通过在建筑能源管理系统(BEMS)中应用控制算法对暖通空调系统(HAVC)进行运行优化是建筑节能的重要组成部分。在传统情况下,HAVC系统的运行调节高度依赖于建筑设施管理人员。由于HAVC系统的工况随时间的不同有很大的变化,系统运行参数的设置需要考虑各种条件,人工很难进行精准调节。因此为了提高节能效率,探索在BEMS中针对HAVC建立一个可以动态适应不同条件的节能优化系统的完整方法以及在完整方法的基础上实现该节能优化系统变得至关重要。本论文即围绕HAVC优化系统的搭建以及优化的四个关键问题进行研究:一是优化系统的搭建需要运行数据的支撑,如何从现有的建筑管理系统中获得相应的数据,以及如何进行数据预处理,从而保证数据的质量和有效性。二是如何从分支众多的控制优化算法中选择合适的算法以及如何将数据导入到算法里进行科学计算。三是算法计算的最终结果如何与系统的控制参数产生映射并实现实际设备控制,以及如何反馈控制的安全性。最后是在整个系统工程的开发和实施过程中如何保证工程的规范性,如何尽可能的降低使用和部署难度。针对以上四个问题,本文引入并介绍了系统实现所必须的基础工程框架Niagara,遵循Niagara规范以保证工程规范性,然后梳理了相关机器算法,选择了多层神经网络算法DQN作为系统核心算法。使用Python语言基于Tensor Flow开发实现了DQN,为了解决DQN算法初始状态控制效果不佳以及对历史数据利用不足的问题,本文使用了模仿学习方法,利用历史数据初始化算法模型,优化了算法初始状态的控制效果。本文使用Python语言开发了基于Obix协议的控制程序,结合Niagara安全组件,保证反馈控制的安全。最终使用Docker封装优化算法应用程序,降低了使用和部署的难度。本文以上海市某大厦暖通空调系统为案例对HAVC运行优化系统使用的整体流程进行了说明,并对其运行优化效果进行了分析,其结果显示,本文实现的基于多层神经网络算法DQN的HAVC运行优化组件在满足用户舒适度、建筑负荷要求的同时,能够起到控制优化的作用。与人工控制相比,响应速度更快。此外,该组件在Niagara环境中具有易用性,且知识依赖程度低,自适应强,具有一定的实用性。