随着经济的发展与生活水平的提高,空调的使用越来越广泛,随之而来的是耗电量的不断增多,一线城市的空调用电量已占其高峰用电量的25%以上,而且空调与工业生产用电都集中于白天,造成电力系统的峰谷负荷差加大。蓄冷空调可以将空调用电量从白天转移到晚上,晚上通过冷机制冷将冷量存储,并在电力高峰期间释冷。国家出台相关政策鼓励蓄冷技术的应用实施,以达到电力“移峰填谷”效果。但是目前实际工程项目当中的蓄冷空调系统的运行效果并不理想,经过对深圳市现有蓄冷项目的调查研究发现,大多数系统的控制依靠的是工作人员实际积累的经验,而非系统科学的控制策略,因此造成蓄冷项目达不到充分利用蓄冷降低运行费用的目的。蓄冷空调系统具有大滞后、非线性、强耦合的特性,而传统PID控制很难处理各变量间复杂的耦合关系,且不能实现系统的节能和优化控制。预测控制算法对模型要求不高,能处理约束、耦合和滞后问题,适用于水蓄冷空调系统控制。预测控制本质上就是对系统运行状态的最优控制,可以提前预测下一时刻目标值,从而求得系统的目标函数的最小值,进而达到对蓄冷系统运行的最优控制,且预测控制算法对模型要求较低,易于工程实现。另一方面,准确的建筑空调冷负荷预测对水蓄冷空调系统来说是一个基础型性前提条件。只有知道了建筑物次日的负荷需求,才可以以此决定蓄水槽夜间需要蓄存的冷量,这样可以使蓄存的冷量在白天充足应用又不至于浪费。并且在次日蓄冷系统运行时,预测控制策略将根据逐时负荷需求来确定当前时刻冷机与水槽需要承担的负荷,以使系统达到节能和冷量匹配的目的。但是,目前水蓄冷空调系统预测控制研究存在两方面的困难,一是蓄冷空调蓄冷设备多,回路复杂,机理建模困难;且现有的暖通空调仿真平台(如TRNSYS、EnergyPlus等)缺少水槽、板式换热器等模块的动态模型,现有的非动态模型不适用于控制系统的仿真,需要开发动态模块与TRNSYS仿真软件中水泵、管道等模块搭配共同搭建蓄冷系统的仿真平台。二是传统预测控制算法计算量大,在实际工程项目中难以实现。当前利用预测控制算法来进行非线性控制系统求解时,使用率最高的方法就是动态规划(Hamilton-Jacobi-Bellman,HJB)和欧拉方程(Euler-Lagrange,EL),但两者均存在缺点。HJB方程易造成“维数灾”问题,而EL方程只能对特定初始状态下的最优控制向量序列进行求解,且没有反馈功能。本论文以深圳国银大厦水蓄冷空调系统为研究对象,进行负荷预测和控制策略研究。本论文首先利用实际工程中安装的传感器收集到空调季的实际数据,然后采用BP神经网络建立了蓄冷系统的负荷预测模型;为提高网络泛化能力,采用改进的贝叶斯正规化方法对网络模型训练;并利用部分样本数据对已建立的模型进行测试,利用一周的数据测试时只有1.21%的误差,表明该模型可以达到的精度可以满足实际要求,可以用于实际工程项目。本论文研究了神经网络预测控制策略,该策略结合HJB及EL方程的优点,利用控制器对系统寻求使目标函数达到最优的反馈控制量,并且利用滚动优化的方法不断寻找最优解,对于干扰信号和模型不确定性所产生的的影响可以及时减少并排除。本论文所采用的预测控制算法计算量小,能够有效克服“维数灾”问题,易于在实际工程实现。在构建负荷预测模型的基础上,本论文利用TRNSYS快速开发功能,开发了水槽及板式换热器动态模块,并根据TRNSYS中type155模块可调用MATLAB的功能,搭建了TRNSYS与MATLAB联合仿真平台,将所研究的神经网络预测控制策略用于对所搭建的水蓄冷空调系统模型进行控制,来求解蓄冷系统的优化反馈解。通过在联合仿真平台上对神经网络预测控制策略实施测试,所建立的模型通过控制板式换热器热端流量进而达到控制其热端出口温度的目的。实验结果表明,当需要将系统中板式换热器的热端出口温度控制在5.5℃时,利用本论文采用的预测控制策略,系统需要经过190秒的调整时间;而PID控制的调整时间长达20分钟。通过对比实验可得出,本论文当中设计采用的神经网络预测控制策略在对蓄冷空调冷冻水的控制中,可以在负荷变化的情况下将冷冻水控制在5.5℃;且通过对水槽释冷量的控制,在满足空调负荷的同时达到电力“移峰填谷”作用,能够减少运行电费,节省冷水机组能耗。