建筑节能是我国实现碳减排目标的关键之一。我国建筑能耗总量的40%左右是建筑的供暖和空调能耗,迫切需要开发节能环保的空调和供暖方式。地热能是一种分布广泛、可持续利用的清洁能源。利用浅层地热能的地源热泵技术是一种良好的空调和供暖方式。对于地源热泵系统而言,在冷热负荷不平衡地区（如重庆地区）存在土壤热失衡问题,即地源热泵系统夏季向周围土壤的散热量远大于冬季从周围土壤的吸热量,从而导致土壤温度呈逐年升高趋势。相反的,对于热负荷远大于冷负荷的地区,地源热泵系统长期运行,会导致地埋管区域土壤温度逐年降低。而土壤温度的变化又会导致地源热泵系统的全年运行能效降低。为了保持地源热泵系统节能高效运行,需要缓解地埋管区域土壤热失衡,缓解地埋管区域土壤的冷热堆积。可以通过调整地埋管换热器承担的冷热负荷,改变地埋管换热器的吸排热量,使得地埋管区域土壤温度在一定范围内达到动态平衡,从而保证地源热泵系统处于节能高效运行状态。于是,建立了地埋管区域土壤温度预测的BP神经网络模型。使用该BP神经网络模型预测系统运行一段时间后的土壤温度,当预测的土壤温度过高或过低,存在较大程度土壤热失衡时,调整地埋管换热器承担的冷热负荷,使得土壤温度处于设定范围内,保证地源热泵系统能效高于常规供冷供热方式,保证地源热泵系统处于节能高效运行状态。BP神经网络模型的训练和测试需要大量数据,首先,通过模拟计算获得数据用于神经网络训练和测试。于是,本文基于某办公建筑,在De ST软件中建立建筑负荷计算模型,计算得到该建筑的逐时负荷。在TRNSYS软件中建立地源热泵系统模型,模拟系统运行10年,计算得到地埋管区域的土壤平均温度数据。上面计算得到的冷热负荷数据和土壤平均温度数据,作为BP神经网络模型的训练和测试数据。然后,对比不同的隐含层结构、训练算法和不同神经网络的输入时,BP神经网络预测的精度,得到了地埋管区域土壤温度预测精度最高的BP神经网络模型。该模型测试数据的平均相对误差为0.24%,最大相对误差为0.92%,决定系数R2达到0.99864。该BP神经网络模型共有21输入:10个单位月累计负荷、10个负荷特征参数K1和初始土壤平均温度,共有1个输出:换热后土壤平均温度。该BP神经网络模型隐含层为两层,第一层神经元个数为2,第二层神经元个数为6。训练算法为TRAINLM算法。对于本文地源热泵系统,第五年供冷季末土壤平均温度升至26.6℃,存在土壤热失衡,此时,地源热泵系统的能效降低至低于常规供冷供热方式。于是,通过增加地埋管换热器从土壤吸热量、减小地埋管换热器向土壤排热量,降低土壤温度。应用BP神经网络模型预测,系统按照不同调整方案运行后土壤的温度,得到了较好的负荷分配方案,既供热季和过渡季每月供应约20,000k Wh生活热水。此时,第五年供冷季末土壤平均温度为25.9℃,第五年供冷季地源热泵系统能效高于常规供冷方式。地温预测的BP神经网络模型可以通过预测地温,调整地埋管换热器承担的冷热负荷,使得地温处于某一范围内。在地埋管区域土壤热失衡较小的基础上,尽可能多地使用地埋管换热,保证地源热泵系统节能高效运行。