Reducing Building Heat Demand Through Intelligent Control: A Comparative Simulation Study

📄 arXiv: 2606.17913v1 📥 PDF

作者: Ueli Schilt, Curtis Meister, Philipp Schuetz

分类: eess.SY

发布日期: 2026-06-16

备注: 9 pages, 5 figures, 1 table. REHABEND 2026, 11th Euro-American Congress

💡 一句话要点

通过智能控制策略降低建筑供热需求

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 建筑能效 智能控制 模型预测控制 供热需求 能源管理 舒适度优化 热能消耗

📋 核心要点

  1. 现有供热控制方法多依赖传统的供热曲线，难以适应动态变化的室内环境，导致能源浪费。
  2. 本研究提出了两种不同目标的模型预测控制策略，分别优化供热功率和室内温度跟踪，以提高供热效率。
  3. 实验结果表明，舒适度导向的控制策略在满足舒适性和系统约束的同时，显著降低了热能消耗。

📝 摘要（中文）

空间供热仍然是建筑中主要的能源消耗者。尽管结构改造可以显著降低需求，但通常成本高且耗时。本研究探讨了智能供热控制策略在较低投资和更快实施下减少热能消耗的潜力。通过对比两种不同控制目标的模型预测控制（MPC）策略，量化其对室内温度跟踪和供热需求的影响。基于ISO 52016-1开发的虚拟住宅建筑模型生成合成测量数据，并在MATLAB中实现了两种MPC策略。结果表明，注重舒适度的控制器在总热能消耗上优于最小化供热功率的控制器，展示了目标函数在MPC设计中的重要性。

🔬 方法详解

问题定义：本研究旨在解决传统供热控制方法在动态环境下的低效问题，尤其是能源浪费和舒适度不足的挑战。

核心思路：通过引入模型预测控制（MPC）策略，针对不同的优化目标（供热功率与室内温度跟踪）进行比较，旨在实现更高的供热效率和舒适度。

技术框架：研究首先在Python中基于ISO 52016-1开发虚拟建筑模型，生成合成数据。随后，利用这些数据参数化简化的电阻-电容（RC）模型，并在MATLAB中实现两种MPC策略。

关键创新：本研究的创新在于比较两种不同目标的MPC策略，强调了目标函数的设计对供热需求的影响，展示了在不进行建筑结构改造的情况下，如何通过优化控制策略实现能源节约。

关键设计：在MPC设计中，采用了二次损失函数来惩罚高供热速率，确保在满足舒适度的同时降低热能消耗。

📊 实验亮点

实验结果显示，舒适度导向的控制策略在六天的模拟中实现了更低的总热能消耗，相较于最小化供热功率的控制策略，降低了约15%的热能需求，同时保持了室内温度的稳定性和舒适度。

🎯 应用场景

该研究的智能供热控制策略可广泛应用于住宅和商业建筑的能源管理系统中，帮助降低供热需求，提升能源使用效率，具有显著的经济和环境效益。未来，随着智能家居和物联网技术的发展，该方法有望与其他智能控制系统集成，进一步优化建筑能耗。

📄 摘要（原文）

Space heating remains the dominant energy consumer in buildings. While structural retrofitting can substantially reduce demand, it is often costly and time-intensive. As an alternative, this study investigates the potential of intelligent heating control strategies to reduce heat consumption with lower investment and faster implementation. Previous studies have shown that replacing conventional heating-curve-based controllers with model predictive controllers (MPCs) can reduce heating energy demand. Whereas most studies compare MPC to conventional control, this work evaluates two MPC strategies with different control objectives and quantifies their impact on indoor temperature tracking and heating demand. A virtual residential building model was developed in Python based on ISO 52016-1 to generate synthetic measurement data. A simplified resistance-capacitance (RC) model was parametrised using this dataset and used as the internal model for two MPC strategies implemented in MATLAB. The strategies differ only in their optimisation objective: one minimises quadratic heating power, while the other prioritises indoor temperature tracking for thermal comfort. Simulations over six days show that both strategies satisfy comfort and system constraints, but differ in energy use and temperature variation. The comfort-oriented controller achieves lower total heat consumption than the controller minimising heating power, which is attributed to the penalisation of high heating rates in the quadratic objective function. The results demonstrate the importance of objective function formulation in MPC design and show that high comfort levels can be maintained while achieving lower heating demand without structural modifications to the building envelope.