《Energy》：Adaptive model predictive control for solar-assisted multi-source heat pump systems using machine learning
编辑推荐：
提出基于物理模型与数据驱动的自适应模型预测控制（AMPC）框架，优化太阳能辅助多源热泵系统在波动环境下的能效与舒适性。通过LSTM和LightGBM算法分别提升夏季制冷与冬季制热预测精度（R2达0.99和0.96），并基于敏感性分析确定12小时预测与3小时控制范围为最优配置，实现能耗降低8.3%，温度波动减少65%，同时保持实时响应能力。研究验证AMPC在多输入多输出系统中的优越性，为低碳建筑运营提供技术支持。
杨兰香|马尚洲|吴静宇|王亚兰|张国山|徐志勇|王丽文|沈伟
天津大学环境科学与工程学院，天津300350，中国
摘要
为了解决太阳能辅助多源热泵系统在波动环境下的运行挑战，本研究提出了一种物理数据融合的自适应模型预测控制（AMPC）框架。该方法的核心在于将高精度热力学物理模型与随机数据驱动的预测器相结合。这种混合架构能够通过捕捉纯数据驱动模型常忽略的复杂非线性热耦合，实现地源热泵、空气源热泵和太阳能集热器的同步控制。在预测阶段，评估了多种机器学习算法。结果表明，长短期记忆（Long Short-Term Memory, LSTM）在夏季制冷负荷预测中的性能最佳，R2值为0.990；而LightGBM在处理冬季供暖负荷的随机波动方面最为有效，R2值为0.96。在控制策略优化方面，敏感性分析确定12小时的预测范围和3小时的控制周期为最佳配置。该设置实现了8.3%的能源节约，同时保持了19.6秒的计算响应时间，确保了实时可行性。全季节对比实验表明，所提出的AMPC框架相较于传统的PID控制具有显著优势。AMPC通过将室内温度波动减少超过65%，并将平均绝对误差（MAE）降低至少50%，展示了其卓越的鲁棒性。最终，该系统在夏季实现了12.0%的能源节约，在冬季实现了8.7%的节约，同时始终保持了高水平的热舒适度。这些发现突显了AMPC在提升多源能源系统稳定性和经济性方面的潜力，为低碳建筑运营提供了有效的技术解决方案。
引言
随着全球能源需求的增加和环境压力的加剧，提高供暖、通风和空调（HVAC）系统的效率已成为实现碳中和目标的关键策略。[1]、[2]、[3] 在各种技术解决方案中，多源热泵系统（MHPS）通过集成地源热泵（GSHP）、空气源热泵（ASHP）和太阳能集热器等多种可再生能源，展现了出色的节能潜力和环境适应性。[4]、[5]、[6] 然而，这些系统固有的非线性、强耦合特性以及明显的延迟，再加上环境天气和建筑需求的随机性，限制了传统控制策略在热舒适性与能源节约之间的平衡优化效果。[7]、[8]、[9]
作为反馈控制理论的基石，比例-积分-微分（PID）算法因其结构简单、鲁棒性强且不依赖于精确的系统模型而在过程工业和HVAC领域得到广泛应用。[10]、[11] Adesanya等人[12]提出了一种灵活的PID控制器，通过跟踪温室设定点和能耗来优化参数。结果表明，优化后的参数使能耗降低了8.81%至12.99%，最小舒适温度的偏差在2.07%至3.13%之间。Yi等人[13]开发了一种基于模糊PID控制的热舒适度自适应策略，与传统PID相比，实现了5.9%的能源节约，并提高了COP（Coefficient of Performance）0.017。Li等人[14]开发了一种分数阶PID控制器来解决风机盘管单元（FCU）的问题，证明了稳定的控制和能源效率的提升。Qin等人[15]为GSHP系统的压力控制设计了一种PID参数优化算法，有效缓解了热不平衡并降低了能耗。Yabanova等人[16]引入了一种基于控制的PID控制器用于AGDHS（Air-Ground Direct Heating and Cooling System）的流量控制，与手动控制相比，能源效率提高了13%。尽管PID在单环控制中表现出鲁棒性，但在多输入多输出（MIMO）系统中的解耦能力有限。此外，它缺乏在控制器内显式处理执行器和系统状态约束的机制。这些限制导致在面对现代复杂能源系统的多源耦合挑战时，控制精度不足且动态响应缓慢，从而在极端条件下限制了运行效率。[17]、[18]
相比之下，模型预测控制（MPC）因其能够处理多约束优化并利用系统动态模型进行主动调整而成为理想的解决方案。[19]、[20] Wang等人[21]提出了一种结合数据驱动MPC和PID的方法，用于蘑菇房HVAC系统，分别降低了12%和5%的功耗。Shao等人[22]提出了一种经济型MPC算法，相对于基线方案实现了超过32%的能源节约，同时保持了热舒适度。Wang等人[23]分析了使用MPC的逆变器空调的冷却季节性能，表明MPC使高峰时段的能耗降低了6.34%–21.60%，总电费降低了13.44%–27.43%。Zhao等人[24]将基于MPC的调节模型与传统PID进行了比较，结果显示MPC提高了室内温度稳定性18.8%，并降低了总体能耗8.51%。然而，传统的MPC严重依赖于精确的数学模型，其参数通常需要离线确定。在实际应用中，由于非线性动态、系统老化和外部随机干扰的影响，固定模型参数难以维持长期的预测准确性，导致性能下降。[25]、[26]、[27] 为了提高系统的适应性，自适应模型预测控制（AMPC）整合了实时反馈和在线参数校正机制，以更有效地应对非稳态环境中的干扰。[28] Zhao等人[29]提出了一种用于需求响应的AMPC，具有自适应边界，与PID相比，实现了20%的成本降低和12%的能源节约。Zhao等人的另一项研究[30]为混合太阳能-风能热泵系统引入了在线模型更新的AMPC，在典型时期提高了整体系统性能23.3%，并节省了52.5%的能源。
准确的负荷预测是高效控制的基础。[31] 最近，机器学习（ML）的快速发展为捕捉建筑负荷的非线性特性提供了强大的工具。[32]、[33]、[34] Wang等人[35]优化了办公楼的年度每小时电力负荷预测，平均减少了19.7%的预测误差。Y?ld?z等人[36]利用人工神经网络（ANN）在早期设计阶段估计了住宅能耗，在各种ML算法中表现最佳。Abdul-Zahra等人[32]开发了一种结合理论建模和ML（SVM和kNN）的混合框架，用于预测日负荷，突显了预测性HVAC控制的潜力。诸如长短期记忆（LSTM）和Light梯度提升机（LightGBM）等算法可以从历史数据和气象预报中提取深层相关性，显著提高预测准确性，并为AMPC框架提供高质量输入。[37]、[38] 然而，关于针对太阳能辅助多源热泵系统的ML增强型AMPC框架的研究仍然较少，特别是在动态耦合特性和非稳态负荷波动的系统解决方案方面。
本研究旨在开发一种结合ML增强型负荷预测的AMPC框架，专门用于太阳能辅助多源热泵系统。首先，对多种ML算法进行建模和比较，以确定不同季节建筑负荷的最佳预测引擎。其次，基于系统动态构建自适应控制策略，并深入分析预测和控制范围对性能的影响。最后，进行全季节对比实验，以验证该框架在保持室内热舒适度、降低能耗和提升实时响应速度方面的优势。这些发现有望为多能源互补系统的高效运行提供理论基础和技术支持。
系统组成
系统组成
图1展示了耦合系统的示意图，展示了GSHP、ASHP、太阳能集热系统和热储罐等关键组件，以及通过阀门和泵实现的高效能源管理的互连方式。该多源热泵系统集成了多个组件，旨在优化供暖和制冷的能源使用。系统配备了控制和调节能量及热量流动的阀门和泵，确保了高效运行。
机器学习负荷预测模型
鉴于气象数据的高质量和完整性，本研究仅应用了异常值检测和平滑技术来保持数据完整性。相比之下，来自现场分布式控制系统的负荷数据由于通信中断和人为错误容易出现缺失值。为了减轻缺失数据对负荷预测模型准确性的影响，需要进行数据插补。常见的插补方法包括K最近邻（K-nearest neighbors）等。
控制目标和控制变量
AMPC是一种基于系统动态模型和实时反馈机制的先进优化策略。该框架通过预测未来系统状态并计算最佳控制输入来满足预定义的目标。在太阳能辅助多源热泵系统的背景下，AMPC利用各种组件（包括太阳能集热器、GSHP和ASHP）的固有动态特性，同步它们的协同运行，从而提高整体性能。系统评估指标
为了选择最佳的负荷预测方法和模型输入，需要适当的评估指标来反映模型的预测性能。本研究选择决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）作为性能评估指标。每个指标关注不同的方面：R2反映了模型对数据的拟合程度；RMSE是误差平方和的平方根，用于衡量误差的绝对大小。
制冷负荷预测结果
图9中的相关性热图全面分析了关键变量之间的相互依赖关系，包括历史负荷、室外温度、太阳辐照度和相对湿度等。通过整合随机森林（RF）特征重要性、互信息（MI）和皮尔逊/斯皮尔曼系数，分析确定了这些变量是能源需求的主要驱动因素。值得注意的是，互信息能够捕捉到传统方法难以捕捉的复杂非线性交互作用。
结论
本研究提出了一种针对太阳能辅助多源热泵系统的物理数据融合AMPC框架。通过结合先进的预测引擎和动态优化，该研究系统地解决了多能源协调和热需求波动的挑战。从实验和仿真结果得出的结论如下：
1)建立了一个可靠的AMPC框架，实现了GSHP、ASHP和太阳能集热器的同步控制。
CRediT作者贡献声明
杨兰香：撰写——原始草稿、软件、方法论、概念化。吴静宇：验证、软件。马尚洲：验证、调查、形式分析。张国山：资源、调查。王亚兰：撰写——审稿与编辑、资源、项目管理。徐志勇：资源、形式分析。沈伟：方法论、概念化。王丽文：验证、项目管理
注释
作者声明他们没有已知的竞争利益或个人关系可能影响本研究的工作。
利益冲突声明
我们声明与任何可能不恰当地影响我们工作的人或组织没有财务和个人关系，也没有任何形式的职业或其他个人利益涉及任何产品、服务和/或公司，这些利益可能会影响本文的观点或手稿的评审。
致谢
作者感谢中国国家重点研发计划[项目编号2020YFD1100305-02]提供的财务支持。
