标准天然气 微信公众号 行业动态

发布：2026-06-03 · 事件：2026-06-03 08:18:59

摘自 《煤气与热力》2026年5月刊 基于 Modelica 的建模仿真技术在供热领域的应用 王安庆，王海超，端木琳 （大连理工大学， 辽宁 大连 116024） 摘要： 对基于Modelica语言的建模仿真技术在供热领域的应用的研究进展进行综述。Modelica语言是工程领域理想的建模语言，可无缝支持物理和控制设计，有利于不同领域工具之间的协同作用。

质量检测设计施工数据供热

  摘自 《煤气与热力》2026年5月刊>>> 基于 Modelica 的建模仿真技术在供热领域的应用 王安庆，王海超，端木琳 （大连理工大学，  辽宁  大连  116024） 摘要：  对基于Modelica语言的建模仿真技术在供热领域的应用的研究进展进行综述。Modelica语言是工程领域理想的建模语言，可无缝支持物理和控制设计，有利于不同领域工具之间的协同作用。基于Modelica语言开发的模型库为研究供热系统的可再生能源集成问题提供了底层模型,而基于Modelica语言开发的仿真软件为供热系统的建模仿真和控制优化提供平台支撑。在故障检测与诊断领域，Modelica模型提供精准、可控、低成本的故障场景数据，为人工神经网络提供高质量训练样本。在控制优化问题中，Modelica模型为先进的控制算法，提供计算高效、准确、稳定的动态模型。联合仿真的方法为可再生能源的集成和故障诊断等方向的研究提供可行方案。为充分发挥Modelica语言的优势，未来需要在开源库的开发和复杂模型的构建方面进行更多的研究。结合人工神经网络算法，从物理模型向以数据为中心的模型过渡，以提高供热系统框架的优化效率。 关键词：  供热；Modelica语言；建模仿真；可再生能源；控制与优化；联合仿真 . 1  概述 以往单一的子系统模拟可以满足研究人员的需要，现在由机械、电子、水力、热力、控制等多领域子系统组成的复杂物理系统的模拟仿真成为趋势 [1] 。随着计算机技术和面向对象的编程思想的发展， Elmqvist 等人 [2] 在 1997 年提出了面向对象的、基于方程的、陈述式、多领域、具有离散混合建模语言特征的仿真语言工具 —— Modelica 。基于此语言，国内外开发了不同的商业软件和开源软件，为机械、电子、电力、液压等多领域的混合建模提供了便利。基于 Modelica 语言的建模仿真技术已经在多领域的复杂物理系统中得到了应用，使许多产品的设计得到了优化，质量得到了提升。随着研究者对建筑组件和暖通空调 (HVAC) 系统设备的 Modelica 模型库进行扩充， Modelica 语言已在建筑性能模拟领域实现了应用 [3] 。 区域供热系统的建模涉及热力学、流体力学，控制不同领域的组件，这就产生了一个连续时间、离散时间和离散事件的混合系统。物理系统是用微分代数方程来描述的，微分代数方程由对时间和空间的导数组成。另一方面，数字控制系统由具有时间、状态和阶跃事件的离散方程来描述 [4-5] 。当尝试建模和模拟这些异构系统时，出现的一个问题是需要一个多域平台，该平台能够在各种设计设置和配置中评估系统的动态行为。另外，随着热网的复杂化和可再生能源并网带来的调峰调频及耦合问题的日益增多，常用的针对某一细分领域的单领域仿真软件，由于大规模仿真能力不足，成为热网仿真的瓶颈，急需多领域统一的仿真技术。首先，与 EnergyPlus 、 Fluent 等模拟工具相比， Modelica 语言具有基于方程建模、面向对象建模、非因果建模、连续离散混合建模、支持通用仿真接口（ FMI ）的技术特点。这些技术特点能够使工程师在即使不深入了解微分代数方程、代码生成、后处理的情况下也能专注于部件特性的数学描述。其次，基于 Modelica 语言建立的仿真模型具有良好的扩展性和重用性，并且可以导出多种格式，使得 Modelica 模型可以与其他工具和平台集成。最后， Modelica 语言还支持在微分代数方程的混合系统中同时描述连续和离散特性，并支持在同一模型中使用因果和非因果建模方法 [6] 。文献 [7-9] 对 Modelica 语言的建模特性、语言特点、开发环境等进行了介绍，这有利于研究者对 Modelica 语言有全面的认识。 在区域供热领域，虽然国内外已经有学者利用 Modelica 语言和相关软件平台进行了单个设备，如各类换热器的性能研究 [10-11] ，以及供热系统层面，如供热系统优化、故障诊断、联合仿真等研究 [12-14] ，但是缺少相关的论文对其进行综述和总结。本文对基于 Modelica 语言的建模仿真技术在供热领域应用的研究进展进行综述。 2 Modelica 语言和模型库 2.1 Modelica 语言 Modelica 是一个开放的物理建模语言，自 Modelica 语言 1.0 版本开始，经过 Modelica 协会、用户、开发者等的共同努力， Modelica 协会发布的模型库（ MA Library ）、用户模型库（ Users Library ）、商业模型库（ Commercial Libraries ）已经覆盖汽车动力学、系统动力学、燃料电池、热动力、模糊控制等领域，标准库（ Modelica Standard Library ， MSL ）提供了各领域内仿真建模涉及的基本元件模型，如 HVAC 系统的水泵、换热器、阀门等。研究者可使用这些模型库中的基本元件模型组成自己需要的模型，还可以利用 Modelica 语言陈述式非因果编程的便利性，根据数学模型编写仿真模型，利用软件仿真平台完成仿真。目前，基于 Modelica 语言开发的多领域建模和仿真工具包括： Dymola 、德国 ITI 公司开发的 SimulationX 、瑞典 LinkaPing 大学 PELAB 实验室开发的 MathModelica 和 Openmodelica 、华中科技大学 CAD 中心开发的 MWorks 等。虽然上述多领域建模和仿真工具名称各异，但基于 Modelica 语言的多领域建模和仿真工具的体系结构和建模仿真流程基本相同。 基于 Modelica 语言的多领域建模仿真系统的体系可划分为显示层、功能层、处理层。显示层实现建模使用者与系统的交互。功能层包括实现建模目的的各种功能，如文本编辑、拖放式建模等，功能区提供了文本建模、图形建模两种建模方式。建模完成后处理层对模型进行解析并生成方程，最后求解。 建模仿真的基本流程可以分为建模、解算、可视化 3 个阶段。建模阶段建模人员在编辑器中利用 Modelica 模型库或者自定义模型初步搭建模型，然后将外部数据如经验数据、外部图形、 CAD 数据、模型参数等输入到模型中。解算阶段交由计算机处理，输入到编译器的 Modelica 源代码经过类型检查、继承、修改等先被转化为包含一组方程声明和函数的平面模型。然后，分析器将平坦化的方程转化为有序方程序列，接着这些方程序列被优化器进行优化。最后，生成 C 代码，给 C 编译器提供 C 代码以生成可执行代码。在可视化阶段，对模型文件进行后处理，实现模型数据可视化。 2.2  与供热相关的主要 Modelica 模型库 Modelica 提供了大量供用户使用的模型库，这些模型库是使用 Modelica 语言的重要基础，在建模仿真中发挥了巨大作用。 Schweiger 等人 [15] 提出了基于 Modelica 模拟和动态优化的区域供热供冷系统的新框架，并利用拥有逾 100 个用户的区域供热系统进行了测试验证。与供热相关的主要 Modelica 模型库见表 1 。 表 1     与供热相关的主要 Modelica 模型库 标准库（ Modelica Standard Library ， MSL ）提供了流体、热力、介质、传热等数学模型的封装包，此外还有供热领域建模所需的基本组件，如静态管道、循环泵、阀门，但标准库未涉及建筑、能源系统。 DisHeatLib 是一个国际建筑性能模拟协会（ International Building Performance Simulation Association ， IBPSA ）建立的用于区域供热供冷系统建模仿真的系统库，提供了土壤温度和室外温度的边界条件模型，温度、压力、流量等控制模型，固定回水温度、散热器的热需求模型，热力站模型，基于压力、流量、温度的热源模型，蓄热水箱模型等。 DisHeatLib 支持对高度复杂的多级区域供热供冷系统进行建模 [16] 。 Buildings 是劳伦斯伯克利国家实验室（ Berkerly LAB ）开发的用于建筑模拟的模型库，主要包括 6 类： a. 用于空气流动模拟的单空间、多空间模型。 b. 边界模型涵盖了太阳辐射、气象数据等外部环境参数。 c. 控制模型中的连续时间和离散时间控制器满足建模仿真的控制需要。 d. 传热模型提供的导热、对流传热、辐射传热模型可以重用组成更多复合传热模型。 e. 住宅和办公建筑的人员模型。 f. 与 EnergyPlus 软件联合仿真的模块。 Building Control Lib 来源于开发者 Fraunhofer ，是一个用于建筑自动化、控制和管理系统的模型库，应用于智能建筑、智能家居以及建筑能源管理系统等领域。它提供了一系列的工具和接口，用于集成、控制和优化建筑内的各种设备和系统，如暖通空调、照明、安防、能源监控等。 Air Conditioning Library 来源于开发者 Modelon ，是一个空调系统商业库，包括空气、冷却介质、加热源、压缩机、风机、冷凝器、蒸发器等空调系统的基本设备模型以及换热器模型、控制模型。主要用于空调系统建模仿真、能源消耗与效率分析、温湿度控制与空气质量分析、系统优化与故障诊断。 Heat Exchanger Library 来源于开发者 Modelon ，是一个用于换热器的建模、分析和优化的模型库，包括流体接口、热表面等基本组件，提供导热、对流传热、辐射传热模型的热力学模块和可以进行反馈调节、温度控制、流量控制等操作的控制模块。 Human Comfort Library 来源于 XRG Simulation （一个开源的 Modelica 模型库），主要包括人体热舒适模型、气流与传热模型、人体模型、热舒适评价指标。它主要与 Air Conditioning Library 联合使用，用于建筑物舒适度模拟、暖通空调系统舒适性优化、节能设计和环境质量评估等。 HVAC Library 来源于 XRG Simulation ，主要包括管道和泵模型、换热器模型、风机与风道模型、冷水机组和热泵模型、环境边界调节模型等。可用于建筑能源系统设计、空调负荷计算与优化、热负荷分析与节能设计、控制策略开发、系统集成与优化。 2.3  模型开发研究 区域供热系统的仿真模型是进行模拟研究的基础，简单、求解快速的模型深受使用者欢迎。许多研究者利用 Modelica 语言从供热系统不同层面进行了模型的开发和验证研究，包括管道模型、传热设备、传热介质、供热建筑等。 在区域供热系统管道模型的开发研究中， Falay 等人 [17] 提出一种聚合方法，通过减少管道分支和管道数量来简化网络拓扑的复杂性，降低大型区域供热系统建模的难度。 Van der Heijde 等人 [18] 基于 Modelica 语言给出了能快速处理温度、流动变化的供热系统水力热力模型，该模型的模拟结果与实验数据吻合较好，并且在 IBPSA 库中公开可用。 Del Hoyo Arce 等人 [19] 创建了分布式的管道模型，并且在 IDA-ICE 软件和 APros 软件中对比了管道的出口温度和热损失情况。 传热设备的模型开发包括热泵、换热器、锅炉等，其中结合可再生能源的热泵模型开发是研究热点。 Mortada 等人 [20] 单独针对空气源热泵进行了模型开发，连接边界条件形成系统，探究了蒸发器、冷凝器对不同扰动的响应，并将仿真结果与实验结果进行了比较。 Wolscht 等人 [21] 提出了一个详细的高温二氧化碳热泵 Modelica 模型，重点研究系统负荷变化期间制冷剂的热力学状态，模拟结果与实验台数据匹配。 Chamoun 等人 [22] 为研究双螺杆压缩机在高温水平下的压缩循环，采用特殊的离散化方法，基于 Modelica 语言建立了瞬态双螺杆压缩机模型，在主压缩机模型中建模并实现了在实际机器中遇到的可变流体泄漏、注水和热损失等过程。 Sangi 等人 [23] 论证了用 Modelica 语言对螺旋盘管式地埋管换热器进行建模和仿真的可行性，数值预测结果与实验数据吻合较好，证明了模型的可靠性和准确性。 Abugabbara 等人 [24] 基于 Modelica 语言建立了 2 座热力站换热机组的仿真模型，并进行了供水温度的优化。 Simic 等人 [25] 提出用较少的输入数据确定燃气锅炉模型，以可靠地预测燃气锅炉的性能，并使用公开的资料进行模型校正。由以上分析可知，针对传热设备开发的模型比较丰富，且准确性大多经过实验验证，但是有特定的使用范围，重用性较低。 传热介质（水、蒸汽）模型也被开发使用。虽然 Modelica 语言的 Media 库提供了很多可直接使用的介质，但研究人员也可结合需求进行自主开发。 Sangi 等人 [26] 改进了水模型。 Hinkelman 等人 [27] 基于 Modelica 语言和一种分裂介质的方法实现了数值上有效的液态水模型以及各种水 - 蒸汽模型，通过解耦质量和能量平衡方程打破了烦琐的代数循环，并在多个尺度上评估了准确性和计算速度。 在供热建筑模型方面，目前的 Buildings 库可以提供多空间的模型、降阶的 RC 模型（ Resistance-Capacitance Model ，热阻 - 热容模型）等。 Sodja 等人 [28] 对建筑传热中的热流以及太阳辐射模型进行精确建模，实施了被动式太阳能建筑的模拟。 Perera 等人 [14] 对比了基于 Modelica 语言和 MATLAB 程序的多层供热建筑模型的差异，基于 Modelica 语言的模型提供了令人满意的鲁棒性，而基于 MATLAB 程序的模型能更快获得计算结果。 Halimov 等人 [29] 对基于 Modelica 语言的相变材料（ PCM ）建筑围护结构模型进行了验证。 Bunning 等人 [30] 引入 Modelica 模型库，用于建筑能源系统控制。 Augello 等人 [31] 开发了一个用于供热系统的 College Thermal Library 库，在不同运行条件下进行了动态仿真，以评估供热系统确保设计条件的能力，并估计供暖期能耗。 Maccarini 等人 [32] 利用 Modelica 语言开发了区域供热供冷系统能耗模型，对丹麦 4 种不同的建筑供热系统能耗进行了计算。 基于 Modelica 语言进行仿真模型开发的优势是模型的可重用性、仿真求解速度快、支持用户编程、建立的模型一般经过实测数据或其他仿真工具模型的对比验证。 Giraud 等人 [33] 将区域供热系统的动态建模、实验验证和仿真相结合，以制定有效的控制策略。 3  基于 Modelica 语言建模工具的应用 3.1  单一设备 换热器、水泵、阀门在供热系统中发挥重要作用，其结构设计、性能优化对提升供热系统的效率具有重要意义。在明确设备数学模型的基础上，利用 Modelica 语言建立仿真模型进行研究变得更加容易。周广等人 [34] 基于表面平均温度法和效能 - 传热单元数的表冷器湿工况数学模型，利用 Modelica 语言建立了对应的物理仿真模型，对换热器出口温度和换热量进行预测，预测值和实测值相对误差的绝对值在 12% 以内。罗思璇 [35] 和刘庆 [36] 基于 MWorks 平台分别建立了表面式蒸发器和多排管冷凝器仿真模型，探究了迎面风速和制冷剂流量等参数对换热器换热性能的影响。邢立淼等人 [37] 探讨了基于 Modelica 语言的阀门建模和仿真研究情况，总结了阀门研究的技术路线，包括阀门功能建模、故障建模和可靠性建模。戴晓川等人 [38] 建立了换热器的有限体积数学模型，利用 Modelica 语言探究了水和 R245fa 作为换热工质时换热器稳态和动态的温度变化特性。任博等人 [39] 基于 Dymola 软件和容积建模法建立了变量泵的热力仿真模型，进行了不同典型状态参数下的温度仿真，并对模型的有效性进行了实验验证。 此外， Modelica 模型库提供了非常全面的介质库，并支持用户根据介质热力特性建立介质模型。国外关于 Modelica 语言的使用偏向于建立大型的复杂仿真模型，更加关注系统的整体性能的研究。国内针对供热系统的水力、热力特性以及供热管网耦合供热建筑的室内温度变化开展了研究 [40-43] 。 3.2  供热系统 ①  清洁能源与储热 可再生能源的利用和储能技术的发展促进了各种能源的相互转换 [44] ，高效储能技术的使用可以弥补太阳能、风能波动和间歇性的缺点， O'donovan 等人 [45] 提出基于 Dymola 软件来应对这种能量波动的复杂性。为了实现近零能耗区域，区域供热系统更需要考虑可再生能源的整合和降低热损失 [46] 。传统区域供热系统计算模型的模拟语言在灵活性和可理解性上存在局限，制约了可持续区域供热系统的评估。 Modelica 语言因具备更高的灵活性与可重用性，能够有效对集成可再生能源系统（ Renewable Energy System ， RES ）的区域供热系统进行建模。 Soons 等人 [47] 建立了一个包括生物质气化炉和燃气锅炉的区域供热计算模型，这个区域供热计算模型适用于集成可再生能源系统的区域供热系统的可行性研究。 热能储存是提高能源系统效率和灵活性的关键技术之一，它允许在生产和消费之间进行时间上的解耦。主要的热能储存类型包括：以水等为介质的显热储能、利用相变过程的特性进行储热的相变储能、利用化学反应的热化学储能，以及利用地下含水层、岩土等的储能。储热系统集成到区域供热系统不仅具有技术、经济、环境的优势，还能与热电联产系统、太阳能系统、生物质能系统、地热系统、热泵协同使用 [48] 。 太阳能辅助地埋管地源热泵系统是可再生能源利用的典型形式，太阳能的使用解决了热泵系统冬季取热和夏季放热造成的土壤热失衡问题。 Bois 等人 [49] 对太阳能辅助燃油锅炉供热系统的性能进行了评价。 Sazon 等人 [50] 对太阳能辅助地埋管地源热泵系统进行了连续研究，考虑地埋管换热器长度等因素对系统进行优化设计，并选择了季节性能等评价指标进行系统评价。 Sazon 等人 [51] 对运行策略对太阳能辅助地埋管地源热泵系统运行的影响进行了分析，以降低运行成本。此外，还分析了如何有效减小土壤温度的下降 [52] 。 Chen 等人 [53] 研究了安装太阳能集热器和不安装太阳能集热器对地埋管地源热泵系统性能的影响。 Wang 等人 [54] 研究了蒸汽系统的蓄热能力，对不同调节方式下的储热特性进行量化。 Bellos 等人 [55] 发现分布式的储热形式相比集中式的储热可以节省 18% 的能源，并降低 22% 的热损失，并对储热罐和换热器进行了参数优化。 Xu 等人 [56] 对整合了太阳能和铜厂余热的大型季节性储热系统的性能进行了研究，分析了定时联合等不同运行策略下的系统性能，但 Modelica 语言模型不能提供储热系统中的土壤温度以及向空气和周围地面的热损失。 利用有机朗肯循环发电和热泵系统可以高效回收工业冲渣水、冷却水等低温余热资源，但是必须讨论余热热源对原有热源的影响。 Stock 等人 [57] 基于 Modelica 语言建立了一个具有多个热源的区域供热模型，以研究余热热源和降低供水温度对热网的影响，研究结果表明，该区域供热模型可实现 40% 的余热利用率。 Thermal Cycle 库提供了蒸汽循环、朗肯循环的组件，用于建立不同热力循环系统，评估能源系统的性能等。 Desideri 等人 [58] 利用 Thermal Cycle 库验证了小型余热回收系统稳态和动态的模拟结果和实验结果。 ②  故障检测与诊断 故障检测与诊断旨在提高暖通空调系统故障检测与诊断的效率和准确性，减少能源浪费，延长设备寿命，并提高系统的可靠性和安全性。暖通空调系统组件的功能故障导致大量的能量损失，大约占建筑物使用能量的 15%~30% [59] ，最近的文献对暖通空调系统故障检测与诊断的最新研究进行了综述 [60] ，基于 Modelica 语言的建模工具在供热系统的故障检测与诊断中也有应用。故障检测与诊断方法往往耦合在一起，各类方法的介绍见文献 [61] 。 Lu 等人 [13] 以热舒适、运行成本等作为关键性能指标，利用 Modelica 语言开发的基线模型对 HVAC 系统在供冷期、过渡期、供暖期的 359 种故障场景进行模拟研究。 Huang 等人 [62] 基于 Modelica 语言建立锅炉机组仿真模型，用于与大规模控制有关的故障研究，并将该模型应用到锅炉故障影响评价中。 Vallee 等人 [63] 基于 Modelica 语言建立区域供热系统组件的参考数据集，用于评估机器学习模型的故障检测能力。 Martinez-Viol 等人 [12] 提出了一种基于异方差进化贝叶斯优化的建筑与暖通空调动力学耦合模型的标定方法，通过使用从建筑物管理系统收集的 15 d 数据，同时校准与建筑物耦合的空气处理单元的 Modelica 模型的 45 个参数，与测试数据相比，预测结果准确。通过使用可以模拟区域供热系统稳态和动态的物理模型，结合连续和离散过程参数，系统的故障检测与诊断可以通过贝叶斯网络完成 [64] 。 结合神经网络的故障检测与诊断是当前的研究热点，基于 Modelica 语言的仿真可以获得故障检测的数据集，减少仿真次数。在故障诊断中， Modelica 仿真模型可以对常见的故障进行分析，并建立标准化的故障管理包。此外，与其他工具进行协同仿真可使研究更加有效，如与 EnergyPlus 软件结合可以考虑更多的实际场景。 ③  控制优化 能源系统的优化方法和工具可分为结构优化、设计参数优化、运行控制优化 [65] 。 3 种方法各有优劣，在未来的能源系统中需要将这 3 种方法结合，结构优化优于设计参数优化和运行控制优化。 Sameti 等人 [66] 总结了区域供热系统的不同类型的优化问题、约束条件、优化技术以及优化工具，提出了优化面临的挑战。 Schweiger 等人 [15] 提出了基于 Modelica 语言的区域供热供冷系统动态仿真和优化的框架。在最新的研究中， Zhang 等人 [67] 使用 Modelica 语言开发了一维热力学循环（ One Dimension Thermal Cycle ， ODTC ）库，涵盖循环中的基本设备组件、工质和能源系统模型示例，用于实现氦氙闭布雷顿循环（ He-Xe closed-Brayton-cycle ）系统的系统级仿真和多目标优化。 基于 Pareto 适应度函数的多目标粒子群优化、基于 Pareto 适应度函数 + 序列近似模型的多目标优化是面向 Modelica 模型的仿真优化求解的两类主要方法 [68] 。一般非线性多目标设计优化问题的数学模型见文献 [69] 。常用的优化方法有 Pareto 前沿法、加权求和法、 ε - 约束法、层次分析法，文献 [70] 对优化算法和优化方法进行了介绍和比较。 Schweiger 等人 [15] 提出了将混合整数最优控制问题分解为两个子问题，将离散部分与连续部分分离，并用两个案例验证适用性，该框架非常适合模拟更大规模的区域供热系统，并且连续优化问题的求解时间足够短，适合实时应用。 近年来，基于 Modelica 语言完成的供热系统优化目标的典型案例集中于系统能耗、系统预热时间、成本等。 Bunning 等人 [71] 将 Modelica 语言用于比较供热供冷方案的碳排放、能耗。 Rohde 等人 [72] 针对带热能储存的区域供热系统，运用 Modelica 语言寻找最佳的运行控制策略，从而减少用电量并降低电力成本。 Gong 等人 [73] 以 R245fa 为制冷剂的蒸汽喷射高温热泵系统为研究对象，建立了基于 Modelica 语言的动态仿真模型，优化热泵功耗。 Jansen 等人 [74] 搭建区域供热系统的 Modelica 仿真模型，采用 Modelica 模型结合模型预测控制（ MPC ）优化区域供热系统能耗。 在区域供热系统运行策略优化方面， Giraud 等人 [33] 分别基于静态供热曲线（ SCS ）和动态控制策略（ DCS ）进行供热系统仿真，结果表明，动态控制策略可以减少 10% 的输配热损失。 Yang 等人 [75] 根据实际房间占用率和动态热价，制定低能耗建筑供热系统运行策略，构建 Modelica 模型，对供热系统的运行策略进行优化。 Savadkoohi 等人 [76] 在基于 Modelica 语言仿真的环境中实现供热系统控制算法，用神经网络控制来预测非住宅建筑供热系统最优启动时间。 在室内供暖系统设计方面， Yang 等人 [77] 利用 Modelica 语言构建地面辐射供暖系统模型，以舒适性等为指标优化地面辐射供暖系统的埋地管道间距、供水温度等参数。区域供热系统在其早期设计阶段受到空间尺度效应的影响，通常默认采用经验解决方案，这可能仅会达到局部最优。针对这一问题， Guo 等人 [78] 利用 Python 语言和 Modelica 语言构建区域供热系统仿真模型，利用多种机器学习算法来捕捉空间尺度的细微差别，并在集中式和分布式系统之间进行权衡，为区域供热系统提供全局最优的解决方案。 Modelica 模型结合 MPC 是目前 Modelica 应用的热点， Modelica 作为一种多领域建模语言，为 MPC 提供了一个灵活且强大的建模环境，在 MPC 中发挥提供物理仿真模型和控制库的作用，使控制策略的设计和优化更加高效。 Hoffmann 等人 [79] 使用拟合良好的 Dymola 模型与 MATLAB 程序一起进行最优控制设计，以太阳能供热系统为例证明 MPC 的效果。 MPC 在办公建筑中的实际应用案例表明，与传统的基于供热曲线的控制相比， MPC 能节省 15%~28% 的能耗 [80] 。线性化的模型可能无法捕捉建筑物的某些动态和行为， Pippia 等人 [81] 提出基于场景的随机 MPC 控制器与非线性 Modelica 模型结合，该模型比线性模型能更准确地捕捉建筑物动态。 Mork 等人 [82] 提出了一种基于 Modelica 语言的建筑能源系统非线性混合 MPC 方法，证明了该方法的优越性。集中式 MPC 失败将导致控制故障和本地控制变量的通信缺失，在分布式 MPC 的情况下，本地子区域优化或通信失败不会影响其他子区域 MPC 的运行。分布式 MPC 与建筑多区域和多楼层的特征契合，且更适合开关控制、离散运行状态等整数决策变量的集成。 Mork 等人 [83] 对比了建筑应用分布式 MPC 和集中式 MPC 时，在能耗、不适程度和计算时间等方面的差异，认为分布式 MPC 在多区域控制中优于集中式 MPC 。 Mork 等人 [84] 对 MPC 在大型办公建筑供热系统中进行了实际实施和验证，并将 MPC 与常规控制方法的控制性能进行了比较。 Modelica 模型结合 MPC 的研究重点在于讨论分布式 MPC 、混合 MPC 等不同类型方法的适用性和优越性。未来，结合人工神经网络算法时，以物理模型为主的 Modelica 模型可以向以数据为核心的模型过渡。另外，可以利用 Modelica 语言与建筑信息模型（ Building Information Modeling ， BIM ）构建快速准确的灰箱模型，以促进自动化建筑供热系统中 MPC 技术的集成。 4  联合仿真 联合仿真为集成仿真问题提供了一种实用的解决方案，而不需要更多的资源。 Modelica 语言具备出色的建模和集成控制功能的能力，经常与 BIM 、 MATLAB 程序、 EnergyPlus 软件等结合使用，以弥补单个工具的局限性。 Modelica 语言与 BIM 之间有 3 种耦合形式：通过仿真引擎直接耦合、将仿真引擎集成到 BIM 工具中、通过程序编程接口（ API ）耦合。文献 [6] 对 Modelica 语言与其他软件的耦合方法、数据交换和平台使用进行了详细介绍。 Kim 等人 [85] 使用 Modelica 语言开发用于建筑能源模拟的物理 BIM 库，应用程序编程接口执行从 BIM 中的建筑模型到建筑能源建模（ BEM ）的半自动转换，以实现建筑能耗、几何信息和控制信息的交互。 Andriamamonjy 等人 [86] 使用 Modelica 语言和 BIM 建立满足快速准确要求的自动灰箱模型用于 MPC 和故障检测与诊断 (Fault Detection and Diagnosis ， FDD) 。 Andriamamonjy 等人 [87] 基于 BIM-IFC （ Industry Foundation Classes ，工业基础类数据库） -Modelica 模型实现建筑高性能设计、建造、运行。 Seidenschnur 等人 [88] 通过 CDE （ Common Data Environments ，通用数据环境）实现 BIM 数据与 Modelica 语言之间的无缝集成，以提高 HVAC 系统设计和分析的效率和准确性。 通过从计算机辅助设计（ CAD ）图纸中提取有用信息来构建和模拟区域供热管网的自动化过程对供热公司非常有用。针对利用 Modelica 模型库搭建区域供热系统仿真模型，从 CAD 图纸中手动获取信息需要耗费大量时间的问题， Hermansson 等人 [89] 利用 MATLAB 程序提出了一种用于构建、模拟和可视化实际系统结果的自动化方法，除实现自动化设置外，还可以快速构建和模拟区域供热管网。 Sangi 等人 [90] 针对某能源研究中心主楼，以 Modelica 语言建立控制单元模型，利用 MATLAB 程序、 Simulink （由 MathWorks 公司开发的一款可视化动态系统建模与仿真平台）建立楼宇自动化系统。两个仿真环境之间的交互使用非商业协同仿真平台 BCVTB （ Building Controls Virtual Test Bed ，楼宇控制虚拟试验台），从而实现控制系统信息和系统温度流量信息的交互。 EnergyPlus 软件在与 Modelica 的联合仿真中主要提供建筑信息数据。 Sanchez 等人 [91] 利用 FMI 耦合 EnergyPlus 建筑模型和 Modelica 供热模型评估区域供热系统的节能潜力。 Cucca 等人 [92] 将使用 Dymola-Modelica 建立的能源系统模型与 Energy Plus 建筑模型相结合，以开发供热系统的控制策略。 Modelica 仿真平台与其他软件平台进行联合仿真，实现数据交换，可以弥补单一仿真工具的不足，实现对复杂供热系统的深入分析和优化。 BIM 和 EnergyPlus 软件为 Modelica 仿真平台提供建筑信息数据，实现供热建筑的建模。 MATLAB 程序强大的数据处理能力可为 Modelica 仿真进行数据预处理、分析、可视化，以及优化算法、控制策略等的实现。 Simulink 与 Modelica 模型结合使用提供了更丰富的可视化建模工具。 5  结论与展望 5.1  结论 ① Modelica 语言是工程领域理想的建模语言，可无缝支持物理和控制设计，有利于不同领域工具之间的协同作用。 ②  基于 Modelica 语言开发的模型库为研究供热系统的可再生能源集成问题提供了底层模型 , 而基于 Modelica 语言开发的仿真软件为供热系统的建模仿真和控制优化提供平台支撑。 ③  在故障检测与诊断领域， Modelica 模型提供精准、可控、低成本的故障场景数据，为人工神经网络提供高质量训练样本。在控制优化问题中， Modelica 模型为先进的控制算法，提供计算高效、准确、稳定的动态模型。 ④  联合仿真的方法为可再生能源的集成和故障诊断等方向的研究提供可行方案。 5.2  展望 为充分发挥 Modelica 语言的优势，未来需要在开源库的开发和复杂模型的构建方面进行更多的研究。结合人工神经网络算法，从物理模型向以数据为中心的模型过渡，以提高供热系统框架的优化效率。 参考文献： [ 1 ] FRITZSON P,ENGELSON V.  Modelica-a Unified Object -Oriented Language for System Modeling and Simulation[C]// ECCOP.  Proceedings of the 12th European Conference on Object-Oriented Programming.  Heidelberg ： Springer-Verlag,1998:67-90. [ 2 ] ELMQVIST H,MATTSSONS E.  Modelica the Next Generation Modeling Language an International Design of Fort[C]// WCSS.  Proceedings of the 1st World Congress on System Simulation (WCSS'97).  Singapore:WCSS,1997:1-5 ． [ 3 ] QI Z H,OOKA R.  Implementation of a Coupled Simulation Framework with Neural Network and Modelica for Fast Building Energy Simulation Considering Non-Uniform Indoor Environment[J].  Building and Environment,2022,211:108740-1-15. [ 4 ] WISCHHUSEN D S.  An Enhanced Discretisation Method for Storage Tank Models Within Energy Systems[C]// The Modelica Association.  Proc.  5th Int,Model.  Conf.  Vienna:The Modelica Association,2006:243-249. [ 5 ] BLOCHWITZ T,OTTER M,ARNOLD M,et al.  The Functional Mockup Interface for Tool Independent Exchange of Simulation Models[C]// Modelica Association.Proceedings 8th Modelica Conference.  Dresden:Modelica Association,2011:105-114. [ 6 ] QIU K Y,YANG J L,GAO Z,et al.  A Review of Modelica Language in Building and Energy:Development,Applications,and Future Prospect[J].  Energy & Buildings,2024,308:113998-1-21. [ 7 ]  黄华 , 周凡利 .  Modelica 语言建模特性研究 [J].   机械与电子 ,2005(8):62-65. [ 8 ]  谷志才 .   基于 Modelica 的多领域统一建模系统开发 [J].   机械工程与自动化 ,2010(3):20-22. [ 9 ] WAINER G A,D ’ ABREU M C.  Using a Discrete-Event System Specifications(DEVS) for Designing a Modelica Compiler[J].  Advances in Engineering Software,2015,79:111-126. [10]  余良仕 .   基于 Modelica 的新型蒸发式冷凝器传热传质过程建模与仿真 ( 硕士学位论文 )[D].   西安 : 长安大学 ,2022:45-54. [11]  程超军 , 郝兴军 , 李朝伟 , 等 .   基于 Modelica/Dymola 的间壁式换热器仿真研究 [J].   机电工程 ,2014(4):537-540. [12] MARTINEZ-VIOL V,URBANO E M,DELGADO-PRIETO M,et al.  Automatic Model Calibration for Coupled HVAC and Building Dynamics Using Modelica and Bayesian Optimization[J].  Building and Environment,2022,226:109693-1-12. [13] LU X,FU Y Y,O'NEILL Z,et al.  A Holistic Fault Impact Analysis of the High-Performance Sequences of Operation for HVAC Systems:Modelica-Based Case Study in a Medium-Office Building[J].  Energy and Buildings,2021,252:111448-1-21. [14] PERERA D W U,WINKLER D,SKEIE N O.  Multi-Floor Building Heating Models in MATLAB and Modelica Environments[J].  Applied Energy,2016,171:46-57. [15] SCHWEIGER G,LARSSON P O,MAGNUSSON F,et al.  District Heating and Cooling Systems-Framework for Modelica-Based Simulation and Dynamic Optimization[J].  Energy,2017,137:566-578. [16] BACHMANN M,FURST Y,STANICA D,et al.  DHCSIM — a Modelica Library for Simple Modeling of Complex DHC Systems[J].  Energy Reports,2021,7:294-303. [17] FALAY B,SCHWEIGER G,O ’ DONOVAN K,et al.  Enabling Large-Scale Dynamic Simulations and Reducing Model Complexity of District Heating and Cooling Systems by Aggregation[J].  Energy,2020,209:118410-1-12. [18] VAN DER HEIJDE B,FUCHS M,RIBAS TUGORES C,et al.  Dynamic Equation-Based Thermo-Hydraulic Pipe Model for District Heating and Cooling Systems[J].  Energy Conversion and Management,2017,151:158-169. [19] DEL HOYO ARCE I,HERRERO LOPEZ S,LOPEZ PEREZ S,et al.  Models for Fast Modelling of District Heating and Cooling Networks[J].  Renewable and Sustainable Energy Reviews,2018,82:1863-1873. [20] MORTADA S,ZOUGHAIB A,CLODIC D,et al.  Dynamic Modeling of an Integrated Air-to-Air Heat Pump Using Modelica[J].  International Journal of Refrigeration,2012,35:1335-1348. [21] WOLSCHT L,KNOBLOCH K,JACQUEMOUD E,et al.  Dynamic Simulation and Experimental Validation of a 35 MW Heat Pump Based on a Trans Critical CO 2  Cycle[J].  Energy,2024,294:130897-1-12. [22] CHAMOUN M,RULLIERE R,HABERSCHILL P,et al.  Modelica-Based Modeling and Simulation of a Twin Screw Compressor for Heat Pump Applications[J].  Applied Thermal Engineering,2013,58:479-489. [23] SANGI R,MULLER D.  Dynamic Modelling and Simulation of a Slinky-Coil Horizontal Ground Heat Exchanger Using Modelica[J].  Journal of Building Engineering,2018,16:159-168. [24] ABUGABBARA M,LINDHE J,JAVED S,et al.  Modelica-Based Simulations of Decentralised Substations to Support Decarburisation of District Heating and Cooling[J].  Energy Reports,2021,7:465-472. [25] SIMIC K,T'JOLLYN I,FAES W,et al.  Modelling of a Gas-Fired Heating Boiler Unit for Residential Buildings Based on Publicly Available Test Data[J].  Energy & Buildings,2021,253 ： 111451-1-17. [26] SANGI R,JAHANGIRI P,THAMM A,et al.  Dynamic Exergy Analysis-Modelica-Based Tool Development:a Case Study of CHP District Heating in Bottrop,Germany[J].  Thermal Science and Engineering Progress,2017(4):231-240. [27] HINKELMAN K,ANBARASU S,WETTER M,et al.  A Fast and Accurate Modeling Approach for Water and Steam Thermodynamics with Practical Applications in District Heating Simulation[J].  Energy,2022,254:124227-1-19. [28] SODJA A, ZUPANCIC B.  Modelling Thermal Processes in Buildings Using an Object-Oriented Approach and Modelica[J].  Simulation Modelling Practice and Theory,2009,17:1143-1159. [29] HALIMOV A,LAUSTER M,MULLER D.  Validation and Integration of a Latent Heat Storage Model into Building Envelopes of a High-Order Building Model for Modelica Library Aixlib[J].  Energy & Buildings,2019,202:109336-1-12. [30] BUNNING F,SANGI R,MULLER D.  A Modelica Library for the Agent-Based Control of Building Energy Systems[J].  Applied Energy,2017,193:52-59. [31] AUGELLO L,NAIK A,MORCIANO M,et al.  Acausal Equation-Based and Object-Oriented Modeling of Heating Systems:the College Thermal Library[J].  Case Studies in Thermal Engineering,2023,45:102894-1-10. [32] MACCARINI A,SOTNIKOV A,SOMMER T,et al.  Influence of Building Heat Distribution Temperatures on the Energy Performance and Sizing of 5th Generation District Heating and Cooling Networks[J].  Energy,2023,275:127457-1-12. [33] GIRAUD L,BAVIÈRE R,PAULUS C,et al.  Dynamic Modelling,Experimental Validation and Simulation of a Virtual District Heating Network[C].  ECOS.  The 28th International Conference on Efficiency,Cost,Optimization,Simulation and Environmental Impact of Energy Systems.  Paris:ECOS,2015:1-13. [34]  周广 , 周孝清 , 何石泉 .   表冷器湿工况传热性能的简化预测方法 [J].   暖通空调 ,2019(8):120-126. [35]  罗思璇 .   基于 Mworks 软件的表面式蒸发器仿真与研究 ( 硕士学位论文 )[D].   武汉 : 华中科技大学 ,2013:47-54. [36]  刘庆 .   基于 Mworks 平台的空冷冷凝器仿真研究 ( 硕士学位论文 )[D].   武汉 : 华中科技大学 ,2013:9-43. [37]  邢立淼 , 湛力 , 黄彦平 .   应用 Modelica 建模语言研究阀门综合性能 [J].   工业技术创新 ,2018(6):95-100. [38]  戴晓川 , 黄晓明 , 刘伟 .   应用于余热回收的板式换热器的动态特性仿真研究 [J].   节能技术 ,2016(4):296-361. [39]  任博 , 曹克强 , 李永林 , 等 .   基于 Dymola 的变量泵温度仿真与试验验证 [J].   机床与液压 ,2010(4):113-117.   [40]  陈长明 .   城市供热系统二级网建模与动态特性分析 ( 硕士学位论文 )[D].   杭州 : 浙江大学 ,2017:33-39. [41]  管铮 . 基于 Modelica 模型的集中供热系统管网动态平衡分析及控制方法研究 ( 硕士学位论文 )[D].   兰州 : 兰州交通大学 ,2022:18-44. [42]  张宸博 .   基于 Modelica 的换热管网系统水动力特性分析 ( 硕士学位论文 )[D].   西安 : 西京学院 ,2022:29-60. [43]  孙鑫南 .   基于 Modelica 的蒸汽管网系统热工水力动态特性分析 ( 硕士学位论文 )[D].   杭州 : 浙江大学 ,2019:44-58. [44] WU C,CHEN Z G,ZHANG Y M,et al.  A Case Study of Multi-Energy Complementary Systems for the Building Based on Modelica Simulations[J].  Energy Conversion and Management,2024,306:118290-1-12. [45] O'DONOVAN K,FALAY B,LEUSBROCK I.  Renewables,Storage,Intelligent Control:How to Address Complexity and Dynamics in Smart District Heating Systems?[J].  Energy Procedia,2018,149:529-538. [46] BILARDO M,SANDRONE F,ZANZOTTERA G,et al.  Modelling a Fifth-Generation Bidirectional Low Temperature District Heating and Cooling (5GDHC) Network for Nearly Zero Energy District (nZED)[J].  Energy Reports,2021,7:8390-8405. [47] SOONS F F M,GALDIZ J I T,HENSEN J L M,et al.  A Modelica Based Computational Model for Evaluating a Renewable District Heating System[C]//    Eindhoven University of Technology.  Proceedings of the 9th International Conference on System Simulation in Buildings.  Liege:Eindhoven University of Technology,2014:1-16. [48] GUELPA E,VERDA V.  Thermal Energy Storage in District Heating and Cooling Systems:a Review[J].  Applied Energy,2019,252:113474-1-21. [49] BOIS J,MORA L,WURTZ E.  Energy Saving Analysis of a Solar Combi-System Using Detailed Control Algorithm Modeled with Modelica[J].  Energy Procedia,2015,78:1985-1990. [50] SAZON T A,ZHANG Q,NIKPEY H.  Comparison of Different Configurations of a Solar-Assisted Ground-Source CO 2  Heat Pump System for Space and Water Heating Using Taguchi-Grey Relational Analysis[J].  Energy Conversion and Management,2024,300:117881-1-16. [51] SAZON T A,ZHANG Q,NIKPEY H.  Comparison of Different Strategies for Operating a Solar-Assisted Ground-Source CO 2  Heat Pump System for Space and Water Heating[J].  Energy Conversion and Management,2024,22:100604-1-13. [52] SAZON T A,NIKPEY H.  Modeling and Investigation of the Performance of a Solar-Assisted Ground-Coupled CO 2  Heat Pump for Space and Water Heating[J].  Applied Thermal Engineering,2024,236:121546-1-15. [53] CHEN Y B,CHEN Z S,CHEN Z,et al.  Dynamic Modeling of Solar-Assisted Ground Source Heat Pump Using Modelica[J].  Applied Thermal Engineering,2021,196:117324-1-14. [54] WANG L T,YU S S,KONG F Q,et al.  A Study on Energy Storage Characteristics of Industrial Steam Heating System Based on Dynamic Modeling[J].  Energy Reports,2020(6):190-198. [55] BELLOS E,ILIADIS P,PAPALEXIS C,et al.  Dynamic Investigation of Centralized and Decentralized Storage Systems for a District Heating Network[J].  Journal of Energy Storage,2022,56:106072-1-18. [56] XU L Y,GUO F,HOES P J,et al.  Investigating Energy Performance of Large-Scale Seasonal Storage in the District Heating System of Chifeng City:Measurements and Model-Based Analysis of Operation Strategies[J].  Energy & Buildings,2021,247:111113-1-20. [57] STOCK J,ARJUNA F,XHONNEUX A,et al.  Modelling of Waste Heat Integration into an Existing District Heating Network Operating at Different Supply Temperatures[J].  Smart Energy,2023(10):100104-1-13. [58] DESIDERI A,HERNANDEZ A,GUSEV S,et al.  Steady-State and Dynamic Validation of a Small-Scale Waste Heat Recovery System Using the Thermal Cycle Modelica Library[J].  Energy,2016,115:684-696. [59] KATIPAMULA S,BRAMBLEY M R.  Review Article ： Methods for Fault Detection,Diagnostics,and Prognostics for Building Systems — A Review,Part I[J].  HVAC&R Research,2005(1):3-25. [60] SINGH V,MATHUR J,BHATIA A.  A Comprehensive Review:Fault Detection,Diagnostics,Prognostics,and Fault Modeling in HVAC Systems[J].  International Journal of Refrigeration,2022,144:283-295. [61]  赵阳 , 端木琳 .   暖通空调系统智能化故障检测诊断研究综述与展望 [J].   区域供热 ,2018(2):58-63. [62] HUANG S,ZUO W D,VRABIE D,et al.  Modelica-Based System Modeling for Studying Control-Related Faults in Chiller Plants and Boiler Plants Serving Large Office Buildings[J].  Journal of Building Engineering,2021,44:102654-1-12. [63] VALLEE M,WISSOCQ T,GAOUA Y,et al.  Generation and Evaluation of a Synthetic Dataset to Improve Fault Detection in District Heating and Cooling Systems[J].  Energy,2023,283:128387-1-12. [64] ZIMMERMAN N,DAHLQUIST E,KYPRIANIDIS K.  Towards On-Line Fault Detection and Diagnostics in District Heating Systems[J].  Energy Procedia,2017,105:1960-1966. [65] MERTZ T,SERRA S,HENON A,et al.  A MINLP Optimization of the Configuration and the Design of a District Heating Network:Academic Study Cases[J].  Energy,2016,117:450-464. [66] SAMETI M,HAGHIGHAT F.  Optimization Approaches in District Heating and Cooling Thermal Network[J].  Energy and Buildings,2017,140:121-130. [67] ZHANG A, WANG X.  Development of Modelica-Based One-Dimensional Thermodynamic Cycle Library and Its Application in Simulation and Multi-Objective Optimization of a He-Xe Closed-Brayton-Cycle System[J].  Progress in Nuclear Energy,2024,172 ： 105205-1-16. [68]  吴义忠 , 陈立平 .   多领域物理系统的仿真优化方法 [M].  北京 : 科学出版社， 2011:134-144. [69]  蒋占四 .   基于 Modelica 模型的参数优化及推理求解研究 ( 博士学位论文 )[D].   武汉 : 华中科技大学 ,2008:60-73. [70]  敖景 贇 , 杜晨秋 , 雷惠婷 , 等 .   建筑性能模拟中多目标优化方法及应用研究综述 [J] ．暖通空调 ,2024(7):1-16,165. [71] BUNNING F,WETTER M,FUCHS M,et al.  Bidirectional Low Temperature District Energy Systems with Agent-Based Control:Performance Comparison and Operation Optimization[J].  Applied Energy,2018,209:502-515. [72] ROHDE D,KNUDSEN B R,ANDRESEN T,et al.  Dynamic Optimization of Control Setpoints for an Integrated Heating and Cooling System with Thermal Energy Storages[J].  Energy,2020,193:116771-1-18. [73] GONG Y L,LIU G P,LU Z N.  Extremum Seeking Control for Real-Time Optimization of High Temperature Heat Pump Systems Incorporating Vapor Injection[J].  Thermal Science and Engineering Progress,2023,42:101867-1-12. [74] JANSEN J,JORISSEN F,HELSEN L,et al.  Optimal Control of a Fourth Generation District Heating Network Using an Integrated Non-Linear Model Predictive Controller[J].  Applied Thermal Engineering,2023,223:120030-1-15. [75] YANG X C,PAN L,GUAN W Z,et al.  Heat Flexibility Evaluation and Multi-Objective Optimized Control of a Low-Energy Building with District Heating[J].  Energy & Buildings,2022,277:112523-1-7. [76] SAVADKOOHI M,MACARULLA M,CASALS M.  Facilitating the Implementation of Neural Network-Based Predictive Control to Optimize Building Heating Operation[J].  Energy,2023,263:125703-1-12. [77] YANG X C,PAN L,GUAN W Z,et al.  Optimization of the Configuration and Flexible Operation of the Pipe-Embedded Floor Heating with Low-Temperature District Heating[J].  Energy & Buildings,2017,269:112245-1-13. [78] GUO T,CHEN Y S,KRIEGEL M.  Novel Multi-Level Optimization of District Heating Systems:Managing Spatial Scale and Equipment Portfolio Design[J].  Energy & Buildings,2024,317:114395-1-18. [79] HOFFMANN C,PUTA H.  Dynamic Optimization of Energy Supply Systems with Modelica Models[J].  IFAC Proceedings Volumes,2006,39:51-56. [80] CIGLER J,GYALISTRAS D,SIROKY J,et al.  Beyond Theory:the Challenge of Implementing Model Predictive Control in Buildings[C]// REHVA.  11th REHVA World Congress & the 8th International Conference.Prague:REHVA,2013:1008-1018.  [81] PIPPIA T,LAGO J,CONINCK R D,et al.  Scenario-Based Nonlinear Model Predictive Control for Building Heating Systems[J].  Energy & Buildings,2021,247:111108-1-14. [82] MORK M,MATERZOK N,XHONNEUX A,et al.  Nonlinear Hybrid Model Predictive Control for Building Energy Systems[J].  Energy & Buildings,2022,270:112298-1-16. [83] MORK M,XHONNEUX A,MULLER D.  Nonlinear Distributed Model Predictive Control for Multi-Zone Building Energy Systems[J].  Energy & Buildings,2022,264:112064-1-20. [84] MORK M,REDDER F,XHONNEUX A,et al.  Real-World Implementation and Evaluation of a Model Predictive Control Framework in an Office Space[J].  Journal of Building Engineering,2023,78:107619-1-20. [85] KIM J B,JEONG W S,CLAYTON M J,et al.  Developing a Physical BIM Library for Building Thermal Energy Simulation[J].  Automation in Construction,2015,50:16-28. [86] ANDRIAMAMONJY A,KLEIN R,SAELENS D.  Automated Grey Box Model Implementation Using BIM and Modelica[J].  Energy & Buildings,2019,188/189:209-225. [87] ANDRIAMAMONJY A,SAELENS D,KLEIN R.  An Automated IFC-Based Workflow for Building Energy Performance Simulation with Modelica[J].  Automation in Construction,2018,91:166-181. [88] SEIDENSCHNUR M,KUCUKAVCI A,FJERBAK E V,et al.  A Common Data Environment for HVAC Design and Engineering[J].  Automation in Construction,2022,142:104500-1-16. [89] HERMANSSON K,KOS C,STARFELT F.  An Automated Approach to Building and Simulating Dynamic District Heating Networks[J].  IFAC-PapersOnLine,2018(2):855-860. [90] SANGI R,BARNSKI M,OLTMANNS J.  Modeling and Simulation of the Heating Circuit of a Multi-Functional Building[J].  Energy and Buildings,2016,110:13-22. [91] SANCHEZ V F,MARIJUAN A G.  Integrated Model Concept for District Energy Management Optimisation Platforms[J].  Applied Thermal Engineering,2021,196:117233-1-20. [92] CUCCA G,IANAKIEV A.  Assessment and Optimisation of Energy Consumption in Building Communities Using an Innovative Co-Simulation Tool[J].  Journal of Building Engineering,2020,32:101681-1-12. （本文责任编辑：贺明健） 声明：本文著作权（版权）归《煤气与热力》杂志社所有。 点击关注我们↘