控制算法知识库
控制算法是建筑自动化系统的”大脑”。本知识库从经典PID到现代MPC，系统梳理暖通空调领域的主要控制算法原理、特点与工程应用。
1. PID控制（比例-积分-微分）
PID是暖通自控中使用率超过90%的基础算法，通过P/I/D三个环节的组合形成控制输出。
PID控制律与参数作用
| 项目 | 说明 |
|---|---|
| 控制律 | u(t) = Kp·e(t) + (Kp/Ti)·∫e(t)dt + Kp·Td·de(t)/dt [位置式PID] |
| Kp比例 | 快速响应，减小稳态误差。过大→振荡 |
| Ti积分 | 消除稳态误差。过小→超调振荡 |
| Td微分 | 预测偏差变化，抑制超调。对噪声敏感（暖通中PI更常用） |
参数整定方法
| 方法 | 说明 |
|---|---|
| Ziegler-Nichols法 | 阶跃响应法(开环): 测量过程参数τ、T、K → 查表得Kp/Ti/Td。临界比例度法(闭环): 纯P增大至等幅振荡→临界增益Ku、振荡周期Tu→查表 |
| Cohen-Coon法 | 针对一阶+滞后(FOPDT)模型优化，比Z-N的1/4衰减比更平滑 |
| 暖通工程经验 | AHU温度PI: Kp≈1 |
| 自适应整定 | DDC内置Auto-tuning功能: 施加阶跃/振荡信号 → 辨识模型 → 自动计算PID参数 |
参考文献: Åström, K.J. & Hägglund, T., “PID Controllers: Theory, Design, and Tuning”, 2nd Ed., ISA, 1995
2. 模糊控制（Fuzzy Logic Control）
模糊控制将专家经验转化为IF-THEN规则，无需精确数学模型，适合难以建模的系统。
模糊控制架构
| 项目 | 说明 |
|---|---|
| 模糊化 | 将精确测量值(e, Δe)映射到模糊集合: NB(负大)、NS(负小)、ZE(零)、PS(正小)、PB(正大) |
| 规则库 | IF e IS NS AND Δe IS ZE THEN Δu IS NS … (通常25~49条规则) |
| 推理+解模糊 | Mamdani最小推理 → 重心法(COG)解模糊 → 精确控制输出 |
| 暖通应用 | VAV风量控制、AHU温湿度耦合控制、地铁站环控优化 |
| 优势与局限 | 适应非线性、多变量系统；但规则依赖专家经验，缺乏严格稳定性保证 |
参考文献: Afram, A. & Janabi-Sharifi, F., “Theory and applications of HVAC control systems–A review”, Building and Environment, 72, 343-355 (2014)
3. 模型预测控制（MPC）
MPC利用系统模型预测未来输出，在每个控制周期求解有限时域优化问题，是暖通节能的前沿方向。
MPC原理与暖通应用
| 项目 | 说明 |
|---|---|
| 核心三要素 | ①预测模型(白箱/灰箱/黑箱); ②滚动优化(每步求解QP/MILP); ③反馈校正(测量值修正预测偏差) |
| 典型目标函数 | min Σ(能耗成本 + 热舒适惩罚 + 约束违反惩罚) |
| 暖通优势 | 可处理多变量(MIMO)、约束、时滞; 利用天气预报/电价预测做前瞻优化 |
| 节能潜力 | 文献报道相比传统PID/RBC可节能15-40% [Afram 2014, Killian 2016] |
| 暖通案例 | 冰蓄冷系统优化调度、区域供冷站MPC、办公楼主动蓄热夜间通风 |
| 工程挑战 | 需要建筑热模型(灰箱RC模型常用); 计算需求较大; 传感器需完备 |
参考文献: Drgoňa, J. et al., “All you need to know about model predictive control for buildings”, Annual Reviews in Control, 50, 2020
4. 自适应控制与智能算法
4.1 自适应控制（Adaptive Control）
| 项目 | 说明 |
|---|---|
| 原理 | 在线辨识被控对象参数变化 → 自动调整控制器参数 |
| 类型 | MRAC(模型参考自适应)、STR(自校正调节器) |
| 暖通场景 | 季节性工况变化(夏/冬)、过滤器积尘导致风量变化 |
4.2 神经网络控制（NN / DRL）
| 项目 | 说明 |
|---|---|
| NN辨识 | 多层感知器(MLP)学习HVAC系统的非线性输入-输出映射 |
| DRL控制 | 深度强化学习：Agent通过试错学习最优策略 |
| 研究现状 | 学术前沿热点，工程落地仍面临安全性、可解释性挑战 |
参考文献: Wang, Z. & Hong, T., “Reinforcement learning for building controls”, Applied Energy, 269, 2020
5. 控制算法在暖通中的对比
| 算法 | 复杂度 | 需要模型 | 多变量 | 约束处理 | 暖通成熟度 | 典型节能率 |
|---|---|---|---|---|---|---|
| ON/OFF | ★☆☆ | 否 | 否 | 否 | ★★★★★ | 基准 |
| PID | ★★☆ | 否(调参需) | 否(SISO) | 弱 | ★★★★★ | +5~15% |
| 模糊控制 | ★★★ | 规则库 | 可 | 可 | ★★★☆ | +10~20% |
| MPC | ★★★★ | 是(模型核心) | 是 | 是(核心优势) | ★★☆ | +15~40% |
| 自适应PID | ★★★ | 在线辨识 | 否 | 弱 | ★★☆ | +10~20% |
| DRL强化学习 | ★★★★★ | 环境交互 | 是 | 可 | ★☆☆☆ | 研究阶段 |
节能率数据综合自Afram & Janabi-Sharifi (2014)、Drgoňa et al. (2020)等综述文献，实际效果因建筑和系统而异。
参考文献
- Åström, K.J. & Hägglund, T., PID Controllers: Theory, Design, and Tuning, 2nd Edition, ISA, 1995.
- Afram, A. & Janabi-Sharifi, F., “Theory and applications of HVAC control systems–A review of model predictive control (MPC)”, Building and Environment, 72, 343-355, 2014.
- Drgoňa, J. et al., “All you need to know about model predictive control for buildings”, Annual Reviews in Control, 50, 190-232, 2020.
- Underwood, C.P., HVAC Control Systems: Modelling, Analysis and Design, E & FN Spon, London, 1999.
- Wang, Z. & Hong, T., “Reinforcement learning for building controls”, Applied Energy, 269, 115036, 2020.
- Killian, M. & Kozek, M., “Ten questions concerning model predictive control for energy efficient buildings”, Building and Environment, 105, 403-412, 2016.
- 李树江, 秦泗钊, “基于模糊控制的暖通空调系统温湿度控制”, 《暖通空调》, 33(4), 2003.