空调已逐渐成为建筑中必不可少的设备,空调能耗占建筑总能耗的比例也在逐渐上升。而空调水系统作为空调系统的主要能耗系统,其节能优化研究对建筑节能减排具有重要意义。本文从负荷预测、能耗建模、参数优化三个角度对中央空调水系统进行研究,主要内容如下:（1）使用灰色关联度对数据进行分析,发现使用历史负荷数据能够很好的预测空调系统负荷。提出使用变分模态分解和核极限学习机的混合预测方法进行负荷预测,同时使用麻雀搜索算法对核极限学习机的参数进行优化,从而进一步提高预测模型性能。仿真发现,使用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化后的核极限学习机（Kernel Extreme Learning Machine,KELM）模型误差指标均降低了,其中平均绝对误差（Mean Absolute Error,MAE）降低了13.62%,均方根误差（Root Mean Square Error,RMSE）降低了12.17%,平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）降低了6.36%。而同样使用SSA优化后的KELM算法,经变分模态分解（Variational Modal Decomposition,VMD）模型的误差也比未经VMD分解的模型误差小,其中MAE降低了52.34%,RMSE降低了57.81%,MAPE降低了60.08%。即VMD-SSAKELM混合模型具有得很高的预测精度。（2）对影响空调水系统能耗的有关设备参数进行分析,选择使用冷冻水进口温度、冷冻水出口温度、冷却水进口温度、冷却水出口温度、冷冻水流量、冷却水流量和制冷量这七个参数作为输入,水系统总能耗作为输出建立能耗预测模型。对比了人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）、分类与回归树（Classification And Regression Trees,CART）这三种常用的机器学习技术建立的模型性能,选择使用ANN作为空调水系统能耗建模方法。同时,针对ANN容易陷入局部最优解的问题,使用改进的差分进化算法对ANN的初始权值和阈值进行优化,仿真发现优化后模型的RMSE和MAE分别降低了20.5%和30.2%。（3）为得到给定负荷下空调水系统各设备参数的最优设定值,本文基于建立的神经网络能耗预测模型,以某典型日的空调负荷为输入条件,神经网络输出的预测能耗为适应度函数,分别使用遗传算法和改进差分进化算法进行参数寻优控制。仿真结果表明,使用遗传算法优化后一天约节省137kw能耗,而使用改进差分进化算法优化后,一天约能节省264kw能耗。