在炎热气候条件下，用于大型办公设施整体能源效率提升及峰值负荷缓解的混合集成预测与模型预测控制方法

《Energy and Buildings》：Hybrid ensemble forecasting and model predictive control for whole-building energy efficiency and peak demand mitigation in large office facilities under hot-climate conditions

　　巴德尔·萨阿德·阿洛泰比，沙特阿拉伯纳杰兰大学工程学院建筑工程系，纳杰兰66426

摘要
本研究探讨了一种基于概率预测的、具有机会约束的模型预测控制框架，用于缓解炎热沙漠地区大型办公楼的整体能耗峰值。在为期十周的夏季联合仿真中，针对一栋20层高的办公楼，以5分钟为间隔进行监控（共50个工作日），与传统基于规则的控制系统相比，该系统的每日用电量减少了5,339千瓦时/天（14.0%），15分钟内的峰值负荷则降低了1,771千瓦（24.9%）。此外，供暖、通风与空调系统的每日用电量也减少了19.0%。在模型预测控制下，办公区域在占用时段内满足温度要求的比例平均为96.7%，而传统控制方式这一比例为92.4%；在模型预测控制下，表现最差的那一天的温度合规率为93.8%，最高温度偏差为1.6摄氏度，连续不达标时间最长为15分钟。在线优化能够满足5分钟的响应速度，中位数求解时间为1.21秒，99百分位数为4.34秒，故障恢复率为0.21%。预测层结合了梯度提升树、时间卷积网络以及带有外部输入的自回归积分移动平均模型，以此生成1至6小时的平均功率及分位数预测值，这些分位数被用作模型预测控制中的机会约束参数。即使在预测值出现20%的误差时，能耗增加幅度也最多仅为1.1%，且峰值负荷基本保持不变。由于本研究基于仿真，且仅考虑了以制冷为主的夏季运行情况，因此仍需通过实际测试来验证其在真实环境、故障状况以及不同季节气候条件下的性能。

引言
建筑物约占据全球能源消耗的40%，以及温室气体排放量的近40%，因此建筑行业是实现全球减碳目标的关键领域[1][2][3]。在城市化进程加速、能源需求以前所未有的速度上升的背景下，如何在保证使用者舒适度的同时降低建筑能耗已变得愈发紧迫[4][5]。在沙特阿拉伯中部等极端炎热干燥的气候区域，建筑能源系统面临着更为严峻的挑战，因为在夏季高峰期，制冷负荷往往占到了总用电量的60%至70%[6][7][8]。随着电费上涨、沙特阿拉伯“2030愿景”中所设定的可再生能源目标等宏伟气候目标的提出，以及建筑自动化系统日益复杂化，人们越来越需要超越传统基于规则的控制方式的先进能源管理策略[9][10]。

为实现净零能耗建筑，就需要采用复杂的控制策略，能够在动态优化能耗的同时确保热舒适度。在本研究中，热舒适度是依据ASHRAE标准55通过两种指标来评估的：即80%人群可接受的温度范围和预测平均投票值；主要评估指标则是在占用时段内，该区域温度或PMV值处于规定范围内的时间比例。现代建筑能源管理系统必须同时应对多种相互冲突的目标，包括减少现场能源使用、降低高峰负荷费用、维持室内环境质量，以及响应电网层面的需求响应信号[11][12]。在商业办公建筑中，这些问题尤为突出，因为这类建筑具有复杂的、随时间变化的占用模式、多样的设备负荷，同时在提升能效和降低峰值负荷方面也具有巨大潜力[13][14][15]。

模型预测控制已成为建筑能源系统中最为先进的控制方法，它能够系统地整合未来预测结果、明确处理各种约束条件，并具备多目标优化功能[16]。已有研究表明，与传统基于规则的控制系统相比，采用模型预测控制可显著降低供暖、通风与空调系统的能耗，节能幅度可达15%至35%[17][18]。将机器学习技术与模型预测控制相结合，进一步提升了在炎热气候条件下的系统性能，尤其是那些将预测模型与优化框架相融合的混合方法，为可持续的建筑运营带来了希望[19]。建筑领域模型预测控制的数学基础通常是在每个时间步上解决一个有限时间范围的优化问题，其中系统动态特性、干扰预测结果以及运行约束都被纳入优化框架之中[20]。

如今，建筑领域的模型预测控制应用已从简单的热区温度调节发展为全面的建筑整体能源管理[16]。更先进的控制策略还包括利用热质量来实现负荷转移[21]、与可再生能源结合使用[22]，以及与能量存储系统协同工作[23]。然而，实际应用中仍存在诸多障碍，比如实时优化的计算复杂性、对精确建筑模型的需求，以及对高质量预测信息的依赖[24][25]。

近期的一些研究通过稳健性和随机性建模方法，解决了建筑模型预测控制中的不确定性量化问题。蔡等人[26]对比了用于住宅建筑的稳健模型预测控制与随机模型预测控制方法，发现随机模型预测控制能够在几乎不增加成本的情况下实现接近最优的性能（成本增幅低于1%），而稳健控制方法则为完全满足约束条件需要付出更高的代价（最高可达4.5%）。同样，具有机会约束的随机模型预测控制框架也在量化和管理预测不确定性、同时保障舒适度要求方面展现出良好前景[27][28]。

准确的能源消耗预测是有效实施模型预测控制的基础，预测质量直接影响控制效果[29][30]。传统的建筑预测方法主要依赖于单一模型，如基于物理原理的方法、统计时间序列模型以及各种机器学习算法[31][32]。但由于建筑能源系统的复杂性——包括非线性的热过程、随机的占用模式以及受天气影响的负荷——人们开始开发集成预测方法[33]。

集成学习技术通过结合多个基础模型的预测结果，相较于单一模型而言，能够实现更高的准确性和稳定性[34][35]。在建筑能源预测领域，袋装法、提升法以及堆叠法等多种集成方法都已展现出良好的应用效果[36][37]。尤其是随机森林和XGBoost这类基于树的集成方法，因其能够捕捉非线性关系并处理建筑能源数据所具有的高维特征空间，而备受青睐[38][39][40]。深度学习架构在建筑能源预测中也日益重要，其中时间卷积网络作为一种替代传统循环神经网络的强大工具逐渐崭露头角[41]。时间卷积网络克服了LSTM网络存在的梯度消失和顺序处理限制等问题，同时还具有更高的计算效率，并能通过扩展卷积来捕捉长期依赖关系[42]。将时间卷积网络与注意力机制相结合的混合架构，在处理多变量建筑能源时间序列中的时间模式和特征重要性方面表现更为出色[43]。本研究并未采用LSTM网络或编码器-解码器注意力机制，而是选择了时间卷积网络，因为它具备并行训练能力、稳定的梯度，以及通过扩展因果卷积形成的较长感知范围，这些特点恰好符合本研究中建筑负荷预测所需的数小时时间跨度。

由于天气变化、占用情况不确定以及模型偏差等因素，建筑能源系统具有随机性，因此在预测和控制框架中必须进行明确的不确定性量化[44]。概率预测方法能够提供预测区间，帮助决策者做出风险意识更强的选择，而稳健优化方法则可在最坏情况下确保约束条件得到满足[45]。自助聚合技术为从集成预测结果中生成预测区间提供了高效的计算方法，无需假设具体的分布形式即可量化预测的可靠性[46]。将具有不确定性意识的预测方法与模型预测控制相结合，有望显著提升实际控制性能[47]。机会约束公式允许设定舒适度违反的概率，从而使建筑管理者能够在节能目标与舒适度要求之间找到平衡点[48][49]。最近在分布鲁棒优化方面的进展，为处理潜在不确定性分布中的模糊性提供了理论框架，这对于那些历史数据可能无法完全反映未来运行条件的建筑应用尤为重要[50][51]。

炎热气候地区给建筑能源管理带来了独特挑战，这些地区通常具有极高的环境温度、强烈的太阳辐射，以及巨大的制冷负荷，这些都导致了较高的能源消耗和峰值负荷[52]。在包括沙特阿拉伯在内的海湾地区，商业建筑在夏季高峰期的制冷负荷可超过200瓦/平方米，而空调设备的性能下降又会进一步加剧能源消耗[53][54]。制冷负荷与电力供应高峰时段的重合为需求响应策略提供了机会，但同时也要求采用更为复杂的控制方法，以便在保障舒适度的同时满足电网的整体需求[55]。

尽管在炎热气候条件下实现节能的潜力巨大，但目前针对此类地区商业建筑中模型预测控制应用的研究仍然较少[56]。以往的区域性研究主要集中在建筑围护结构优化和空调系统尺寸设计上，而对先进控制策略的研究相对较少[57]。在炎热气候下，由于太阳能供应与制冷负荷的时间重合，引入可再生能源系统，尤其是太阳能光伏系统，会带来更多复杂性，但也为优化能源管理策略提供了可能[58]。近期在海湾地区的研究已经证明了，在极端炎热气候条件下，通过多目标优化框架来实现热舒适度、能源效率和经济性之间的平衡是可行的[59][60]。建筑围护结构方面的改进措施，如先进的玻璃系统以及被动式设计策略，可以与智能监控控制方法相结合，从而在降低基础制冷负荷的同时保持使用者舒适度[61]。

表1汇总了近期关于建筑能源管理中模型预测控制与集成预测方法应用的各类研究，重点介绍了不同的方法论、性能指标以及现有研究的局限性。

在建筑能源管理中实现先进的预测与控制策略，需要具备强大的软件框架，以便整合不同的建模和优化组件[69]。作为目前最主流的建筑整体能源模拟平台，EnergyPlus现已发展到能够支持基于Python的联合仿真方法，从而实现机器学习算法与先进控制策略的实时整合[70]。近年来，Python能源管理系统功能的不断发展，使得模型预测控制器的实现变得更加容易，这类控制器可以利用Python丰富的机器学习库，同时还能与详细的建筑物理模型保持兼容[71][72]。

联合仿真框架为在实地应用之前验证集成预测与控制方法提供了必要的计算基础[73][74]。通过将详细的建筑能源模型与先进的控制算法相结合，可以全面评估不同运行条件和气候场景下的系统性能。不过，考虑到实时模型预测控制对计算效率的要求，必须在模型复杂度和解决方案算法的选择上格外谨慎[75]。

尽管在建筑能源预测和模型预测控制方法方面已经取得了显著进展，但在将这些技术整合到实际应用中，尤其是在炎热气候条件下的建筑整体系统中，仍存在不少差距。现有的研究大多要么侧重于预测算法的开发，要么专注于控制系统的实现，而对于那些能够明确处理预测不确定性在控制决策过程中传播问题的集成框架，则研究甚少[38][76]。此外，大多数建筑中的模型预测控制应用都依赖于简化的预测方法，或者假设预测结果绝对准确，因而未能充分考虑现实中的预测误差对控制决策所带来的影响[77]。

除了本研究之外，还有许多针对工业和大型工厂环境的同类研究：例如在制药设施中应用先进模型预测控制以实现高效空调系统运行[78]；在半导体制造行业的空调系统中，运用树结构帕森优化后的深度学习方法进行能效建模[79]；采用改进的蝙蝠算法，通过机器学习引导对空调水系统进行优化[80]；还有部落智能进化优化算法及其在冷水机组和二级区域冷却系统优化中的应用[81][82]；以及针对数据中心空调水系统的预测优化控制研究[83]，此外还有关于群体智能在空调控制中的应用以及模型预测控制在空调领域应用的综述文章[84][85]。这些研究都体现了人们在建筑和工厂能源系统中的监督优化与学习技术方面的持续探索。而本研究的独特之处在于，它将经过校准的分位数集成预测结果与具有机会约束的凸型模型预测控制相结合，专门用于应对炎热沙漠地区办公室中15分钟内的峰值负荷问题。这种将校准后的分位数集成预测结果与机会约束模型预测控制相结合的方法，不同于表1中多数研究通常采用的单一点预测方法以及确定性方式下的舒适度约束。同一系列研究中的某些随机或稳健性建模方法则主要针对子系统或住宅环境，或者没有明确设定建筑计量点处的15分钟峰值目标。正是由于这些差异，本研究才得以成为一种针对炎热气候地区以制冷为主导的运行模式、注重整体建筑、考虑不确定性因素的设计方法，因为这类地区的性能影响因素与温带地区有所不同。

目前，大多数关于建筑模型预测控制的研究都是在温带气候条件下进行的，这些地区的负荷以供暖为主，因此在炎热气候条件下——那里的负荷以制冷为主，且峰值负荷的出现时间与供电高峰时段高度重合——相关的应用研究还存在很大空白[86]。尽管商业办公建筑在能源消耗和控制潜力方面都具有重要意义，但与住宅建筑相比，相关研究却相对较少，尤其是在建筑整体能源管理和峰值负荷控制方面[87]。

目前用于建筑领域的集成预测方法大多只关注点预测的准确性，而没有充分考虑下游控制应用对不确定性量化的需求[88]。尽管从理论上来看，将概率预测信息融入模型预测控制框架有助于更好地应对运行过程中的不确定性并保持系统性能的稳定性，但这一方面的发展仍然不够充分[89]。此外，目前对于在商业建筑环境中实现实时MPC所必需的计算效率问题，研究力度仍显不足[90]。采用集成型集合预测与MPC框架，不仅能弥补现有建筑能源管理方法的缺陷，还能充分发挥先进预测与控制方法的优势。与单一模型方法相比，集合学习能够提供更高的预测精度以及更准确的不确定性量化，而MPC则能在明确约束条件下对多个运行目标进行系统优化[91]。两者的结合使得控制决策能够充分考虑预测不确定性，从而提升能源效率与运行可靠性。之所以聚焦于高温气候下的办公建筑，是因为这类环境具有巨大的节能潜力，但与此同时，针对极端气候条件下的这一重要建筑领域，相关研究却相对较少。商业办公建筑具有复杂且随时间变化的能耗特征，这为运用先进的控制策略提供了可能；而在高温环境下，由于制冷负荷与电力高峰时段重合，因此有明显的经济动机去实施需求管理[92]。本研究中的设计选择主要受到两个与峰值负荷相关的因素影响：首先，建筑内的使用情况具有异质性且会随时间变化——开放式办公区域的使用强度会在一天中逐渐变化，而会议室则会在下午高峰时段产生短暂但强度较高的负荷，进而影响相应区域的温度状况；其次，各类设备的组合通过冷水机组、电梯及风机功率的非线性关系，将局部设定值与整栋建筑的电力消耗联系在一起，冷水出水温度、送风温度、静压以及各楼层冷却偏移量的微小变化都会显著影响建筑的能耗及电力消耗曲线的高值部分。本研究采用的“先预测再优化”方法，即结合多小时概率负荷预测，再通过基于冷水出水温度、送风温度、静压及超级区域设定值的概率约束MPC进行控制，旨在提前预判由使用情况变化带来的负荷波动，在经济条件允许时提前降温，同时控制下午的负荷高峰，确保满足ASHRAE-55标准要求的运行可靠性。本研究选用了XGBoost、TCN和ARIMAX三种模型相结合的集成方法，充分利用了它们各自的优点：XGBoost能够捕捉非线性关系及特征交互作用，TCN可处理序列依赖性和长期模式，而ARIMAX则具备统计稳定性，能够处理趋势和季节性因素[93]、[94]。这种组合方式既能够全面考虑建筑能源时间序列的各类特性，又保证了实时应用的计算可行性。本研究要解决的核心问题是概率预测与建筑运行控制之间的脱节——许多现有系统要么假设预测结果绝对准确，要么将预测与控制视为独立的问题。这种分离导致在预测存在不确定性的情况下，尤其是高温气候条件下的建筑，其15分钟内的峰值负荷无法得到有效管理。为解决这一问题，本研究开发了一种集成的“先预测再优化”框架，将基于XGBoost、TCN和ARIMAX的集成预测器与概率约束MPC相结合。表2将主要的研究缺口与本研究的各项方法贡献相对应，并指出了相应的实验依据。本文的其余结构如下：第2节（材料与方法）详细介绍了研究背景与协同仿真框架、经过校准的20层高EnergyPlus办公建筑模型、数据预处理与特征构建过程、带有分位数/自举法不确定性估计的混合集成预测器、以控制为导向的替代模型及概率约束MPC的构建方法、基准控制器以及评估指标；第3节（结果）阐述了模型的校准情况、不同时间范围内的预测精度、昼夜及峰值负荷表现、一个典型的热浪案例分析、不同参数下的性能对比、预测误差对系统性能的影响、计算延迟问题、能源消耗与峰值负荷之间的权衡关系，以及基准控制器与更激进控制策略的敏感性分析；第4节（讨论）对研究结果进行了解读，将其置于现有研究背景下进行分析，同时指出了该方法的局限性及其在高温气候商业建筑中的适用性；第5节（结论）总结了本研究的主要贡献，并提出了未来在实地试验、光伏/储能系统整合以及提高系统鲁棒性方面的研究方向。