精度只提升0.63%，控制稳定性却提升了80%——这背后的秘密，就藏在这支“温度计”里。
结论先行
最近，我们做了一组实验，发现了一个反直觉的结果：
负荷预测精度：仅提升 0.63%（微乎其微）
温度控制稳定性：提升 80.43%（质的飞跃）
这意味着什么？
中央空调系统MPC（模型预测控制）落地的关键，从来不是把负荷算得绝对准，而是让AI在做预测时，手里始终握着一支“实时温度计”——边猜边看，错了马上改。
我们是怎么做到的？答案是：闭环负荷灰模型（CLLGM）。
这是我们最近发表的一项研究，
提出了这套解决思路：
论文首页
闭环负荷灰模型（CLLGM）——以及它在真实HVAC实验室中的验证过程。从三种负荷计算方法的对比，到MPC控制器的三层架构，再到9天现场实验的定量评估，我们试图用一组完整的数据链，说明"闭环"二字到底意味着什么。
01
先说说痛点：
为什么现在的空调节能总在“事后救火”？
公共建筑空调能耗占比高达40%，但大多数系统还在用PID控制——热了才制冷，人多了才通风，始终慢半拍。
MPC（模型预测控制）被喊了十几年，实验室节能率动辄20%-30%，一到真实现场就“打折”。为什么？三个死穴：
困境 | 通俗解释 |
控制视野局限 | 传感器能告诉你“现在热爆了”，却回答不了“下午3点西晒最猛时怎么办”。 |
决策依据割裂 | 预测算一套、仿真跑一套、控制做一套——三个和尚没水喝。 |
修正机制滞后 | 等温度超标了才加大制冷，典型的“马后炮”。 |
而传统AI做预测， 是闭着眼睛猜。 猜完就给控制器，猜错了也没人告诉它。我们对比了当下暖通领域常用的 4 类数据预测算法，在统一数据集下的训练精度如下：
预测算法 | MAPE | MAE | 决定系 数R² | 综合表现 |
人工神经网络(ANN) | 2.21% | 56.42 | 0.9425 | 误差最大 |
随机森林 (RF) | 1.46% | 37.19 | 0.9712 | 表现中等 |
支持向量回归 (SVR) | 1.37% | 35.09 | 0.9741 | 表现优良 |
XGBoost 黑盒基准 | 1.29% | 33.37 | 0.9775 | 精度最优 |
结合行业数据来看，国内存量老旧公共建筑占比超 60%，这类建筑普遍存在图纸缺失、围护结构参数不全的问题，传统白盒模型负荷预测误差常年高于 20%；而纯数据模型又极易受室外气温、人员流动干扰，温控偏差普遍超过 2℃，MPC 节能技术因此难以规模化落地。
02
我们的解法：
给AI装上一支“实时温度计”
CLLGM（Closed-Loop Load Gray Model）的核心创新只有一句话：
把“事后纠偏”变成“边预测边校准”。
步骤 | 动作 | 通俗理解 |
① | AI 先估：XGBoost 基于历史数据，快速生成负荷基线 | "凭经验，先猜一个数" |
② | 仿真推演：FMU 模型模拟 "按这个负荷运行，室温怎么走" | "在脑子里过一遍" |
③ | 实测纠偏：把真实测到的室温和推演结果对比 | "发现不对" |
④ | 动态修正：偏差超限就调整负荷，重新迭代 | "立刻调整，直到对上" |
这支“实时温度计”每15分钟循环一次，最多迭代10轮。 相当于给AI装上了一双眼睛——它不再是闭着眼睛瞎猜，而是边猜边看、边看边改。
一句话总结：不是“错了再改”，而是“边预测边校准”。
迭代核心四步
03
实验结果：
0.63%的精度提升，换来了80%的稳定性改善
我们在中南建筑设计院HVAC实验室（由老旧建筑改造而来，围护结构参数缺失——正是白盒模型的噩梦场景）进行了9天对比实验。
9天实验结果：
控制器类型 | 测试天数 | 日平均运行功率 (kW) | 当日能耗 波动幅度 |
白盒模型 | 第 1 天 | 1289.7 | 12.31% |
白盒模型 | 第 2 天 | 1389.5 | 15.62% |
白盒模型 | 第 3 天 | 1390.6 | 15.70% |
黑盒模型 | 第 1 天 | 1421.3 | 8.21% |
黑盒模型 | 第 2 天 | 1498.7 | 13.56% |
黑盒模型 | 第 3 天 | 1499 | 13.58% |
CLLGM | 第 1 天 | 1321.5 | 5.32% |
CLLGM | 第 2 天 | 1378.9 | 4.98% |
CLLGM | 第 3 天 | 1377.8 | 4.90% |
三组控制器同台竞技综合评分：
指标 | 白盒 | 黑盒 XGBoost | 灰盒 |
平均负荷预测误差（MAPE） | 22.04% | 13.77% | 13.14% |
温度偏差积分 （TDI） | 4.86 ℃·h | 1.44 ℃·h | 0.28 ℃·h |
最大偏差 （MDE） | 2.46 ℃ | 2.11 ℃ | 0.74 ℃ |
综合控制评分 | 38.72 | 73.91 | 86.15 |
最反直觉的发现：
CLLGM的预测精度只比纯数据驱动模型好了0.63%，但温度控制稳定性好了80.43%，综合评分提升了16.55%。
这说明什么？
MPC落地的瓶颈，从来不是“预测有多准”，而是预测和控制模型之间有没有对齐。
纯数据驱动模型预测得再准，也是“准”在真实负荷上；但控制器里的仿真模型本身有简化假设和参数偏差。两套模型各自为战，误差在控制循环里叠加、放大。
CLLGM的闭环机制，本质上是持续压缩这个“匹配误差”——不是让预测更准，而是让预测和控制模型“拧成一股绳”
04
从实验室到工程场景
这场实验的场地选得很有意思——它是一个由老旧建筑改造而来的实验室：
围护结构参数缺失（白盒模型的噩梦）
PLC联网，支持云端-边缘协同（为闭环反馈提供数据通道）
15分钟控制周期（兼顾稳定性与计算可行性）
这意味着：
CLLGM不需要完美的建筑参数（白盒的痛点），也不依赖海量高质量数据（黑盒的瓶颈），而是用闭环反馈把“不完美的预测”和“不完美的模型”拧成了一股绳。
局限与下一步：
坦诚说，目前这项研究只在武汉夏季、单一实验室完成验证。不同气候区、不同建筑类型、不同系统配置的泛化能力，是我们下一步必须回答的问题。
未来工作将聚焦于：
1.扩展到更多建筑类型和气候区
2.优化算法、降低计算开销
3.融入更多动态扰动因素（如人员行为）
结语
目前，我们自主研发的建筑能碳一体化管理平台，已完成闭环负荷灰模型（CLLGM）这项节能黑科技的深度集成。平台依托云端 + 边缘协同架构，沿用动态校准的运行逻辑，把实验室算法转化为标准化功能模块，可直接对接各类公共建筑中央空调系统。
建筑能碳一体化管理平台
该技术模块无需依赖完整建筑图纸与高精度设备参数，完美适配存量老旧建筑改造场景。在平台原有能耗监测、碳排放统计、设备远程管控的基础上，新增 AI 负荷预测与闭环动态调控能力，帮助建筑实现空调系统自主调优、节能稳温，真正让前沿科研成果落地产生实际价值。
以前做节能，总想建一个“完美模型”，算准每一瓦负荷。但现实是骨感的：老建筑没图纸、传感器有噪音、天气会突变。
CLLGM的思路是：既然模型不可能完美，那就给它装上一支“实时温度计”，边干边学、边猜边改。
0.63%的精度提升撬动了80%的稳定性改善——这个投入产出比告诉我们：
建筑节能的未来，不在于预测多准，而在于反应多快。
让建筑从“被动响应”走向“自主进化”，这可能是我们这一代工程师能给绿色建筑最实在的贡献。
论文信息
Zhang, S., Lei, X., Shan, X., Li, T., & Wu, W. (2026).
Optimization of an MPC Controller Based on a Hybrid Cooling Load Prediction Model and Experimental Validation in HVAC Systems. Buildings, 16(6), 1269.
https://doi.org/10.3390/buildings16061269
研发团队
张 慎、程 明、雷雪莲、吴 燕
吴文宇、武新锴、钱俊豪、高龙祥
李佳欣、李 昀、杨泽旺
点击收藏，并建立自己的在线数据库
评论