In industriellen HVAC-Systemen wird zur Verbesserung der Regelgenauigkeit bei großen Störungen weit verbreitet die modellprädiktive Regelung (MPC) eingesetzt. Dieser Artikel stellt eine nichtlineare MPC für Variabler Luftvolumenstrom (VAV)-Systeme vor. Diese nichtlineare MPC verwendet ein nichtlineares autoregressives Netzwerk mit externen Eingaben (NARX) und den Partikelschwarmoptimierungsalgorithmus (PSO). Das NARX-Modell soll die gesteuerten Parameter des VAV-Systems (Raumtemperatur) vorhersagen, PSO dient als Optimierer, um die optimalen Stellgrößen des VAV-Systems zu ermitteln. Durch die Vergabe unterschiedlicher Gewichtungen an die Zielsetzungen der Kostenfunktion kann die vorgeschlagene nichtlineare MPC die Balance zwischen Regelgenauigkeit und Energieeinsparung des VAV-Systems erreichen, um verschiedene Regelwirkungen zu erzielen. Zwei Szenarien mit unterschiedlichen Gewichtungen wurden an einem Labor-VAV-System validiert, wobei Szenario 1 nur die Regelgenauigkeit berücksichtigte und Szenario 2 sowohl Regelgenauigkeit als auch Energieeinsparung. Die experimentell erzielten Regelwirkungen der MPC beider Szenarien wurden mit der auf einem PI-Regler basierenden Konstantdruckmethode verglichen. Die Ergebnisse zeigen: Das auf MPC basierende Szenario 1 kann die Raumtemperatur stabil im Bereich ±0,5 ℃ um den Sollwert halten; das auf MPC basierende Szenario 2 zeigt bessere Energieeinsparungseigenschaften und erreicht im Vergleich zur Konstantdruckmethode eine Energieeinsparrate von 23,7%.

Nichtlineare modellprädiktive Regelung; variabler Luftvolumenstrom; neuronales Netzwerkmodell; Partikelschwarmoptimierung