基于图循环预测的面向多台空气处理单元的约束感知生成式运行策略

《BUILDING AND ENVIRONMENT》：Constraint-aware generative operation strategy for multiple AHUs using graph recurrent forecasting

　　摘要
空气处理单元的运行对室内环境质量及建筑能耗有着重要影响，尤其是在配备多个空气处理单元的系统中，空间上的相互影响以及运行中的不确定性使得控制变得十分复杂。本研究提出了一种数据驱动的框架，通过整合条件性场景生成、时空室内环境质量预测、能耗预测以及基于约束的策略选择，以实现多空气处理单元的最佳运行。条件变分自编码器可根据天气状况、时间特征以及历史运行数据生成空气处理单元的运行计划，这些计划还会通过规则驱动的方式进一步扩展。随后，采用自适应图卷积循环网络来预测多个空气处理单元对应的室内空气温度和二氧化碳浓度变化趋势，而基于门控循环单元的序列到序列模型则用于预测整个建筑的能耗。这些生成的场景会通过上述模型进行评估，再通过满足室内空气温度和二氧化碳浓度约束的条件筛选出可行的方案。在所有可行方案中，选择累计能耗最低的方案作为最终运行策略。以一栋配备10台空气处理单元的大型多功能建筑为案例研究，结果表明该框架能够生成真实且多样的运行场景，同时保持良好的室内环境质量，并实现显著的节能效果。研究结果还揭示了不同的季节性运行模式，为多空气处理单元的运行提供了实用指导。这些发现表明，该框架可通过在室内环境质量约束下筛选历史上合理的场景，从而支持数据驱动的多空气处理单元运行。

引言
建筑行业约占全球总能源消耗的30%，其中空气处理单元的能耗占建筑总能耗的40%以上[1,2]。作为同时负责调节室内热环境与空气质量的核心设施，优化空气处理单元的运行对于提升建筑能效以及保障室内热舒适度和空气质量具有重要意义[3,4]。特别是在大型多功能建筑或多区域建筑中，多个空气处理单元会同时运行，其供回风条件、室内二氧化碳浓度以及能耗之间会随着室外环境变化和人员流动情况而相互关联。因此，在这类大型建筑中，空气处理单元的运行不应局限于对单个设备的独立控制，而应采取综合考虑各单元之间空间依赖关系的整体策略[5,6]。

在此背景下，过去十年间，人们开始积极研究机器学习与深度学习等数据驱动方法，用以建立和优化空气处理单元的运行策略，这些方法还被应用于设备级的故障检测与诊断[[7], [8], [9]]以及运行策略优化方面。现有研究大致可归纳为三个方向：（一）多空气处理单元的协同运行与优化；（二）通过生成式场景建模探索多种运行策略；（三）基于图的室内环境条件时空预测。

第一种研究方向聚焦于服务于相互连通的室内空间的多个空气处理单元的协同运行与优化。常见的方法包括模型预测控制、强化学习以及多目标优化，这些方法在考虑不同区域之间的相互作用的同时优化暖通空调系统的运行。例如，Ra等人[10]证明了实时模型预测控制在大规模工厂建筑中的适用性，而Soleimani等人[16]则将深度学习与Koopman预测控制相结合，用于暖通空调系统的多目标优化。Zhang等人[11]进一步将建筑自动化系统、物联网和建筑信息模型整合为图结构，以支持中央空调系统的协同运行。尽管这些方法提升了运行效率，但它们通常只在预定义的控制范围内优化运行条件，难以探索此前未曾出现过的运行策略。此外，基于多目标优化的方法往往需要为节能和用户舒适度等相互竞争的目标赋予明确的权重，而舒适度是一种以人为中心的指标，很难做到客观量化，且不同类型的空间对舒适度的容忍度差异很大。

第二种研究方向旨在通过生成式场景建模来拓展可行的运行策略范围。与仅能评估历史上已观测到的运行模式的确定性预测模型不同，生成式方法能够合成在统计上合理但此前未曾出现过的运行场景，从而在训练数据有限的情况下扩大可行的运行策略空间。这类方法对于新建建筑或那些缺乏足够运行数据的环境尤为有用。例如，Fu等人[17]利用条件扩散模型，根据建筑元数据生成模拟的建筑能耗数据，而Song等人[18]则应用序列生成对抗网络来预测住宅内的温度变化规律。Parisio等人[19]提出了一种基于场景的预测控制方法，用于建筑暖通空调管理，通过生成多种合理的运行场景来应对建筑运行条件中的不确定性。然而，这些研究主要侧重于场景生成或基于场景的控制本身，并未提供评估新生成的、此前未观测到的运行方案所带来的室内环境质量及能耗影响的框架。

第三种研究方向致力于基于图的室内环境条件时空预测。近期研究表明，基于图神经网络的模型能够有效捕捉多个区域及暖通空调系统之间的空间依赖关系。Huang等人[13]提出了一种基于图的时空框架，用于在考虑动态人口分布和环境条件的情况下预测室内二氧化碳浓度。Wen等人[14]开发了自适应的时空图卷积网络，用于预测高分辨率的室内温度场，而Zhao等人[15]则提出了基于多任务学习的深度神经网络，用于预测多个室内位置的温度和相对湿度。Zhao等人[12]还应用长短期记忆网络来预测暖通空调运行的建筑能耗。尽管这些研究通过引入空间关系显著提升了预测精度，但它们的主要目的仍是环境预测，而非为运行策略评估提供支持。

尽管取得了这些进展，但在将这些研究方向整合为适用于多空气处理单元的实际运行框架方面，仍存在一些重要的研究缺口。首先，虽然协同控制方法能够提升运行效率，但它们通常只能在预定义的控制范围内进行优化，无法充分探索此前未曾出现过的运行场景。其次，尽管生成式方法能够扩大运行场景的范围，但它们无法评估所生成方案带来的室内环境质量及能耗表现。最后，基于图的预测模型虽能有效捕捉多个空气处理单元之间的空间依赖关系，但其设计初衷主要是提升预测精度，而非在实际的室内环境质量约束下辅助选择运行策略。

为克服这些局限，本研究提出了一种集成运行场景生成、时空环境预测以及基于约束的运行策略选择的多空气处理单元运行框架。首先，利用条件变分自编码器，根据室外条件、时间特征以及历史运行数据，随机生成每周的空气处理单元运行模式，从而获得多样化的候选运行场景。由于现有的运行数据无法涵盖所有可能的空气处理单元运行方案，因此这些生成的场景包含了历史上合理但此前未曾出现过的运行模式。通过这种方式扩展场景空间，使得该框架能够探索超出历史数据集中范围的候选策略。

接下来，通过结合基于自适应图卷积循环网络的室内空气温度和二氧化碳浓度预测模型，以及基于门控循环单元的能耗预测模型，对每种场景的性能进行评估。由于这些新生成的场景的室内环境与能耗响应情况尚不清楚，因此需要借助AGCRN和GRU模型来估算其带来的室内环境质量及能耗影响。这样一来，这三个模型便成为统一框架中的互补组成部分，而非独立的预测模块。

最后，筛选出满足室内空气温度和二氧化碳浓度室内环境质量约束的方案，再从这些方案中选择能耗最低的方案作为实际控制策略（见图1）。与那些需要明确的系统动力学模型以及对连续控制变量进行迭代在线优化的预测控制或优化方法不同，本研究采用了这种离线的场景筛选设计，以体现案例研究中所涉及建筑中基于固定时间表的离散控制特性。

目标建筑与监测系统
本研究以位于韩国首尔瑞草区某大学中心校区的某栋多功能建筑作为案例研究对象。该建筑为钢筋混凝土结构，总建筑面积达28,300平方米，内设用于举办研讨会、展览及大型活动的大厅和餐饮设施（见图2）。建筑内共安装了10台空气处理单元，分别分布在不同的房间和区域，所有单元均采用恒定风量控制方式来进行运行调节。

基于CVAE的运行场景生成评估结果
所生成的空气处理单元运行场景的质量从三个角度进行了评估：分布相似度、覆盖范围以及场景多样性（见表2）。首先，通过KL散度定量分析了实际运行模式与生成场景之间的分布相似度。结果显示，所有空气处理单元的平均KL散度为0.193，大多数单元的数值低于0.3。不过，AHU08的数值相对较高，为0.473。

讨论
为了更系统地解读基于约束策略得出的最优空气处理单元运行方案，本研究根据室外环境条件及空气处理单元的负荷特性，对出现能耗节省的周数进行了分类。图9展示了每周实际运行方案与最优运行方案之间供气流量变化的空间分布情况。分析结果表明，在大多数周数里，实际运行模式并非呈现均匀的变化特征。

结论
本研究提出了一种数据驱动的、基于场景的决策支持框架，用于评估大型建筑中多个空气处理单元的运行情况。该框架整合了空气处理单元运行场景生成、室内环境预测、能耗预测以及基于约束的场景筛选功能。具体而言，首先利用条件变分自编码器生成多样且符合历史规律的空气处理单元运行场景，随后结合基于自适应图卷积循环网络的室内环境质量预测模型以及基于门控循环单元的能耗预测模型，对方案进行进一步评估。

CRediT作者贡献声明
Seungkeun Yeom：撰写——初稿、可视化、验证、方法论、形式分析、概念构建。Juui Kim：撰写——初稿、可视化、验证、形式分析。Jinwoo Choi：撰写——初稿、可视化、资源整理。Gaurav Kattel：验证、方法论。Anup Paudel：可视化、软件支持。Jun-Ki Choi：撰写——审稿与编辑、项目管理、调研工作。Taehoon Hong：撰写——审稿与编辑、监督工作、项目管理。

Seungkeun Yeom|Juui Kim|Jinwoo Choi|Gaurav Kattel|Anup Paudel|Jun-Ki Choi|Taehoon Hong
韩国首尔延世大学建筑与建筑工程系，邮编03722