每栋建筑构建精确的基于物理原理的模型既耗费人力又成本高昂[30]。德格尼亚等人[31]的系统性综述详细记录了这些障碍，指出模型识别与校准阶段可能占据整个项目时间的70%，这无疑带来了巨大的经济和物流挑战。正是由于这些困难，人们越来越倾向于通过人工智能技术来改进传统模型预测控制。在将人工智能整合到模型预测控制中，有多种方法可供选择，例如使用数据驱动型模型[32]，即用灰盒模型替代基于物理原理的建筑模型。这类方法在保持与传统模型预测控制相当性能的同时，大幅减少了工程工作量，便于在多栋建筑中大规模部署[33]。例如，塔利布等人[34]利用橡树岭国家实验室的实验数据，比较了灰盒规则控制模型与人工神经网络模型在多步预测室内温度方面的性能，结果表明，灰盒模型在准确性和稳定性方面均优于人工神经网络模型（灰盒模型的均方根误差为0.89℃，而人工神经网络模型的均方根误差为1.02℃），这体现了其在模型预测控制应用中的适用性。

除了灰盒建模之外，纯粹的数据驱动型方法，如人工神经网络，也被用于直接从实测数据中捕捉建筑及热泵系统的非线性特性，从而无需进行繁琐的手工建模[27]。有一项值得关注的研究采用了灰盒规则控制模型，并结合有限差分法和有限体积法进行预测控制，实验表明，仅需2至4周的训练数据，该自适应模型即可在整个年度内实现仅0.25℃的均方绝对误差，且仅需8个参数即可实现这一效果。这种简洁性与高预测精度的完美结合，使得此类模型非常适于实际模型预测控制应用[35]。需要明确区分的是，基于数据驱动模型的模型预测控制与无模型模型预测控制。辛等人[31]对245项相关研究进行了全面综述，证实虽然模型预测控制是一种高效且准确的能源管理策略，但由于精度不足，新兴的无模型方法目前尚未得到广泛的实际应用。表1汇总了部分常用于模型预测控制框架中的典型建筑模型，以及它们所对应的优化目标、工具和舒适度评估指标。这些模型包括基于数据驱动、灰盒模型及白盒模型，它们分别利用EnergyPlus、TRNSYS和MATLAB等工具开发，优化目标涵盖从提升热泵能效系数到最大化成本效益及舒适度等多个方面。正如表中所示，各项研究均表明，引入预测控制能够有效提升建筑的舒适度与运营效率。

基于人工智能的模型预测控制在克服传统模型预测控制存在的局限性方面展现出巨大潜力[39]。近年来，前馈神经网络、径向基函数网络、神经模糊网络以及循环神经网络等人工智能模型的不断发展，显著提升了制冷、热泵及空调系统中的建模、预测及故障检测能力[41]。这类基于人工智能的系统具备更高的可扩展性，有研究显示，与基于规则的系统相比，它们可实现高达75%的自我供给能力，且舒适度下降程度相对较小[42]。另一项最新综述进一步指出，先进的基于人工智能的控制方法为优化地源热泵的性能提供了重要机遇[43]。人工智能与模型预测控制的结合已被证明能够在降低工程工作量的同时实现更为稳健的控制效果。例如，赫兰泽等人[30]设计了一种模型预测控制策略，该策略将三级热泵系统与相变材料天花板面板相结合，实现了同时供暖、制冷及热能储存的功能。仿真结果表明，在采用分时电价的情况下，相比没有相变材料储存系统的方案，该系统的电费可降低27.1%。同样，Ma等人[44]发现，尽管未来的天气状况可能会略微降低基于能量堆的热系统的年度性能，但采用MPC能够显著提升其适应性，在饱和地面条件下，与RBC相比，其年度性能系数可提高4.8–7.5%。尽管取得了这些进展，该技术的实际应用仍然有限。基于AI的预测模型和元启发式算法在在线控制及自适应控制方面展现出潜力，然而，梯度消失和爆炸问题、可解释性与准确性之间的权衡以及漫长的训练时间等问题限制了它们的广泛应用[41]。要克服这些限制，就需要改进标准化方法、优化参数调整技术，并开发新的激活函数，从而确保其在现实世界中更加稳健高效地应用。尽管AI-MPC在管理热泵需求以及提升现代电网系统的能源灵活性方面具有巨大潜力，但在开发能够应对不同运行条件及建筑类型的稳健型AI模型方面仍存在诸多不足。目前的研究尚未充分探讨这些先进控制策略在不同场景下的应用潜力，尤其是在处理多能源系统的复杂性以及整合可再生能源方面。本综述通过深入评估AI驱动的MPC的可行性与有效性，尤其是其在热泵应用中的优势，同时分析其在部署过程中以及与现有管理系统整合时面临的挑战，为推动智能控制技术的发展、构建更加灵活、稳定且具备韧性的能源系统提供了宝贵的见解与发展路径。

现代能源网格中的热泵系统
热泵是一种依靠电力驱动、利用热力学制冷循环来实现高效供暖和制冷的设备。它可以将热量从低温源传递到高温端（如室内空间或用于供暖的水），或者反向进行制冷操作[45]。常见的热泵类型包括与室外空气交换热量的空气源热泵，以及利用稳定地温的地下源（地热）热泵。

AI驱动的MPC在热泵需求管理中的应用
针对热泵需求管理，人们已在不同层面研究了AI驱动的MPC及相关智能控制策略。本节介绍了这类技术在建筑规模系统（如单个住宅或商业建筑）以及涵盖多栋建筑或网络化系统的社区或区域层面的应用情况。此外，还回顾了有关AI-MPC实施方式及其在节能、降本、峰值负荷管理等方面所带来益处的研究。

有效性评估
为评估AI驱动的MPC在热泵需求管理中的有效性，本节将其性能与两种主要基准方案——传统RBC和传统的基于物理原理的MPC进行了比较。为确保对相关研究中AI驱动MPC性能的评估具有一致性，本研究采用了技术经济指标与环境指标。技术经济指标包括运营效率和经济效益方面的指标，如能耗、电力成本、峰值负荷等。

可行性分析
在现实环境中将AI驱动的MPC应用于热泵系统，需要开展超出模拟环境中观察到的性能提升范围的可行性评估。在本综述中，从数据可行性、计算可行性、集成可行性以及运行稳健性四个相互补充的维度对可行性进行了评估。数据可行性指的是模型训练和在线控制所需数据的可用性、精度以及可靠性。

技术及运行方面的限制
尽管AI驱动的MPC在提升热泵效率及电网灵活性方面已被证明有效，但仍存在若干技术难题。其中一个主要问题是，训练AI模型依赖于高质量、长期积累的数据集。目前的建筑数据集往往存在占用信息不完整、传感器分辨率不一致以及测量误差等问题，这些都会降低预测精度，限制其在不同类型建筑中的通用性[16]。此外，隐私问题也进一步增加了应用的难度。

结论
在不同应用规模上，AI驱动的MPC在热泵管理领域已被证明既有效又日益实用。多项研究显示，当将预测优化与动态电价机制以及灵活的热储存技术相结合时，能够实现25%至60%的能源消耗和成本削减。在区域层面，与RBC基准方案相比，此类系统的备用电能消耗可减少多达71%。在典型建筑应用中，通常能实现10%至30%的节能效果，而某些特定的热泵-热储存系统则能实现更显著的节能效果。

利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢
本研究得到了韩国政府资助的韩国国家研究基金会（NRF）的拨款支持（项目编号：RS-2025-02233037）。