城市轨道交通的迅猛发展,使其能耗问题也日益显著。若能对地铁站逐时空调负荷进行预测以指导空调系统运行方案的优化,则可减少传统被动式控制响应滞后与冷量供需不匹配的问题,达到节能运行的目的。首先,对西安某岛式地铁车站的客流特征进行调研,发现客流高峰期乘客排队等待时间较长,存在乘客在站厅和站台的停留时间随客流量以及发车频次而明显变化的特征。因此结合调研结果和相关学者研究,采用行人仿真软件模拟揭示出不同客流量和发车频次下乘客的在站停留时间及客流分布规律,提出了乘客停留时间与客流量及发车间隔的拟合关系式。然后,对地铁车站的空调负荷影响因素进行分析,根据乘客停留时间对站内与空调计算人数相关的负荷进行精细化计算,再对其他负荷进行分析与整理,得到地铁车站的逐时空调负荷。最后,依据车站空调负荷影响因素,对所需相关参数进行采集和整理。利用因子分析和相关分析等统计学方法筛选确定出模型应采用的合适的历史时刻数据作为输入端参数,建立了BP神经网络空调负荷预测模型和采用遗传算法优化的BP空调负荷预测模型,并对负荷预测结果进行对比和验证。对乘客停留时间的研究结果表明,随着客流量的增大,乘客在安检设施处的排队时间增加,导致进站乘客在站厅停留时间从1min到10min变化,而由于发车间隔的缩短,进站乘客在站台停留时间却变短,会从6min变化到2min。基于静态和动态乘客在站停留时间计算得到的人员负荷对比表明,基于动态停留时间的站厅人员空调负荷的波动性较强,在客流高峰时刻,两者差值可达83.1kW,站台人员负荷波动相对平缓,最大负荷差值为-11.4kW。对输入端参数筛选可以提高负荷预测结果的准确性,相较于BP模型,采用遗传算法优化后的模型负荷预测结果更为准确,其对实例车站的站厅层和站台层的冷负荷预测误差分别小于30kW和5kW,湿负荷预测误差分别小于20kg/h和5kg/h。