空调加热器MPC模型预测控制程序与修正Kalman滤波：附简洁文献与附图与运行指南

空调加热器MPC模型预测控制程序带文献 空调取暖器、室内温度调节模型预测控制、 MPC控制的MATLAB纯M文件，代码约370行，包可运行（需安装MATLAB自带的fmincon相关的优化工具箱）。 基于模型预测控制的温度调节。 包含空调加热模型建模、各类约束建模、室温状态空间建模和MPC 融合修正Kalman滤波对加热器温度和加热器出风口温度进行估测。 配套较简洁的英文参考文献。 文献截图及代码运行结果见附图。 实价可直，后留邮箱收货。 关联词: 建筑热模型，热舒适性，建筑节能，建筑热管理，阻容传热模型，灰盒热模型。

最近在搞空调控制的MPC项目时，发现建筑热模型和优化控制的结合真是挺有意思。今天分享的这套MATLAB代码用状态空间模型+预测控制，实现了室内温度的精准调节。核心代码不过三百来行，但把Kalman滤波和约束处理都揉进去了。

先说建模部分。这里用的是三阶阻容传热模型（RC模型），把房间分成三个热区：加热器本体、出风区域和室内空间。每个节点间的热传递用微分方程描述：

% 热参数设置 C_h = 1.2e4; % 加热器热容 (J/K) R_ha = 8.5; % 加热器到空气的热阻 (K/W) C_a = 2.6e5; % 空气层热容 R_ar = 15.0; % 空气到房间的热阻 C_r = 4.8e6; % 房间热容

转换成状态空间模型时，用了零阶保持法离散化。这里有个小技巧：当采样时间比系统时间常数小时，可以简化为矩阵指数近似：

A_cont = [-1/(C_h*R_ha) 1/(C_h*R_ha) 0; 1/(C_a*R_ha) -1/C_a*(1/R_ha+1/R_ar) 1/(C_a*R_ar); 0 1/(C_r*R_ar) -1/(C_r*R_ar)]; B_cont = [1/C_h; 0; 0]; [Ad, Bd] = c2d(A_cont, B_cont, Ts); % 离散化

预测控制的核心在于滚动优化。代码里用fmincon求解每个控制时域的输入序列，目标函数包含温度跟踪误差和控制量变化率：

function J = mpc_cost(u, x0, ref_temp, N) x = x0; cost = 0; for k = 1:N x = Ad*x + Bd*u(k); cost = cost + (x(3)-ref_temp)^2 + 0.1*(u(k)-u_prev)^2; u_prev = u(k); end end

实际调试中发现，单纯用模型预测会有累计误差。于是加了个Kalman滤波修正模块，用温度传感器数据实时更新状态估计。这里把过程噪声和观测噪声的协方差矩阵调了老半天，最后取的Q=diag([0.1,0.5,1])，R=0.3效果比较稳。

约束处理是另一个重点。代码里不仅限制了加热功率的物理上限，还加了温度变化率的软约束：

Aineq = []; bineq = []; for k = 1:N-1 Aineq = blkdiag(Aineq, [1 -1; -1 -1]); % 输入变化率约束 bineq = [bineq; deltaU_max; deltaU_max]; end

测试时模拟了室外温度骤降的场景（从20°C突降到5°C）。对比传统PID控制，MPC的超调量减少了约40%，且能在8分钟内完成温度恢复，能耗降低23%（具体数据可参考附图）。不过计算量确实上去了，在树莓派上跑需要做代码生成优化。

最后提一嘴建筑节能这事。通过引入热舒适性指标PMV作为约束条件（代码里暂时用温度范围替代），可以在保证用户体验的前提下，进一步挖掘节能潜力。最近看的一篇Building and Environment的论文（Zhang et al., 2022）提到类似方法的实测节能量能达到15-30%，值得参考。

需要代码的朋友可以邮件联系thermal_guy@control.com获取，记得装MATLAB的Optimization Toolbox。代码包里附带的参考文献简明扼要，特别推荐那篇带灰色模型参数辨识的，对工程实现帮助很大。