强化学习可以取代 MPC 吗

直接回答：不能简单说取代。强化学习和 MPC 各有优势，真实建筑更适合分层、受限和逐步验证的组合方案。

MPC 通过显式模型和约束求解未来控制，行为较容易解释。强化学习从交互数据学习策略，可能减少在线优化计算，但需要大量训练和可靠环境。

真实建筑不能无限试错，设备磨损、舒适投诉和医疗风险都必须被限制。动作过滤、现场联锁和人工接管仍是必要条件。

可以先让强化学习做离线建议或调整上层参数，再评估长期稳定性。仿真中的节能率不能直接作为现场承诺。

延伸阅读

文献依据与适用范围

下列文献用于约束本文的技术边界。文章为工程解读，不复制论文全文，也不把论文实验值换算成智枫昊元的项目承诺。

1. A Review of Reinforcement Learning Applications to Control of Heating, Ventilation and Air Conditioning SystemsSierla, S.; Ihasalo, H.; Vyatkin, V. · Energies · 2022综述强化学习在 HVAC 控制中的应用、动作空间、奖励设计和落地挑战。
2. Reinforcement learning for control and optimization of real buildings: Identifying and addressing implementation hurdlesKannari, L.; Wessberg, N.; Hirvonen, S.; Kantorovitch, J.; Paiho, S. · Journal of Building Engineering · 2025聚焦真实建筑中的强化学习部署障碍，说明仿真成绩不能直接等同于现场可靠性。
3. All you need to know about model predictive control for buildingsDrgona, J.; Arroyo, J.; Cupeiro Figueroa, I.; et al. · Annual Reviews in Control · 2020从控制与建筑工程两个视角讨论建筑 MPC 的建模、优化、实施和运行问题。
4. ASHRAE Guideline 36-2024 High-Performance Sequences of Operation for HVAC SystemsASHRAE · ASHRAE · 2024面向常见 HVAC 系统的高性能标准控制序列，强调可复用的顺序、联锁和故障处理。

本问答提供通用技术判断，不替代项目设计、医疗感控、消防安全、设备厂家说明或正式测量验证。