⚡ electrical engineering

Sense, Model and Identify the Load Signatures of HVAC Systems in Metro Stations

本文提出了一种利用实时传感器数据和线性回归模型进行感知与学习的新颖方法，旨在识别由室外环境和乘客密度引起的地铁站空调系统特有的负荷特征，从而实现更有效的节能控制策略。

原作者： Yongcai Wang, Haoran Feng, Xiangyu Xi

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Yongcai Wang, Haoran Feng, Xiangyu Xi

原始论文采用 CC BY 3.0 许可（http://creativecommons.org/licenses/by/3.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一个地铁站就像是一个巨大的、位于地下的起居室。就像你的家一样，它需要保持凉爽和舒适，但它有着非常独特的访客和挑战。这篇论文旨在弄清楚究竟有多少“热量”正试图进入这个起居室，以及空调实际提供了多少“冷却”，从而让系统能够更聪明地工作，而不是盲目地工作。

以下是研究人员破解这一难题的故事，用简单的语言进行了解释：

1. 问题所在：能源巨兽

地铁站是巨大的能源消耗者。在夏季，空调（HVAC）系统为了保持凉爽而超负荷运转。研究人员注意到，这些系统通常处于“自动驾驶”状态，根据简单的定时器开启或关闭。这就像是在家里没人时也让空调全力运转，或者在人群涌入时突然关掉空调。这浪费了大量的电力，因为系统并不知道温度变化的具体原因。

为了解决这个问题，他们需要了解**“负荷特征”（Load Signature）**。你可以把它想象成车站的“热指纹”。这是一张详细的热量来源地图：

外部世界： 热空气通过墙壁、隧道和门渗入（就像炎热天气下的房子）。
乘客： 每位走进来的乘客都会带来体温（就像拥挤的派对让房间变得闷热）。

2. 侦查工作：建立间谍网络

为了摸清这个指纹，团队在北京的海淀黄庄站建立了一个大规模的监测行动。他们不仅仅是靠猜，而是测量了一切：

温度计： 放置在室内和室外，以追踪温度变化。
闸机： 用作计数器，以追踪每小时进出的人数。
智能电表： 连接到空调、风扇和水泵上，以观察它们到底消耗了多少能量。
空气传感器： 检测空气质量和流量。

3. 谜团：为什么温度会飙升？

研究人员观察数据后发现了一个模式。在典型的一天中，室内温度有四个明显的“峰值”（即变热的时间点）：

凌晨 4:00： 空调处于关闭状态，所以车站温度缓慢上升。
上午 8:00（早高峰）： 大量人群到达。成千上万通勤者的体温压倒了冷却系统，导致温度飙升。
下午 2:00（正午）： 尽管室外阳光最烈，但空调已经及时跟上了节奏，所以温度飙升并不明显。
下午 6:00（晚高峰）： 又一波人群到来，体温再次战胜了冷却系统。

核心问题是：这些热量中有多少来自太阳/室外，又有多少来自人群？

4. 解决方案：数学“配方”

团队构建了一个**数学配方（线性回归模型）**来解决这个问题。你可以把它想象成一个烹饪方程：

原料（输入）： 室外温度、人数以及室内外的温差。
烹饪过程（方程）： 他们利用物理学编写了一个方程，该方程表示：“房间温度的变化 = 进入的热量（来自室外 + 人群）减去冷却功率（来自空调）。”

既然他们知道了“冷却功率”（来自智能电表）和“温度变化”（来自温度计），他们就可以反向推导，解出未知的原料：人们带来了多少热量？室外带来了多少热量？

5. 挑战：嘈杂的数据

现实世界的数据是凌乱的。传感器并不完美；有时数据会跳动（就像手抖时画出的线条）。为了解决这个问题，研究人员并没有只看一分钟的数据。他们使用了一种搜索算法，观察一段长时间内的总热量（就像看整部电影，而不是看一个模糊的单帧画面）。这平滑了“噪声”，并为他们提供了一个非常清晰的真实热指纹图像。

6. 结果：揭开“指纹”之谜

在处理完数据后，他们找到了“负荷特征”：

外部世界是老大： 来自室外环境（通过墙壁和隧道）的热量是最大的影响因素。
乘客是变量： 虽然热量规模小于室外热量，但乘客带来的热量非常显著，尤其是在高峰时段。

为什么这很重要？
现在有了这个“指纹”，地铁系统可以变得更聪明。它不再是靠猜测，而是可以预测：“哦，今天是周二早上 8 点，有 5000 人即将到达。我需要在他们到达之前就开启冷却。”

这使得系统能够根据需要提供恰到好处的冷却，在保持车站舒适的同时，节省大量的能源。论文总结道，这种方法效果良好，并为设计这些未来的“智能”控制系统奠定了坚实的基础。

技术摘要：地铁站 HVAC 系统的负荷特征感知、建模与识别

问题陈述
地铁系统是主要的能源消耗者，在夏季，空调（HVAC）子系统占总能耗的 40% 以上。由于难以估算动态热负荷和冷负荷，现有成熟地铁线路的 HVAC 控制策略通常依赖于简单的基于时间的规则或被动响应。这些负荷具有高度变动性，受波动的室外温度、乘客流量、列车产生的活塞风以及复杂地下结构的驱动。现有的建筑负荷估算模型依赖于建筑材料和经验传热方程，无法捕捉地铁站独特的动态特性，特别是乘客流量和隧道气流动力学的影响。这种负荷与供应之间的不匹配导致了显著的能源浪费。本文解决的核心问题是缺乏一种有效的方法来实时量化并识别“负荷特征”（即从室外环境引入的热量和由乘客引入的热量），以实现优化控制策略。

方法论
作者提出了一种利用海淀黄庄地铁站（北京 4 号线）真实数据进行负荷特征识别的新型感知与学习方法。该方法包含三个主要组成部分：

数据采集与感知：
- 环境传感器： 用于监测室内外温度 ( $T(t)$ , $T_o(t)$ )、湿度和 $CO_2$ 水平。
- 乘客流量： 通过检票系统记录 ( $n(t)$ )，计算方式为进站与出站乘客的总和。
- HVAC 监测： 通过智能电表和嵌入式传感器追踪制冷机、通风机、冷却塔和水泵的能耗及工作状态。同时测量回风、送风、新风及混合风的温度，以及冷却水流量和温差。
数学建模：
- 负荷模型 ( $L(t)$ )： 定义为单位时间内进入车站的总热量。它被分解为两个部分：
  - 乘客引入负荷 (PIL)： 由乘客产生热量，建模为 $c_p n(t) (T_p - T(t))$ 。
  - 环境引入负荷 (EIL)： 来自通过墙壁/屋顶的传导以及空气渗透（活塞风）的热量，建模为 $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$ 。
- 供应模型 ( $S(t)$ )： 定义为 HVAC 系统提供的制冷能力。该模型适应三种运行模式：新风模式（室外空气冷却）、制冷机模式（机械制冷）和混合模式。制冷供应量通过传感器读数（水温差、流量）和风机功率（使用风机相似定律估算风量）进行推算。
- 热动力学： 室内温度的变化被建模为负荷与供应之差： $L(t) - S(t) = c M_z \Delta(t)$ ，其中 $\Delta(t)$ 为温度随时间的变化。
参数识别算法：
- 该问题被表述为线性回归，旨在识别负荷和供应方程中的未知系数（ $c_p$ , $\alpha$ , $\beta_{ac}$ ）。
- 为了应对传感器噪声和物理参数的非负约束，作者提出了一个搜索算法。该算法并非最小化绝对误差，而是最小化一段时间内积分负荷与积分供应之间的相对差异。
- 为了进一步减轻传感器噪声（特别是温度差计算中的噪声），该方法利用负荷和供应的积分值而非瞬时点值。

核心贡献

新型负荷特征识别： 本文提出了一种数据驱动的方法，用于分离并量化地铁站内由室外环境与乘客流量分别贡献的热负荷，而这一因素在标准建筑模型中经常被忽视。
集成感知与建模框架： 作者成功地将异构数据源（检票系统、环境传感器和 HVAC 能源日志）集成在一起，构建了一个全面的热模型。
鲁棒的参数估计： 提出了一种特定的搜索算法来解决约束优化问题，通过最小化积分值的相对误差而非瞬时值来处理传感器噪声。

实验结果
模型使用 2013 年 8 月 21 日至 8 月 23 日收集于海淀黄庄站的真实数据进行了验证。

负荷特征： 推导出的特征表明，环境负荷（室外温度差异）构成了总负荷的主要部分，而乘客负荷虽然在高峰时段显著，但占比相对较小。
模型准确度： 计算出的制冷供应量与推导出的负荷特征高度吻合。积分负荷与积分供应之间的相对误差很小，表明该算法能够提供可靠的负荷参数估计。
时间模式： 结果证实了与高峰时段（由乘客流量驱动的早晚高峰）和每日温度循环相对应的明显负荷模式。

意义与主张
本文主张，识别这些负荷特征为设计智能、优化的控制策略提供了关键背景。通过了解乘客和环境对热负荷的具体贡献，可以对 HVAC 系统进行控制，使其仅提供满足预测需求所需的必要制冷量。这种方法旨在维持室内热舒适度的同时，显著优化能源消耗。作者指出，这项工作为未来研究地铁 HVAC 系统的最优控制策略奠定了基础，使其从简单的基于时间的规则转向数据驱动的预测控制。