1、冗余能耗：非预测优化过程与理想优化过程（优化时间步长无限缩小）之间的能耗差。
2、方案目标：在不缩短时间步长的情况下通过预测控制尽可能减少冗余能耗。
3、实施步骤：
首先，建立冷负荷预测模型、监督优化控制模型、空调系统模型；
在一个时间步长开始时，执行：1）通过冷负荷预测模型预测下个时间步长的冷负荷（实际上还需要预测室外湿球温度，文中为了简化问题，假定时间步长内室外湿球温度保持不变）；2）将冷负荷和湿球温度的预测结果传递给优化算法，搜索得到优化控制策略（优化算法的优化目标为当前功率和时间步长结束时的功率的和最小，系统功率由空调系统模型计算得到）；3）执行控制策略。
不断重复步骤2。
4、模型算法：
空调系统模型：由冷却塔（ANN模型）、冷却水泵（数学公式）、冷水机组（ANN模型）三部分组合而成的“灰盒“模型，ANN模型基于现场测试数据和TRNSYS模拟生成的数据进行训练；没有建立建筑模型，建筑侧特性包含在负荷预测模型和冷机模型里了；
动态冷负荷预测：根据历史负荷、建筑信息、环境天气预测未来1小时冷负荷，尝试了无偏随机游走、ANN、集成模型（分别根据建筑历史冷负荷、系统状态建立两个子模型再集成起来），其中集成模型效果最好，R^2=0.9605（数据来自于香港的真实写字楼，似乎只用了4个工作日的数据且只有冷负荷和室外湿球温度，竟然有这么好的效果）；
优化控制：采用GA（遗传算法），优化控制的变量为冷冻水供水温度、冷却水供水温度、冷却水流量（不含冷冻水流量）。
5、实例研究
方案通过 MATLAB 而非真实空调系统进行分析和验证；
当冷负荷迅速攀升时（早8点到9点），预测控制的节能量较明显；
冷却水流量对空调负荷更为敏感，与非预测控制相比，预测控制给出的冷却水流量变化明显，冷冻水供水温度、冷却水供水温度则几乎相等；
经计算预测优化可以降低80%以上的冗余能耗，然而本案例4天的累计冗余能耗累计只有14kWh，这有点离谱，作者解释可能的原因是，因为冷站系统参数限制，冷却水流量只能在95.5%～100%之间调节，而冷却水流量是系统能耗的主要影响因素，所以冗余能耗非常有限，如果冷却水流量调节范围增大，例如可以下调到40%或50%，冗余能耗会大大增加。
思考