在超低温第四代区域供热网络中，对模型预测控制（Model Predictive Control, MPC）与基于MPC规则的控制系统（Rule-Based Control informed by MPC）在热储存运行方面的比较分析

本研究比较了模型预测控制（MPC）与基于规则控制（RBC）在第四代超低温集中供暖网络中的热存储控制策略，提出了一种MPC指导的简化RBC方法。通过分析关键系统变量生成规则，在丹佛实际案例中验证，RBC达到MPC约96%的性能，同时显著降低复杂性，验证了MPC与RBC结合的有效性。

　　

埃莱娜·穆拉（Elena Mura）|克里斯托弗·贝（Christopher Bay）|埃娃·希托（Eva Schito）|保罗·孔蒂（Paolo Conti）|达尼埃莱·泰斯蒂（Daniele Testi）|马可·拉乌吉（Marco Raugi）

帕维亚大学高等研究院（University School of Advanced Studies, IUSS Pavia），地址：意大利帕维亚27100，胜利广场15号（Piazza della Vittoria 15, Pavia 27100, Italy）

摘要

将热存储和热泵集成到区域供热网络（District Heating Networks, DHNs）中可以显著提高运营灵活性和能源效率；然而，先进控制策略的实际应用往往受到预测需求和计算复杂性的阻碍。本研究对超低温第四代区域供热网络中的热存储控制策略进行了比较分析，重点开发了一种基于规则的简化控制（Rule-Based Control, RBC）方法，该方法明确借鉴了模型预测控制（Model Predictive Control, MPC）的原理。所提出的方法系统地分析了在理想预测条件下，由MPC控制的系统的充放电决策，并根据关键系统变量（包括室外温度、热需求和电价）提取出重复的控制模式。这些模式被转化为一系列结构化的、基于时间和条件的规则，从而形成了一种融合了预测洞察力的MPC信息RBC，同时保持了实施的简便性和运营的透明度。该方法在美国科罗拉多州丹佛的一个实际混合用途城区进行了验证，该城区配备了中央空气源热泵、分布式水-水热泵和中央热存储单元。结果表明，调整后的RBC实现了接近MPC理想经济性能的96%（成本降低了27%），并保持了技术和环境指标的值（仅减少了2-3%），同时大幅降低了复杂性。敏感性分析进一步证明了RBC在不同运营条件（如环境温度和电价）下的稳健性。总体而言，本研究表明，基于规则的MPC控制能够在控制性能和实际应用性之间找到有效的平衡，使得在保持简单性、稳健性和实施便利性的同时，集成额外的系统组件成为可能。

引言

空间供暖是建筑领域最大的能源终端用途，其中大部分需求集中在美国和欧洲等西方发达国家[1]。2021年，天然气仍满足了全球42%的供暖需求，在美国、英国和意大利等国家，这一比例超过了60%。尽管区域供热网络（DHNs）仅提供了总供暖量的10%，但最新几代DHNs被广泛认为是实现供暖行业脱碳的关键手段，提供了一种可扩展且高效的方式，用于整合可再生能源和二次能源以及更清洁的技术[2]、[3]、[4]。事实上，早期的配置依赖于蒸汽或高温热水和化石燃料发电，而最近的第四代和第五代DHNs（4GDHN和5GDHN）通过降低运行温度来提高效率，并与可再生能源和二次热源更好地兼容[5]、[6]、[7]。虽然5GDHN在架构上与4GDHN有所不同（前者同时提供供暖和制冷，并考虑了更加分散的发电方式），但当供应温度低于70°C时，这两种类型的DHNs都被视为低温网络；如果供应温度低于45°C，则被视为超低温网络[8]、[9]。降低供应温度可以最小化热损失，提高热需求与供应之间的匹配度[10]，促进可再生能源和二次能源的整合[11]，并提高大多数热发电的第二定律效率[12]。

在这种背景下，由于热泵（Heat Pumps, HPs）的性能在低温环境下显著提升，预计它们将在未来的DHN系统中发挥核心作用，通过提供灵活性并替代化石燃料进行中央发电[13]。基于热泵的系统，尤其是与可再生能源结合使用时，平均可减少64%的碳排放[14]。大规模热泵越来越多地被用于利用低品位热源，如环境水、污水、工业废热和地热能[15]、[16]。另一方面，分散式热泵可以用作超低温系统中的增压装置，实现足够高的性能系数（Coefficient of Performance, COP）[17]。结合中央和分散式热泵的混合配置，可以优于完全集中式或完全分散式的系统[18]。实际上，中央能源枢纽能够优化热发电，降低运营成本并提高整体系统效率，而分散式热泵则提供局部灵活性，适应每栋建筑的具体热需求，并允许网络在较低温度下运行，从而减少分配损失。这种设置还增强了系统的韧性，因为在供应不足的情况下，无论是通过中央还是本地方式都可以满足需求，甚至可以依赖多种可再生能源。Degelin等人[19]证实，结合中央和增压热泵可以提高季节性性能系数（COP），尽管相对于仅使用中央或分散式热泵，其平准化能源成本会稍高。当热存储（Thermal Storage, TS）集成到此类系统中时（通常位于中央枢纽），它可以通过解耦发电和需求以及支持可变可再生能源电力的整合来进一步提高运营灵活性[20]、[21]、[22]。案例研究进一步强调了其在缓解电气化DHNs中电价波动方面的作用[23]，以及在集成可再生能源的系统中的有效性，特别是当采用中央水箱存储时[24]。大规模热存储还被证明可以在基于太阳能和热泵的DHNs中显著减少二氧化碳排放，证实了其在低碳区域供热中的重要性[25]、[26]、[27]。然而，这些效益的实现程度取决于热存储如何与热泵协调运行、需求概况、环境条件和电价。随着DHNs向更加电气化和灵活的架构发展，设计能够充分利用热存储和热泵协同效应的有效控制策略成为核心挑战。

在这种情况下，传统的控制方法通常依赖于基于规则的控制（Rule-Based Control, RBC）策略，这些策略使用预定义的规则和启发式方法根据系统状态和阈值做出控制决策。这些方法通常因其低成本实施和管理而有效且具有吸引力[28]，但当系统的动态行为无法被规则充分捕捉时，性能会下降。相比之下，模型预测控制（Model Predictive Control, MPC）作为一种先进的优化DHNs的方法应运而生。通过预测和适应变化的输入和系统条件，MPC更适合现代复杂的DHNs，能够在尊重系统约束的同时最小化特定目标函数[29]。MPC的更高适应性伴随着更大的计算和实施负担。除了MPC和RBC之外，DHN研究中还探索了其他先进控制策略（例如基于机器学习神经网络的数据驱动方法[30]、数据驱动的决策方法[31]和深度强化学习[32]），但这些方法通常需要大量的数据集、较长的训练时间和大量的计算资源，这可能阻碍它们在现实世界DHNs中的实际应用。

为了解决应用单一方法（RBC或MPC）所带来的局限性，本研究专注于DHN中热存储操作的控制，旨在找到一种简单可靠的解决方案，该方案可以在数字化程度较低的环境中实施，同时保留预测控制的部分适应性。所提出的方法结合了MPC和RBC的优势，利用MPC运行的洞察力来指导增强型RBC策略的设计，从而在适应性和简便性之间找到潜在的平衡。所选网络架构采用了一种新的配置，集成了中央和分散式热泵以及热存储。具体来说，在美国科罗拉多州丹佛的一个实际混合用途城区，实施并比较了MPC控制器和MPC引导的RBC策略。分析首先评估了热存储集成在该系统中的好处，然后研究了简化的RBC是否能够在保持基于规则方法的实施便利性和降低的计算负担的同时，复制MPC的季节性性能。

本文的结构如下：第2节进行了文献回顾，强调了本研究的新颖性。第3节描述了建模框架，包括能源系统组件、MPC公式、用于推导MPC信息RBC的方法论、案例研究以及用于评估的性能指标。第4节展示了结果，讨论了不同控制策略的季节性性能和每小时行为。第5节进一步讨论了RBC的稳健性和MPC对预测范围长度和预测准确性的敏感性。最后，第6节提出了研究的关键发现及其潜在的未来影响。

节选内容

MPC和RBC在DHNs中的控制

RBC策略依赖于从启发式或历史趋势中得出的静态规则，适用于稳定系统或实时优化不必要或计算上不可行的系统。由于其低成本、稳健性和简便性，RBC在DHNs中仍然被广泛采用。例如，Saloux和Candanedo[33]为带有热存储的太阳能DHN开发了一种优化的RBC策略，使用基于存储充电状态的简单规则，实现了43%的电力使用量减少

方法

分析重点比较了在美国科罗拉多州丹佛的一个混合用途城区服务的低温4GDHN在两种不同控制策略下的运行情况。控制重点关注水箱热存储单元，该单元能够将中央热发电与DHN的热需求在时间上解耦，从而提高系统效率。

结果

以下部分的结果仅适用于本研究考虑的特定区域，因此应在选定的案例研究范围内进行解释，因为它们受到该地区的气候条件、建筑类型和系统配置的影响。所提出的控制策略的有效性和运营行为本质上依赖于具体情境，无论是不断根据实时系统输入调整决策的MPC，还是基于MPC信息的控制策略

讨论

在季节性性能分析之后，本节对控制策略进行了批判性反思，重点关注MPC和RBC方法的稳健性和适应性。进行了敏感性分析，以了解外部因素和控制器设计选择对系统性能的影响。

结论

本研究调查了在配备中央空气源热泵（ASHP）和分散式水-水热泵（WWHPs）的4GDHN中集成热存储的情况，重点关注不同热存储控制策略对系统性能的影响。选择了两种不同的系统控制方法：一种针对能源消耗的MPC方法（MPC-E）或针对运营成本的MPC方法（MPC-C），以及一种基于观察到的MPC解决方案行为的RBC方法，旨在复制预测控制在管理中的好处

作者贡献声明

埃莱娜·穆拉（Elena Mura）：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。克里斯托弗·贝（Christopher Bay）：撰写——审稿与编辑、监督、软件、资源、方法论、调查、形式分析、概念化。埃娃·希托（Eva Schito）：撰写——审稿与编辑、可视化、验证、监督、方法论、调查、形式分析、数据整理、概念化。保罗·孔蒂（Paolo Conti）：撰写——审稿与编辑

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究及其相关研究是在意大利跨大学可持续发展与气候变化博士课程（https://www.phd-sdc.it/）的支持下进行的。本研究还部分得到了国家研究、技术与发展基金（National Foundation for Research, Technology and Development）的资助，资助协议编号为901255。作者声明没有利益冲突。资助方在研究的设计、数据收集、分析或解释方面没有发挥作用；