目前我国建筑能耗占社会总能耗的21.7%左右,其中空调冷冻站系统能耗约占40%以上。冷冻站系统属于复杂热工过程,设备众多,具有回路间耦合、非线性、大滞后以及时变等复杂特性,机理建模困难,而传统的基于数据驱动的建模方法又难以兼顾离线建模和在线修正两方面的性能,造成系统整体优化控制困难。另一方面,由于冷冻站系统属于多回路耦合的复杂非线性系统,传统PID控制参数整定困难,造成系统在工况变化情况下容易发生振荡,且PID控制无法兼顾满足冷量需求和节能两方面的性能。课题组经过调研发现,由于系统容易发生振荡,目前实际工程中冷冻站控制系统在经过12个制冷季的运行后大多被改为手动运行方式,管理和控制粗放,造成极大的能源浪费,因此非常有必要研究冷冻站系统建模和智能优化控制策略,以实现在满足建筑冷量需求的前提下尽可能节能的控制目标。由于冷冻站各设备之间能效互相牵制,某台设备达到高能效状态无法保证系统整体节能,为了能够实现在满足建负荷要求的前提下使整个冷冻站系统能效最佳,本论文提出一种基于负荷预测的冷冻站系统能效比预测控制策略。预测控制的基础是预测模型、滚动优化和反馈校正,鉴于冷冻站为非线性系统,需要研究抗干扰能力强且易于工程实现的冷冻站系统模型构建和在线修正方法,以及计算量小、占用存储空间少的非线性系统滚动优化算法。为改善模型在线修正和模型移植性能,本论文提出一种基于改进Takagi-Sugeno（TS）模糊模型的冷冻站负荷和能效比动态建模方法,首先确定了冷冻站负荷和能效比两个模型的结构和参数;然后基于粒子群算法对模糊C-均值聚类方法进行了优化,以解决传统模糊C-均值聚类算法在迭代求解时对初值的选取要求较高,且易陷入局部最优的问题,从而完成结构辨识;在此基础上,采用扩展卡尔曼滤波算法进行模糊模型后件参数在线修正,以解决场测数据噪声较大引起的参数辨识效果较差的问题,同时提升建模效率。本论文使用研究对象广州某公共建筑的冷冻站运行数据对所构建的负荷和能效比模型性能进行了验证,两个模型相对误差分别是2.75%和2.25%,符合工业控制要求;在此基础上,本论文利用另一座公共建筑的数据对所建立的模型进行模型可移植性验证,结果表明移植后的模型误差在±6%以内,满足工业控制需求。由于冷冻站系统具有非线性,优化求解困难,目前相关领域通常采用HamiltonJacobi-Bellman（HJB）（动态规划）算法进行非线性系统优化求解,但是HJB算法计算量大,占用存储区多,不易工程实现。为此,研究团队提出一种基于神经网络的非线性预测优化算法,采用三层前馈神经网络作为优化反馈控制器,将控制系统优化目标函数,即满足建筑负荷和系统能效比最优作为神经网络优化性能指标,基于Euler-Lagrange算法和随机梯度下降法,对神经网络控制器权值进行滚动优化,以解决Euler-Lagrange开环控制对随机干扰和不确定性敏感的问题,同时避免出现动态规划算法的“维数灾”问题。本论文将上述算法应用于研究对象广州某公共建筑冷冻站系统控制,实验结果表明,本论文所提出的神经网络预测控制策略与PID控制相比,在满足建筑冷量需求的情况下系统平均能效提高约32.5%,并且在控制过程中能够克服各种变化和不确定性因素的影响,具有更好的动态和稳态性能,且该算法占用存储空间适中、计算量小,易于工程实现。在此基础上,鉴于系统优化目标为满足建筑负荷和系统能效比需求,为解决优化目标函数中的性能指标权重自适应调整的问题,本论文设计了权重自适应模糊控制器,并将其加入至预测控制系统的优化目标函数中,模糊控制器根据时变的建筑负荷和系统能效比实时查询模糊控制表得到目标函数最优权重。实验结果表明,在采用神经网络预测优化控制方法的基础上,相较于未加入权重自适应模糊控制器而言,冷冻站系统制备冷量更贴合冷负荷需求量,在保证需求冷量的前提下提高系统能效比约为6.93%。