建筑是重要的能耗源,如何降低建筑物的综合能耗,提高其内部能源系统的使用效率,改善建筑环境的舒适性,对我国国民经济长远的发展至关重要,为此,运用人工智能的理论和方法,开展建筑电气节能控制研究,降低建筑电气能耗,具有重要的理论意义和工程实践价值。本文从谐波源识别和纯电容无功补偿的谐波抑制、变风量空调系统的预测控制及解耦控制、建筑电气节能评价三个方面,开展建筑电气节能关键问题研究。为了减少谐波对建筑电气的危害,降低建筑电气的能耗,本文开展了谐波源识别和纯电容无功补偿的谐波抑制研究,然而,谐波治理的关键是如何实时监测供电系统的谐波电压、电流以及单次谐波含有率等谐波畸变率参数并进行全面的分析评估。为此,建立了基于改进BP神经网络的谐波源诊断方法,以畸变率实测数据为神经网络提供输入特征向量,实现对谐波干扰源的诊断分类。结果表明,网络输出值与期望值接近,最大误差为0.09%。同时,论文采用了纯电容无功补偿的谐波解决策略,经测试和分析发现,当系统中含有高次谐波时,使用常规的纯电容补偿作为无功补偿策略存在缺陷,为此提出在无功补偿回路中,采用电抗器与电容器串联的方法,改变其在谐波作用下的阻抗特性,使无功补偿回路不呈现容性,避免谐波的放大和谐振的产生。在谐波抑制研究的基础上,开展了变风量空调系统的预测控制及解耦控制结构的研究。分析可知,中央空调系统是一个多变量、复杂、时变的系统,其过程要素之间存在着严重的非线性、大滞后及强耦合关系,导致中央空调系统控制困难,因而造成电能大量浪费的问题。为此,本文设计了神经网络预测控制器结构,构建了控制模型,该模型针对Tcm关于T的偏导不可求的问题,采用△t对NNC的权值进行调整,实现了单隐层三入单出结构,同时提出模糊神经网络预测控制方法,该方法中结构层记忆隐含层单元前一时刻的输出值,具有动态记忆功能,使预测输出与输入量有机结合,强化动态记忆功能,提高预测精度。进一步,建立了神经网络预测控制器结构,该空调系统的控制部分主要由控制器和预测器两部分组成。其中控制器采用模糊神经网络控制器,预测器采用递归小波神经网络结构。仿真结果表明,采用模糊神经网络预测控制方法,改善了系统的超调量、调节时间和稳态精度,提高了系统的自适应性和鲁棒性,消除了静差,使系统具备良好的适应能力、较强的学习能力和自适应能力。另外,针对变风量空调系统非线性和温湿度控制存在严重的耦合的现象,本文在建立神经网络解耦控制器结构的基础上,采用神经网络和模糊控制相结合的控制理论方法,建立了控制器模型,该模型具有全局逼近能力,且具备拓扑结构紧凑、结构参数分离且收敛速度快的特点,构建了基于Elman神经网络的预测器模型,该模型具有反应动态特性的能力,提出了一种新的多变量空调神经网络解耦控制方法,其中解耦控制器由神经网络完成,即由模糊神经网络控制器得出的温度控制量和湿度控制量作为解耦控制器的输入,再结合耦合通道的输入,经过神经网络解耦后转变为两个单入单出的控制,降低了变风量空调系统由于温度和湿度产生耦合的影响。实验结果表明,该方法提高了空调系统的控制效果,使得变风量空调控制系统的稳态和动态性能得到改善,取得了更显著的电气节能效果。为评价本文提出的谐波抑制和中央空调节能控制方法,同时也为了解决传统建筑电气节能评价方法综合评价结果精度不高的问题,本文基于建筑电气节能评价指标体系建立原则,建立了建筑电气节能评价指标体系,从技术指标、经济指标和功能指标三个方面对该指标体系进行了描述,同时,采用层次分析法,通过建立判定矩阵,根据每个指标对上级指标至总目标的“贡献”大小,计算相对权重,从而构建了完整的评价指标体系。在此基础上,建立了基于BP神经网络的建筑电气节能评价模型,获得了量化的综合评价结果。另外针对BP算法在最小化求解过程中可能会陷入局部极小,得不到最优解的问题,构建了基于混沌神经网络的建筑电气节能评价模型,该模型用人工神经网络对样本建筑进行评价,即对评价模型进行训练网络层包括输入层、输出层和隐含层3层；网络输入层节点数与评价指标个数相对应,共包括三项大指标20项子指标,即输入层神经元个数20；隐含层节点数为8；输出层神经元个数为1,即评价结果。实验结果表明,该评价模型简化了评价过程,降低了误差率,评价软件性能稳定,可操作性强。