基于云边设备协同的工业系统鲁棒闭环控制

《Electronics》：Robust Closed-Loop Control of Industrial Systems Based on Cloud–Edge Device Collaboration

　　

在中国“双碳”战略目标下，大规模公共集中供热在节能降耗中发挥着关键作用。然而，传统人工开环控制存在响应延迟高的问题。此外，现有的单向预测方法缺乏动态反馈校正机制。针对上述问题，本研究提出了一种专为公共供热系统设计的智能双系统协同控制架构。该架构采用云边设备（cloud–edge device）框架，建立了供热设备与云端决策平台之间的双向联动，从而构建了涵盖前向决策生成、反向状态验证与动态反馈校正的一体化调控框架。具体而言，前向模块利用基于Mamba结构的状态空间模型（State-Space Model, SSM）生成数据驱动的锅炉运行策略；反向模块则采用结合蒙特卡洛Dropout的时间卷积网络（Temporal Convolutional Network with Monte Carlo Dropout, TCN-MC Dropout），该概率网络能够实现具有可靠不确定性预测区间的状态反演评估。这两个模块通过自适应反馈校正机制深度耦合，共同显著提升了系统在复杂热扰动下的稳定性与运行鲁棒性。具体而言，所提出的架构实现了超过96%的室温达标率，并将温度波动限制在设定范围内，同时使锅炉能耗降低超过16.4%。该解决方案已成功部署于陕西师范大学供热网络，作为具有代表性的实际应用案例。最终，该研究为公共集中供热系统的智能化升级与低碳转型提供了实用的技术参考。

基于云边设备协同的工业系统鲁棒闭环控制研究解读

一、研究背景与问题提出

在“双碳”战略目标驱动下，公共集中供热系统的智能化升级已成为降低能耗、推动供热基础设施绿色转型的关键突破口。集中式公共供热是一类典型的大规模热力调控系统，具有强热惯性、长时延和复杂外部扰动等固有挑战。系统的调控效率与动态整定精度直接决定能源利用率和用户舒适度，反映现代公共供热服务的整体智能化与精细化管理水平。

然而，在典型公共供热场景中，传统控制系统仍高度依赖人工经验和开环模式，由此引发以下关键问题：其一，整体协调不足，人工控制难以实现多供热区域间的实时负荷均衡，导致供需失衡和室内温度不均；其二，控制延迟显著，热力系统强惯性使得人工控制无法预判突发外部天气扰动，造成室温大幅波动和热舒适性下降；其三，维护被动低效，依赖人工巡检导致供热设备故障响应时间长，缺乏数字化分析无法实现早期异常预测，增加了运行成本和安全风险。因此，亟需构建一种具备数据驱动决策、自主感知与自适应优化能力的新型智能调控架构。

二、研究内容与核心结论

针对上述问题，研究人员提出了一种面向公共供热系统的双系统协同闭环控制方案。该方案基于云边设备协同架构，集成了前向决策、反向验证与反馈校正机制。前向模块采用Mamba结构的状态空间模型快速生成供热控制策略；反向模块采用结合蒙特卡洛Dropout的时间卷积网络（TCN-MC Dropout）进行策略预验证与风险评估，通过概率预测实现被调热力参数的动态监测与实时校正。

实际运行数据验证了该方案的优异性能：室温达标率提升至96%以上，温度波动控制在设定范围内，锅炉能耗降低超过16.4%。该方案已成功部署于陕西师范大学，为公共供热系统的智能化与绿色化转型提供了可推广的实践模型。论文发表于《Electronics》。

三、关键技术方法

研究人员采用了以下主要技术方法：构建云边设备协同架构，实现设备端多源数据采集、边缘端预处理与云端全局优化的分层联动；前向决策模块采用Mamba状态空间模型，利用选择性状态空间机制和硬件感知算法，在保持线性计算复杂度的同时有效捕获长程依赖；反向验证模块采用TCN-MC Dropout架构，通过膨胀因果卷积扩展感受野，并在推理阶段保持Dropout激活以进行蒙特卡洛采样，实现预测均值与95%预测区间的不确定性量化；自适应反馈校正机制结合TCN预测模块与规则调整器，通过周期内粗到细迭代策略修正和跨周期模型维护实现闭环优化。样本数据来源于陕西师范大学后勤管理部门采集的2023至2026年三个供暖季运行数据，共计7279个有效样本。

四、研究结果

4.1 前向决策实验

前向Mamba模型训练损失在前20个epoch内快速下降，40个epoch后收敛至约0.05且无反弹，表明模型有效捕获了热惯性与负荷模式。锅炉启停状态分类测试中，开启状态准确率达98.43%，关闭状态准确率为83.44%，总体分类准确率达92.09%，宏F1分数为91.27%，为锅炉调控提供了可靠的初始决策支持。

4.2 反向验证实验

反向验证模块在单步预测中取得最高精度，平均绝对误差（MAE）最低；第四步MAE仍保持在设定范围内，未出现指数级发散，证实模型有效捕获热惯性并抑制多步预测误差累积。预测区间覆盖概率（PICP）在各目标水平下均接近理论值，最大偏差在3个百分点以内。负对数似然（NLL）与连续排序概率分数（CRPS）均保持较低水平，表明预测分布与真实观测高度吻合。归一化平均预测区间宽度（NMPIW）保持在设定阈值以下，证明模型生成的区间具有较高锐度而非过度保守。

4.3 单变量扰动实验

通过单变量扰动敏感性分析验证了前向模型的决策可追溯性与物理一致性。室外温度扰动引发最显著响应，系统随室外温度变化急剧调整锅炉数量与供水温度；建筑温度扰动产生物理一致的逆向趋势，室内温度降低时供水温度与锅炉数量相应上升；目标设定值扰动影响相对温和且呈非线性特征。该分析确认前向Mamba模型生成的决策具有可追溯性和物理合理性。

4.4 前向模型对比实验

在相同数据划分、特征与训练预算条件下，将Mamba与LSTM、Transformer进行对比。在5至48小时四种输入窗口下，Mamba均取得最低供水温度MAE与均方根误差（RMSE）。在5小时窗口下，Mamba的MAE低于LSTM与Transformer；随窗口增长，LSTM与Transformer误差上升更为明显，而Mamba保持稳定。锅炉状态F1分数在各模型间总体相当，Mamba在长窗口下表现更优。结果表明Mamba在长时热历史条件下提供最准确稳定的供水温度估计。

4.5 反向模型对比实验

在相同闭环协议下对比TCN-MC与LSTM-MC模型。两者点预测精度总体相近，配对t检验显示无显著差异。分步结果显示，TCN-MC在第一步与第二步预测中RMSE和MAE更低，而LSTM-MC在第三至第五步表现更优。由于在线校正主要利用近端预测区间，TCN-MC在短时域的优势对闭环控制更具相关性。不确定性估计方面，TCN-MC的平均预测区间宽度（MPIW）更窄，但存在相对名义95%目标的覆盖不足问题；LSTM-MC覆盖更高但区间更宽。综合点预测精度、区间锐度与近端预测优势，TCN-MC被选为核心反向验证模块。

4.6 消融实验

在统一离线仿真条件下进行框架级消融实验，评估四种配置：完整框架、无反向验证、无不确定性量化、纯开环。完整框架室温达标率达91.0%，无验证配置为85.4%，无不确定性配置为78.2%，纯开环为78.0%。累计热量代理指标方面，完整框架实现最小值14987 GJ。温度波动方面，完整框架最低为1.546。值得注意的是，无不确定性配置作为全自动开环基线，其达标率与纯开环几乎一致，证实性能提升并非源于自动化替代人工，而是闭环验证与不确定性量化机制带来的实质性改善。

4.7 扰动工况鲁棒性实验

在四种典型扰动场景下评估闭环鲁棒性：极端寒冷、室内温度传感器漂移、通信中断、单锅炉停机。未扰动工况达标率为设定水平；极端寒冷降至设定水平；传感器漂移保持相当水平；通信中断骤降至设定水平；锅炉停机降至设定水平。最大偏差相应增大。通信中断因控制策略冻结且室外负荷变化导致最大温度下降，锅炉停机因供热能力降低导致温度在24小时内未完全恢复。结果表明闭环控制器在四种故障下均保持有界退化，但通信中断与锅炉停机场景暴露了框架的局限性，实际部署需纳入本地数据缓存、容错感知与冗余热源调度机制。

4.8 与传统闭环基线对比

研究人员在相同协议下进行了离线仿真对比，将所提框架与PID及工业模型预测控制（MPC）基线进行比较，为框架优越性提供了基准参照。

五、讨论与结论

研究结论表明，所提出的双系统协同闭环控制架构通过前向Mamba决策与反向TCN-MC Dropout验证的深度耦合，在复杂热扰动条件下显著提升了系统稳定性与运行鲁棒性。该架构实现了超过96%的室温达标率，将温度波动控制在设定范围内，同时使锅炉能耗降低超过16.4%。消融实验证实，闭环验证与不确定性量化机制是性能提升的核心来源。鲁棒性测试显示，控制器在极端寒冷、传感器漂移、通信中断与锅炉停机等扰动下均保持有界退化，但通信中断与锅炉停机场景仍需通过冗余机制进一步强化。该方案在陕西师范大学的成功部署验证了其工程可行性，为公共集中供热系统的智能化升级与低碳转型提供了可扩展的实践模型。未来工作将聚焦于改进闭环校准与逐时域覆盖性能，并探索冗余热源调度与容错感知机制以增强系统在极端工况下的适应能力。