★ 江西省通信产业服务有限公司南昌分公司 古鑫

关键词：智能楼宇；集中空调；预测控制；自适应控制

随着大型综合体与智慧园区的广泛建设，集中空调系统已成为楼宇能耗中的关键组成部分。其运行状态受人员密度、室外气象、建筑热惯性以及末端设备特性共同影响，呈现出强耦合、非线性和显著时变特征^[1]。在此背景下，传统依赖固定参数的PID或经验控制策略难以适应不同负荷场景，不仅导致制冷量分配与送风温度调节滞后，还会引起过冷、频繁启停等现象，造成明显的能耗浪费。

基于此，本文提出了一种面向智能楼宇的集中空调节能自适应控制方法，从参数优化、模型预测和双层自适应调节三个维度构建了协同机制，并通过实验验证了该方法的实际应用效果。

1   面向智能楼宇的集中空调节能参数优化

1.1   基于动态线性化模型的多变量冷量调节预测控制

智能楼宇集中空调系统具有多变量耦合特性：冷量调节量、送风温度和风机频率不仅互相影响，而且受室外负荷扰动、设备运行滞后及空气热湿耦合效应影响，使得系统呈现显著的非线性与时变性^[2]。为提升控制器在实际运行中的适应能力，本文采用动态线性化框架构建多输入多输出预测模型，以实现无需精确机理模型的冷量分配优化控制。

将楼宇各典型区域的送风温度或室温构成输出向量y(k)，并将冷量调节、送风温度设定值变化和风机频率变化构成控制输入u(k)。基于动态线性化思想，构建系统的一步预测关系如式（1）所示：

其中，J_c (K)为刻画输入对输出影响敏感度的伪雅可比矩阵。该矩阵不依赖系统机理模型，而通过在线辨识实时更新，因此能适应设备工况变化。

为了支持中长期控制量规划，将式（1）在预测步长内展开，得到总体预测模型如式（2）所示：

其中， A(k)为基于伪雅可比矩阵构造的增益矩阵；ΔU(k)为未来控制增量序列。通过预测矩阵的构造，在不显示建立热工传递机理的条件下捕捉冷站与末端AHU的动态耦合关系。

为了使系统具有时变适应能力，伪雅可比矩阵采用增量式最小二乘在线更新方式，更新规则为式（3）：

该更新方法对小扰动具有抑制能力，能更好地适应楼宇中不断变化的热负荷、人员密度及设备状态。

在预测模型的基础上，需要构建兼顾舒适性与节能性的优化指标。本文采用如式（4）所示的性能函数：

其中，第一项强化温度偏差的时间累积惩罚，第二项体现控制动作带来的能耗成本。权重采用递增设计，强调对预测期后段误差的敏感性，而λ用于调节节能效果与温度稳定性之间的平衡。

1.2   节能控制参数在线寻优

本 文 设 计 基 于 改 进 粒 子 群 算 法 （Improved Particle Swarm Optimization，IPSO）的在线参数寻优机制，使控制器可随工况自适应调整[3]。为了避免传统PSO在后期陷入局部最优，本文采用线性递减惯性权重策略，使算法在初期保持大范围探索能力。

适应度函数包括预测误差指标和能耗指标。预测误差指标指的是基于控制器输出的区域温度预测值与实测值的偏差；能耗指标为基于冷站实时冷量测算模型计算单位时间冷量消耗。将两者按照运行策略设定的比重进行综合评价，从而判断粒子代表的参数集合状态。

在每个控制周期内， IPSO的运行流程如图1所示。

图1 IPSO运行流程

第一步：初始化粒子群。根据当前运行数据，构造若干不同的参数组合作为初始粒子。

第二步：计算适应度。调入控制器进行短周期预测，计算温度跟踪误差和冷量消耗，并依此得到粒子的综合性能指标。

第三步：更新粒子。基于粒子自身历史表现与群体最好表现更新其参数，使粒子逐步向更优的参数集合移动。

第四步： 输出最优参数。确定当前工况下的最优o' (k)，并反馈给预测控制器[4]。

通过IPSO的在线寻优， 伪雅可比矩阵的更新速度、预测模型平滑度与节能强度三个控制维度可根据实际运行状态实时自动调整。

2   集中空调节能自适应控制

2.1 自适应送风温度调节

智能楼宇中各区域受人员密度、照明功率、外窗辐射等因素影响，其负荷呈现明显的时变性，使得固定送风温度策略无法长期维持节能效果。为使预测控制器能够持续匹配各区域动态热响应，本文构建了基于区域热负荷估计的送风温度自适应调节模型，定义区域的动态热偏差量，如公式（5）所示：

式中， d_i (k)为第i区域的热偏差；  T_i (k)为实测温度；T^i*_i (k)为舒适温度设定值。热偏差反映区域的即时负荷变化，是自适应调节的核心驱动量。

若直接以d_i(k)作为调节量，易导致送风温度剧烈波动。本文引入区域滞后补偿项η_i(k)， 其依据区域在前若干个控制周期内的温度恢复速度进行计算，并通过式（6）递推方式给出：

式中， 0 < p < 1为衰减因子，其值根据区的热惯性由IPSO动态寻优。η_i(k)表示区域热惯性下的滞后效应，能够显示刻画智能楼宇对不同区域的热动态差异。

综合式（5）与（6），构建自适应送风温度调节量如式（7）所示：

式中，ΔT_s,i (k)为第i区域的送风温度调整量； γ₁与γ₂为即时调节权重与滞后补偿权重，两者均由前文的预测-优化框架通过在线方式动态更新。

式（7）可将温度偏差、区域滞后与调节灵敏度关联，使控制器能够针对不同区域的动态负荷产生差异化调节动作。例如，当某区域突增负荷但热惯性小，算法会提升强化快速恢复制冷；而在大空间、热惯性大的区域，控制器会增大Y2以减少过度调节带来的能耗^[5]。

送风温度自适应调节值ΔT_s,i (k)作为预测控制输入项实时注入控制模型，使整体控制体系可根据区域特性自动配置送风策略，实现舒适性与节能性的协同优化。

2.2   基于冷站运行状态的自适应冷量分配控制

除末端送风区的热负荷外，冷站侧的运行状态对节能效果影响更为显著。为提升预测控制体系对设备状态变化的自适应能力，本文构建了基于“冷机效率动态估计+冷量分配调节”的双层控制结构，保障控制器在全生命周期内维持冷机的高效点运行 。

首先在冷站侧引入在线估计的等效冷机效率指标，如式（8）所示：             

式中，Q_c (K)为冷机在周期K的实际制冷量； P_C (K)为冷机输入电功率； η_c(k)表征单位功率的制冷效率，是冷机节能优化的核心变量。

智能楼宇运行中， Q_c (K)与P_C (K)均呈现不规则波动。为此，本文采用动态滑动窗口与二阶指数加权方式对η_c(k)进行过滤估计，以获得平滑的等效效率曲线，避免由于短时波动导致预测控制器出现抖动。

在得到实时估计的nc (k)后， 构建自适应冷量分配调节策略。定义冷站的冷量需求误差为式（9）：

式中， Q_d(k)为预测模型输入的需求冷量；Q_c(k)为实际制冷量。根据式（9）， 调节冷量分配的控制律设计为式（10）：

其中， ΔU_Q(k)为对冷机频率、冷冻水流量或冷却水阀门开度的综合调节量； 表示对需求偏差的响应增益；2表示对设备效率变化的修正增益。

式（10）体现了冷量调节中的双输入机理：当冷量不足（eQ  > 0）时，算法自动提升冷机出力；当效率下降（nc降低）时，偏向于调节水系统参数以恢复冷机至高效运行点，而非盲目提升出力。

其中，和2通过IPSO自适应优化，使调节策略可随冷站状态变化而调整； UQ(k)作为“冷量调节输入”注入预测控制模型，使自适应层与预测层形成闭环协同结构，实现末端与冷站同时优化，从而构建了智能楼宇内真正的全链节能控制体系。

3   实验研究

为验证本文所提出的空调节能自适应控制方法的有效性，实验采用MATLAB/Simulink+BACnet楼宇能管系统+OPC-UA数据交互模块的形式构建软硬件协同仿真平台。自适应控制器与节能参数优化模块均以实时数据驱动运行。为确保实验在不同负荷场景下均具有代表性，设置三类典型工况：低负荷、中等负荷、高波动负荷，同时记录室内温度偏差、冷量需求变化率和能耗水平，如表1所示。

表1 实验参数设置

高波动负荷场景下，传统PID控制与本文方法在能耗与误差控制方面的差异如图2所示。

图2 能耗与误差控制实验结果

为了进一步评价本文方法的性能，将不同场景下的节能率、温度误差降低幅度和系统响应时间进行统计，结果如表2所示。

表2 实验结果量化对比

实验结果表明：

（1）本文方法能耗显著下降。在全负荷范围内，本文方法较传统控制平均节能15%～20%。得益于负荷预测驱动的参数优化，使冷量调节更加贴合实际需求，减少了过冷与过调节现象。

（2）本文方法温度控制更精准。在高波动工况下，本文方法的最大温度偏差下降了60%，说明自适应控制器能根据实时负荷快速修正控制律，避免了传统PID出现的超调和滞后响应。

（3）本文方法的动态响应更快。在突发负荷变化下，本文方法的恢复时间减少了约50%，体现了预测-控制闭环在智能楼宇中的优势。

（4）本文方法稳定性更优。本文方法控制指令波动幅度明显减小，冷站设备启停频率明显降低，有利于延长设备寿命。

综上，实验结果充分验证了本文提出的集中空调节能自适应控制方法在智能楼宇场景中的有效性和工程应用价值。

4   结束语

实验结果表明，本文方法在多场景测试中均表现出显著优势， 能耗降低幅度达到15%～20%， 温度控制精度和动态响应均优于传统控制策略。未来可进一步结合建筑数字孪生模型，完善负荷预测精度，并将方法扩展至多冷源协同与区域能源系统，提升智能楼宇整体能效水平。

作者简介：

古   鑫（1982-），男，江西南昌人，助理工程师，本科，现就职于江西省通信产业服务有限公司南昌分公司，研究方向为电气自动化。

参考文献：

[1] 赖亦环, 马一凡. 冷链运输车空调冷风机运行自适应PID控制方法研究[J]. 自动化仪表, 2024, 45 (7) : 80 - 84.

[2] 李忠飞, 刘志华, 黄春山, 等. 基于PLC与改进BP神经网络的机房空调自适应控制方法[J]. 自动化与仪表, 2025, 40 (2) : 28 - 31.

[3] 左强, 李波, 杨世海. 大规模空调负荷参与新能源电力系统调频的无模型自适应控制方法[J]. 电力科学与技术学报, 2023, 38 (2) : 224 - 231.

[4] 王天一, 丁超, 孙琳, 等. 基于卷积神经网络的自适应暖通空调系统节能控制方法[J]. 微型电脑应用, 2024, 40 (10) : 38 - 41.

[5] 朱彬, 王松. 基于改进萤火虫群算法的楼宇空调自适应送风控制研究[J]. 自动化与仪器仪表, 2025, (3) : 130 - 134.

摘自《自动化博览》2026年8月刊