空调成为了人们日常生活中的必须品。空调在给人们舒适环境的同时会造成大量的能源消耗。为了减少空调运行时电能的浪费,本文对下一时刻的空调负荷进行预测,使用的模型为长短期记忆（Long-Short Term Memory,LSTM）模型。通过负荷预测可以提前确定空调设备的最佳工况点,以此减少空调超负荷工作的时间,从而达到节能的目的。一个好的控制器可以使系统快速响应并且更快地到达稳定状态,也能有效减少空调的耗能。所以本文使用分数阶内模控制器来对空调房间温度进行调节,利用神经网络对控制器参数进行实时修正。对于冷冻水系统的优化控制,本文使用改进的麻雀搜索算法来寻找控制器最优参数。本文研究的内容如下:（1）本文用于负荷预测的参数类型有负荷、室外温度和室外湿度,使用灰色关联度对数据进行分析,找出关联度较大的负荷影响因素。数据一部分用来进行离线的训练,一部分用来对下一时刻的值进行预测。把数据带入到训练好的LSTM模型中进行负荷的预测,并对比了反向传播神经网络（Back Propagation Neural Networks,BPNN）模型和支持向量机（Support Vector Machine,SVM）模型的预测效果。LSTM模型预测的效果最好,MAE和RMSE两个评价指标的值分别为24.34和33.88。而且该模型的预测时间为120s,比SVM模型要少,比BP模型要稍微多一点。比较使用灰色关联度分析法前后的预测结果发现,使用灰色关联度之后两个评价指标分别为24.34和33.88,不使用灰色关联度之后两个评价指标分别为27.35和35.60,使用灰色关联度分析法有效提高了模型的预测精度。（2）LSTM模型对于负荷可以深度挖掘,但是收敛速度比较慢。门控循环单元（Gated Recurrent Unit,GRU）的结构简单,收敛速度快,但是处理大数据的能力不如LSTM。基于二者的优点,本文将GRU和LSTM结合起来。先将数据经过LSTM层,找到数据之间的联系,再将数据经过GRU层,加快收敛。建立双向LSTM和双向GRU,并把它们组合起来,使用组合后的模型来预测负荷。通过仿真对比发现,本文提出的模型预测效果最好,第一天评价指标的值分别为18.725807和23.796540,训练时间为251s,第二天评价指标的值分别为11.0212和14.2416,训练时间为135s。（3）PID控制器在控制过程中其参数不会发生变化,这会导致在控制过程中产生较高的超调量和较长的稳定时间。为了提高空调房间温度的控制效果,节约能耗,本文提出了一种基于神经网络自整定的分数阶内模控制器来对空调房间的温度进行调节。首先对PID控制器进行改造,通过内膜原理将控制器传递函数中的参数仅使用滤波时间常数表示。然后将分数阶次加入到控制器中的积分和微分项上,从而构造分数阶内模控制器。最后使用神经网络对该控制器的参数进行实时的修正。整定之后的控制器使系统达到稳态所需的时间最少,为6.1s,系统响应产生的最大峰值也最小,为29.3223。该控制器控制效果比其他的控制器都要好。（4）使用经典PID控制器不能有效控制冷冻水系统。本文提出基于改进的麻雀搜索算法来对冷冻水系统进行优化控制。首先,使用随机游走策略对麻雀的位置进行随机改变,提升麻雀群寻找更好位置的能力。其次,使用高斯变异对更新完位置的麻雀进行位置上的变异操作,增强个体在其周边充分搜索的能力。最后,在Matlab中进行建模,并且和其它群体优化算法进行比较。本文的方法寻找到的PID参数值分别为3.6982、0.034355和3.3944,系统到达稳态所需的时间最少为12.75s,控制效果最好。通过和文献[87]进行对比,超调量为0,上升时间为2.713s,调整时间为4.95s,优于文献中的各项指标。