Dans les systèmes HVAC industriels, afin d'améliorer la précision du contrôle en présence de grandes perturbations, la commande prédictive basée sur modèle (MPC) est largement utilisée. Cet article propose une MPC non linéaire pour les systèmes à débit d'air variable (VAV). Cette MPC non linéaire utilise un réseau autoregressif non linéaire avec entrée externe (NARX) et un algorithme d'optimisation par essaim de particules (PSO). Le modèle NARX vise à prédire les paramètres contrôlés du système VAV (température ambiante), tandis que le PSO agit comme optimiseur pour obtenir les variables de contrôle optimales du système VAV. En attribuant des poids différents aux objectifs de la fonction de coût, la MPC non linéaire proposée peut équilibrer la précision du contrôle et les besoins en économie d'énergie du système VAV pour atteindre différents effets de contrôle. Deux scénarios avec des poids différents ont été vérifiés sur un système VAV en laboratoire, où le scénario 1 ne prend en compte que la précision du contrôle, et le scénario 2 prend en compte à la fois la précision du contrôle et l'économie d'énergie. Les résultats des deux scénarios MPC obtenus expérimentalement ont été comparés à la méthode de pression constante basée sur un contrôleur PI. Les résultats montrent que : le scénario 1 basé sur MPC peut maintenir la température ambiante stable dans une plage de précision de ±0,5 ℃ par rapport à la consigne ; le scénario 2 basé sur MPC affiche une meilleure caractéristique d'économie d'énergie, avec un taux d'économie d'énergie atteignant 23,7% par rapport à la méthode de pression constante.

Commande prédictive non linéaire; système à débit d'air variable; modèle de réseau neuronal; optimisation par essaim de particules