辦公樓室內環境品質控制與優化

孫光++于軍琪++趙安軍

摘要：室內辦公環境品質直接影響辦公室中人員的工作效率和健康，需要進行有效地控制和優化，以保證其舒適性、低能耗和健康的要求。以某辦公室為對象，研究了室內環境品質各參數和控制量之間的關系，建立了室內環境品質雙線性模型。利用實驗數據進行了模型驗證，結果表明：模型輸出能較好擬合實際情況；并基于模型預測方法進行室內環境品質控制，通過夏季工況仿真實驗證明了提出方法比傳統控制方式具有更小的穩態誤差和較小的超調性，且更加節能。

關鍵詞：室內環境品質；最小二乘辨識；預測控制；辦公室

中圖分類號：TU111.19文獻標志碼：A文章編號：16744764（2017）01006008

收稿日期：20160619

基金項目：國家自然科學基金（51508445）；陜西省科技計劃國際合作項目（2014KW17）；教育部留學回國人員科研啟動基金（教外司留[2014]1685號）

作者簡介：孫光（1991），男，主要從事室內環境品質控制研究，（Email）sunguang8569@sina.com。

Received：20160619

Foundation item：National Natural Science Foundation of China （No. 51508445）； International Cooperation Project of Shaanxi Province Science and Technology Plan （No. 2014KW17）； Scientific Research Foundation for the Returned Overseas Chinese Scholars， Ministry of Education （Teaching Outside the Secretany of Stay [2014]No. 1685）

Author brief：Sun Guang （1991 ）， main research interest：indoor environment quality control， （Email） sunguang8569@sina.com.Control and optimization of indoor environmental quality in an office building

Sun Guang， Yu Junqi， Zhao Anjun

（School of Information and Control Engineering， Xi'an University of Architecture & Technilogy， Xi'an 710055， P. R. China）

Abstract：The indoor environment quality of office is closely related with the work efficiency and the health of the staff . Its important to take effective control and optimization measures to ensure the comfort， low energy consumption and health requirements of the office. The relationship between the indoor environment parameters and control variables is studied by using an office as a case. And the bilinear model of the indoor environment quality is established. The results showed that the model output can better fit the actual situation by using the experimental data verification. Meanwhile， based on the predictive control， using the working condition of the summer simulation experiments， it shows the method has a smaller steadystate error and small super tonality， and is more energy efficient than the traditional control mode.

Keywords：indoor environment quality； least squares identification； predictive control；office

良好的辦公環境在保障辦公人員高效工作的同時，還可以保障人員的身體健康[12]。室內環境品質中，以空氣品質和熱環境因素對人的影響尤為顯著[3]。從建筑節能的角度來看，采用自然通風方式來調節室內溫度是最佳選擇；而從人體熱舒適角度來看，由于辦公建筑室內人員相對密集，在夏季面積小、房間分散、熱濕負荷相差較大的場合，辦公建筑仍舊使用空調來調節室內溫度以保證室內熱舒適性。通常情況下，在使用空調時將門窗緊閉，保證了室內的熱舒適性，卻導致室內空氣品質較差。創造環境品質良好的工作環境是以犧牲資源為代價的，如何對空調、風機等進行合理的控制及優化，使其既能保證室內環境品質又能節約能源，有著重要意義。

關于室內環境品質的控制優化研究，Castilla等[4]對幾種熱舒適控制策略進行了比較，結果表明，采用系數加權的模型預測控制MPC（Model Predictive Control）控制器對熱舒適性具有更好的控制效果。Yang等[5]提出了基于多代理的控制框架，用多目標粒子群算法MOPSO（MultiObjective Particle Swarm Optimization）進行優化，將其應用于解決智能建筑能源消耗和整體舒適水平之間的問題，結果表明，利用MOPSO算法優化的多代理控制可有效解決能源和舒適性的矛盾。Wang等[6]使用基于加權平均聚集OWA（Ordered Weighted Averaging）算法進行信息融合的建筑節能和室內舒適性的管理模式，采取具有啟發式智能優化的多代理控制系統以實現能源的節約和室內熱環境舒適性的提高，仿真驗證表明，該方法不僅使整體舒適性提高3%，而且節約了9%的能源。Preglej等[7]提出了一種以多變量預測函數為基礎的模糊控制模型FMBMPC（Fuzzy ModelBased Multivariable Predictive Control），并對HVAC（Heating，Ventilation and air Conditioning）系統進行控制，結果表明，FMBMPC算法的控制效果優于傳統的PI方法且更加節能。上述研究表明，室內環境品質控制和耗能優化中，模型預測控制[810]通過建立室內環境品質控制與優化模型，可以預測建筑室內環境品質參數的變化，從而及時調整控制和優化方案，是控制室內環境品質的有效手段。

研究表明，如何建立室內環境品質參數的預測模型并實時調整控制方案，使其既滿足室內舒適性的要求，又能降低其整個運營周期的能耗，已經成為暖通空調領域研究中一項極其受關注的工作。室內熱環境對人體的舒適性造成很大影響，而室內空氣品質不佳會導致室內人員產生頭暈發悶等不舒適感，甚至會影響人體的健康。筆者綜合考慮室內熱環境及室內空氣品質的影響，提出室內環境品質的建模及控制方法，在保證室內環境品質的基礎上節能降耗。針對西安建筑科技大學某辦公室，采用機理建模的方法建立室內環境參數的數學模型，用最小二乘辨識的方法確定室內環境品質數學模型的相關參數。基于該模型，使用預測控制的方法對空調及風機進行控制。利用TRNSYS搭建物理模型，對以上方法進行模擬驗證，并與傳統的控制方式進行對比，結果表明，基于模型預測的方法可保證室內的環境品質并節約能源。

1室內環境的數學模型描述

1.1建筑特征及控制系統描述

以西安建筑科技大學某辦公室為對象，研究在特定氣候環境和建筑結構下室內環境參數的有效控制問題。為了驗證該預測及控制模型的可靠性，通過對該辦公建筑的實際調研，采用建筑能耗模擬工具TRNSYS建立了西安地區的辦公室建筑模型，模型既能反映實際建筑的主要熱工特性，也滿足國家及地方建筑標準各項參數。辦公室大小為7.2 m×7.5 m×3.0 m，室內人員數量6～8人，南向窗墻比為30%，西向窗墻比為40%，東向及北向墻上無窗，圍護結構材料及熱工性能取值如表1所示，建筑的基本參數如表2所示。

表1建筑模型圍護結構材料及熱工性能取值

Table 1The performance of building envelopes and thermal characteristics parameters名稱面積/m2結構密度/

（kg·m-3）導熱系數/

[W·（m·K）-1]比熱容/

[kJ·（kg·K-1） -1]厚度/mm傳熱系數西墻22.5南墻21.6地板54.0頂板54.0東墻22.5北墻21.6水泥砂漿1 8000.93120燒結多孔磚1 2000.761.05240水泥砂漿1 8000.93120水泥砂漿1 8000.93120燒結多孔磚1 2000.761.05240水泥砂漿1 8000.93120水泥砂漿1 8000.93125輕質混凝土1 2000.381200水泥砂漿1 8000.93125水泥砂漿1 8000.93125輕質混凝土1 2000.381200水泥砂漿1 8000.93125玻璃隔檔墻單層LOE玻璃，厚度為25 mm玻璃隔檔墻單層LOE玻璃，厚度為25 mm2.4042.4040.4890.4892.8322.832表2模擬建筑物概況及設備參數

Table 2The outline and device parameters of the simulated building建筑物

類型房間尺寸人員密度/

（m2·人-1）照明強度/

（W·m-2）設備負荷密度/

（W·m-2）空氣滲透/

（次·h-1）溫度調節

設備通風設備辦公建筑7.2 m×7.5 m×

3 m711200.5 功率7 200 W，

COP為2.7功率200 W，最大風量4 000 m3/h，無極調速

室內環境品質模型預測控制系統的原理框圖如圖1所示。

圖1室內環境品質控制原理框圖

Fig. 1The control principle diagram of the

indoor environment quality圖1中，ACT為改善室內環境品質的執行器（空調設備，排風機），BEMS為建筑能耗管理系統，完成室內環境品質參數的采集和對執行器的控制，k為采樣時刻，x（k）為狀態變量，y（k）為輸出變量，u（k）為控制變量，d（k）為干擾變量（門的開度、人員吸煙等），xs為設定值。

非線性狀態方程：x（k+1）=f（x（k），u（k），d（k））

控制器輸出方程：u（k）=g（xs，y（k））

室內環境品質中，以空氣品質和熱環境因素對人的影響尤為顯著，而室內空氣質量變差最主要的因素為室內人員產生的CO2濃度過高，所以選取溫度、CO2濃度為環境被控變量。x（k）=[CO2in（k）Tin（k）CO2out（k）Tout（k）]T=

[xTin（k）xTout（k）]T（1）式中：CO2in（k）為k時刻室內CO2質量百分比，10-6；Tin（k）為k時刻室內溫度，℃；CO2out（k）為室外空氣中CO2質量百分比，10-6；Tout（k）為室外溫度，℃。

控制變量為u（k）=[W（k）AC（k）]T（2）式中：W為風機開度，全關為0，全開為1，線性輸出；AC為加熱或制冷輸出，制冷為-1，加熱為+1，關閉為0。

設定值為xs=[CO2spTsp]T（3）式中：CO2sp為CO2質量百分比設定值；Tsp為溫度設定值。

1.2環境品質模型描述

由圖1可知，k+1時刻的建筑環境變量可以通過一個雙線性模型[11]描述，如式（4）。xp（k+1）=xp（k）+λ1·f1（u（k），xp（k），d（k））+

…+λm·fm（u（k），xp（k），d（k））（4）式中：λi=λ1…+λm為與特定建筑相關的因數，通過系統辨識確定[12]。

k+1時刻室內CO2質量百分比是一個與k時刻室內CO2質量百分比、風機轉速和室外CO2質量百分比有關的線性函數，可以用式（5）描述。CO2in（k+1）=CO2in（k）+

α1W（k）[CO2out（k）-CO2in（k）]+C1（5）式中：C1為室內人員在一個采樣時間間隔內產生CO2的速率，α1為常數通過系統辨識確定。

k+1時刻室內溫度是一個與k時刻室內溫度、室外溫度和空調及風機開度有關的線性函數，可以用式（6）描述。Tin（k+1）=Tin（k）+β1W（k）[Tout（k）-Tin（k）]+

β2AC（k）+β3[Tout（k）-Tin（k）]+C2（6）式中：C2為室內人員在一個采樣時間間隔內產生的熱量；β1、β2、β3為常數，通過系統辨識確定。

基于式（5）、（6），系統可以用如式（7）的雙線性模型描述。x（k+1）=1000

01-β300

001（k）β3

0002（k）x（k）+

-α10α10

0-β20β2

0000

0000 x（k）W（k）+

00

0β1

00

00 u（k）+C1

C2

0

0 （7）1.3數據采集及模型辨識

采用機理建模的方法建立室內環境品質的數學模型后，用最小二乘辨識的方法確定相關參數。xp（2）-xp（1）-C

xp（3）-xp（2）-C

xp（n-1）-xp（n-2）-C

xp（n）-xp（n-1）-C=f1（u（1），xp（1））…fm（u（1），xp（1））

f1（u（2），xp（2））…fm（u（2），xp（2））

f1（u（n-2），xp（n-2））…fm（u（n-2），xp（n-2））

f1（u（n-1），xp（n-1））…fm（u（n-1），xp（n-1））λ1

λm（8）或x=Fλ（9）最小二乘估計如式（10）所示。=（FTF）-1FTx（10）根據式（11），下一時刻的xp（k+1）可以通過當前時刻xp（k）及u（k）的值通過式（11）預測。xp（k+1）=xp（k）+1f1（u（k），xp（k））+

…+mfm（u（k），xp（k））（11）辨識實驗數據獲取方法：能耗管理系統采用德易安建筑能耗管理及控制平臺，通過室內溫度、CO2質量百分比傳感器采集室內環境參數；室外數據通過crossbow氣象站系統獲取；空調器和排風扇均連接在該平臺上，通過紅外遙控控制室內的溫度和CO2質量百分比。在實驗過程中，簡化了空調和排風扇控制的復雜性。對于空調控制，出風量不變，設置為中速，調節空調的設定溫度，從16 ℃到26 ℃。對應給能耗管理及控制平臺的空調開度控制信號為UAC={-1，-0.9，…，0，0.1，…，1}，控制精度為1 ℃；對于排風機控制，調節風機的風量，從0到4 000 m3，控制精度為400 m3/h，對應給能耗管理及控制平臺的風機開度控制信號為UW={0，0.1，0.2，…，0.9，1}。

實驗時間從2015年5月12日到13日，時間從0點開始，針對辦公環境的環境變量及控制變量每2 min進行一次采樣，共1 441個采樣點；在估計和辨識的過程中，為了覆蓋所有的情況，在最初的24 h，控制器的位置以10%的步長逐漸從最小值到最大值；在接下來的24 h重復上述過程，數據曲線如圖2所示。

室內人員人均產生CO2為0.036 kg/h，所以C1為7.5。通過最小二乘辨識可知α1為0.210 7；室內人員每人產生熱量為50 400 J/h，所以C2為0.068 5；經過最小二乘辨識可知β1、β2、β3分別為：0.022 6、0.351 1、0.003 3。 圖2不同采樣點下空調和風機的開度及

不同開度下溫度及二氧壓碳的變化

Fig.2The opening of the fan and air conditioning under different

sampling points and the change of temperature and carbon dioxide1.4模型驗證分析

模型驗證實驗數據的采集時間為7月20日到7月21日，時間從0點開始，持續時間48 h，每隔2 min采樣一次，共1441個采樣點。室內CO2的真實數據曲線及預測曲線如圖3（a）和（b）所示。模型輸出值的計算在實際測量完成后，在相同的室外溫度和室內CO2質量百分比環境下，輸出室內環境品質模型預測值。

由辨識結果可知，CO2質量百分比可以通過式（12）得到。CO2in（k+1）=CO2in（k）+0.210 7×

W（k）[CO2out（k）-CO2in（k）]+7.5 （12）經計算，決定系數R2為0.955，均方根誤差RMSE為5.873×10-6。

由辨識結果可知，室內溫度模型可用式（13）描述。Tin（k+1）=Tin（k）+0.022 6W（k）×

[Tout（k）-Tin（k）]+0.351 1AC（k）+

0.003 3[Tout（k）-Tin（k）]+0.068 5（13）室內溫度的真實數據曲線及預測曲線如圖3（c）和（d）所示。

圖3室內溫度及二氧化碳實測值與估計值的對比及模型驗證中風機和空調的開度

Fig.3The comparison of the measured with the estimated about indoor parameters and the fan and air conditoning opening經計算，決定系數R2為0.89，均方根誤差RMSE為0.685 ℃。

2控制器設計

控制器的目標函數J（k）定義如式（14）。J（k）=||xin（k+N）-xs||2Q+||u（k）||2R（14）式中：Q和R分別為表征環境變量與設定點接近程度和各執行器能耗的權重矩陣。

控制器設計目標是使目標函數J（k）最小，目標是保證環境變量接近設定值xs并且使得總能耗最小，J（k）在N個采樣周期后的值可以通過式（14）估計，控制器設計目標如式（15）。minu∈UJ=||xin（k+N）-xs||2Q+||u（k）||2R（15）對式（15）預測時遵循的規則為：在預測的N個采樣周期內，控制信號保持恒定，即u（k）=u（k+1）=…=u（k+N）；在預測的N個采樣周期內，外部擾動保持恒定且與最后一時刻的值相等，即xout（k）=xout（k+1）=…=xout（k+N）=out（k）。

根據《室內空氣質量標準》[13]，CO2質量百分比超過1 000×10-6將會對人體產生危害。人員在室內持續時間超過30 min的室內CO2質量百分比不得超過600×10-6，故設定室內CO2質量百分比為600×10-6。室內溫度設定值Tsp，夏季為26 ℃，冬季為20 ℃。所以設定變量為xs=[600Tsp] （16）通過試驗和誤差確定預測范圍為N=5個采樣周期。此范圍是在沒有限制預測邊緣的情況下，為了使當前的真實狀況在外部干擾下不會產生大的偏差而確定的。

權重矩陣定義如式（17）、（18）所示。Q=a·diag[q1q2]（17）

R=（1-a）·diag[r1r2]（18）為了反映環境變量不同等級的差別以及建立環境變量的值與能耗消耗之間的平衡，a、qi=q1、q2和rj=r1、r2通過試驗和誤差選定。

外部干擾設定值為WCO2，ext=0、WT，ext=0

權值矩陣Q與設定值有關，為了使環境變量實現標準化，權值的設定通過環境變量最大設定值除以各環境變量設定值來實現標準化處理，室內溫度權重通過除以25 ℃來計算，25 ℃代表了室外溫度條件的平均值：WCO2=600600=1，WTin=60025=24。各變量權重設定值如表3所示。表3權值矩陣Q的設定值

Table 3The set value of the weight matix of Q環境參數權重室內溫度WTin=0if Tin<26 ℃

24if Tin≥26 ℃CO2質

量百分比WCO2=0if CO2in<600×10-6

1if CO2in≥600×10-6

如果室內CO2質量百分比低于600×10-6，系統不應該動作直到CO2質量百分比達到設定值，所以Q矩陣中的權值應該設定為0。同樣當室內溫度在20 ℃至26 ℃之間時，權值也應該設定為0。

Q矩陣設定如式（19）。Q=a·diag[q1q2]=a·diag[WCO2WTin] （19）R矩陣表征執行器動作消耗的能耗，風機耗能相比于空調耗能很小，設定風機能耗權重為1，空調能耗權重為8[14]。R矩陣設定如式（20）。R=（1-a）·diag[r1r2]=

（1-a）·diag[18]（20）設定a=0.5表征使目標函數最小化Q和R矩陣同等重要。

3仿真實驗驗證

采用TRNSYS與MATLAB結合的方式進行仿真驗證。首先通過TRNSYS建立辦公室的物理模型，設定建筑物尺寸、墻體材料、通風滲透率等表征建筑物特性的參數，再建立空調、風機等控制系統模型，形成仿真實驗環境。將TRNSYS建立的模型運行所得數據曲線與辨識過程得出的數學模型輸出的數據曲線進行對比，驗證TRNSYS建立模型的有效性，結果表明，TRNSYS建立的物理模型可以很好地模擬實際建筑物的特性。利用MATLAB實現相關控制算法，通過TRNSYS調用MATLAB產生控制信號作用于相應的執行器（空調、風機），對算法進行仿真驗證。

由于TRNSYS不能對室內CO2質量百分比進行仿真，故對室內CO2質量百分比的模擬通過MATLAB實現，CO2質量百分比通過式（21）計算[15]。[CO2]t=（ρaV/Δt）·[CO2]t-Δt+mo，t[CO2]o，t+St（ρaV/Δt）+mo，t （21）式中：[CO2]t為t時刻的CO2質量百分比；ρa為空氣密度，kg/m-3；V為房間體積，m3；Δt為仿真步長，h；[CO2]t-Δt為t-Δt時刻的CO2質量百分比；mo，t為通風流動速率，kg/h；[CO2]o，t為t時刻周圍的CO2質量百分比；St為房間CO2排放速率，kg/h。

考慮到西安地區冬季主要靠暖氣采暖，所以僅針對夏季工況（6月至8月）進行了實驗驗證（室內人員工作時間為8：00—22：00），利用TRNSYS與MATLAB對基于模型預測的控制方法與傳統控制方法（對空調的控制采用PID控制，設定溫度為26 ℃；室內通風主要通過門窗調節，間隔2 h開窗15 min進行通風換氣）進行模擬，得出模擬結果如4所示。

圖4相同工況下兩種控制方式對

室內環境品質及能耗的影響

Fig. 4The influence of two control modes on indoor

environment quality and energy consumption under

same working conditions由圖4（a）可以看出，傳統控制方式下室內溫度波動較大，而基于模型的預測控制下室內溫度基本穩定在26 ℃；由圖4（b）可以看出，傳統控制方式下室內CO2質量百分比大部分時間處于濃度超標的狀態，而基于模型的預測控制下室內CO2質量百分比基本維持在600×10-6附近，可以維持一個良好的室內環境品質。由圖4（c）可以看出，傳統控制方式在6、7、8月產生的能耗分別為538.44、613.92、575.47 kW·h；基于模型的預測控制在6、7、8月產生的能耗分別為：371.84、481.83、439.91 kW·h。在6月份室外溫度相對較低，兩種控制方式在該月產生的能耗均較低，同時可以看出在相同的室外氣象條件、相同的時間段內，基于模型的預測控制產生的能耗總是低于傳統控制方式產生的能耗。

傳統方式無法預知未來室內環境的變化，往往當室內溫度控制過低時才會停止工作，當室內溫度過高時才會開啟導致室內溫度處于一個大幅波動的狀態，而基于模型的預測控制可以保證室內溫度相對恒定；對于室內CO2質量百分比的控制，傳統控制方式主要通過間隔一段時間打開門窗進行通風換氣，所以在門窗關閉的時間段CO2質量百分比急劇升高，CO2質量百分比嚴重超標，當室內人員感到呼吸不暢時通常將窗戶完全開啟，期間又帶進較多的熱空氣，造成制冷能耗增加。通過對以上兩種控制方式在夏季工況下進行模擬，可以得出預測控制方式在整個工況所需總能耗為1 293.59 kW·h；而傳統控制方式在整個夏季工況所需總能耗為1 728.28 kW·h。綜上所述，預測控制對于室內環境品質的控制效果更好，使室內環境維持在一個舒適的狀態下，同時預測控制相對于傳統的控制方式具有更加節能的效果。

4結論

以西安建筑科技大學某辦公室為對象，通過控制空調、風機周期性的動作，采集室內環境相關參數及控制變量數據，利用雙線性模型描述室內環境品質，用辨識的方法求解得到室內環境品質控制模型，使用TRNSYS建筑模型，在模型建立的基礎上進行基于模型的預測控制仿真實驗。結果表明：

1）通過系統辨識建立的室內環境控制模型可直觀反映室內環境隨室外氣象條件及建筑設備變化的情況。研究表明，環境變量CO2擬合的效果較溫度更好，決定系數達0.955，而擬合溫度模型決定系數為0.89，原因是影響溫度的因素較多，而CO2僅與室內外CO2質量百分比差和風機的開度有關。

2）預測控制方式對溫度的控制較傳統控制方式相對穩定，室內CO2質量百分比基本保持在在設定值左右，超調小，有效避免了室內CO2長期超標、空氣品質較差的狀態。

3）通過對預測控制方式和傳統控制方式在夏季工況下進行模擬，預測控制方式在夏季工況下所需總能耗為1 293.59 kW·h，而傳統的控制方式在整個夏季工況所需總能耗為1 728.28 kW·h。由此可見，預測控制對于室內環境品質的控制效果更好，使室內環境維持舒適狀態，且節約了25%的能源。

參考文獻：

[1] 朱穎心.建筑環境學[M].2版.北京：中國建筑工業出版社，2005.

[2] CORGNATI S P， FILIPP I M，VIAZZO S. Perception of the thermal environment in high school and university classrooms： Subjective preferences and thermal comfort [J]. Building & Environment， 2007， 42 （2）： 951959.

[3] 李百戰，劉晶，姚潤明.重慶地區冬季教室熱環境調查分析[J]. 暖通空調，2007，37（5）： 115117.

LI B Z， LIU J， YAO R M. Investigation and analysis on classroom thermal environment in winter in Chongqing [J]. Journal of HV & AC， 2007， 37（5）： 115117.（in Chinese）

[4] CASTILLA M，LVAREZ J D， BERENGUEL M， et al. A comparison of thermal comfort predictive control strategies [J]. Energy and Buildings， 2011， 43： 27372746.

[5] YANG R， WANG L F. Multiobjective optimization for decisionmaking of energy and comfort management in building automation and control [J]. Sustainable Cities and Society， 2012， 2（1）： 17.

[6] WANG Z， WANG L F， YANG R. Multiagent control system with information fusion based comfort model for smart buildings [J]. Applied Energy， 2012， 99（2）： 247254.

[7] PREGLEJ A， REHRL J， SCHWINGSHACKL D， et al. Energyefficient fuzzy modelbased multivariable predictive control of a HVAC system [J]. Energy and Buildings， 2014， 82（5）： 520533.

[8] MAYNE D Q. Model predictive control： Recent developments and future promise [J]. Automatica， 2014， 50（12）： 29672986.

[9] 席裕庚，李德偉，林姝. 模型預測控制—現狀與挑戰[J]. 自動化學報， 2013， 39（3）： 222236.

XI Y G， LI D W， LIN S. Model predictive controlstatus and challenges [J]. Acta Automatica Sinica， 2013， 39（3）： 222236.（in Chinese）

[10] PERVEZ H， NURSYAR B， PERUMAL N， et al. A review on optimized control systems for building energy and comfort management of smart sustainable buildings [J]. Renewable and Sustainable Energy Reviews， 2014， 34： 409429.

[11] EKMAN M. Modeling and control of bilinear systems， applications to the activated sludge process [D]. Uppsala： Uppsala University， 2005.

[12] KOLOKOTSA D， POULIEZOS A， STAVRAKAKIS G. Sensor fault detection in building energy management systems [C]// Proceedings of the 5th International Conference on Technology and Automation， ICTA05， Thessaloniki， Greece， 2005： 282287.

[13] 國家質量監督檢驗檢疫總局.室內空氣質量標準： GB/T 18883—2002 [S]. 北京：中國標準出版社，2003.

[14] CIGLER J， PRVARA S， VA Z， et al. Optimization of predicted mean vote index within model predictive control framework： Computationally tractable solution [J]. Energy and Buildings， 2012， 52（1）： 30563061.

[15] DOUNIS A I. TIROPANIS P， ARGIRIOU A， et al. Intelligent control system for reconciliation of the energy savings with comfort in buildings using soft computing techniques [J]. Energy and Buildings， 2011，43（1）： 6674.