在北方冬季,采暖普遍存在于家家户户,人们对一个舒适的热环境要求越来越高,因此,建筑室内热环境的舒适性与降低能源消耗是目前智能建筑研究的热点。室内温度是评估室内舒适与否最直观的评价指标,目前对于冬季北方大部分地区,室内热环境主要通过采暖来实现温度的调节,不能满足人们对舒适度的要求,这其中的能源消耗量也很高。影响室内热环境的参数存在非线性、多变量和环境复杂性等因素,很难建立室内热环境的系统模型和实现热舒适度的智能化控制,因此构建一个室内热环境模型是亟待解决的事情。本文针对人们对于室内环境舒适、节能以及健康的要求,对室内热环境建模进行了相应的研究。本文的研究内容如下:(1)通过阅读文献,了解和分析国内外针对室内热环境建模和舒适度方面的研究现状。目前存在模型训练时间长、气象参数不易获取、数据不完备等缺陷,以此确定解决方案。(2)针对室内热环境影响参数多、数据不易获取等问题,搭建室内热环境参数数据采集系统,采集室内采暖系统中热水供给房间的热量,利用采集到的数据进行仿真实验,解决了数据不完备、数据不准确的问题。(3)针对北方冬季采暖热量供给,存在能源严重浪费的问题,利用建筑热环境先验知识和室内热环境参数采集系统采集的数据,借鉴已有的建筑室内空间神经网络建模方法,建立以热区制热量为输入、室内温度值为输出、微气候参数等为干扰的基于BP神经网络的室内热环境模型,此模型可用于室内热环境温度预测,解决了因供给室内热量过多造成的能耗浪费问题。(4)选取平均热感觉指数(Predicted Mean Vote,PMV)作为表征人体热反应的评价指标,搭建数据采集平台,采集数据,用PMV公式计算出PMV值。面向室内热环境,建立以室内温度、室内湿度、平均辐射温度和室内风速为输入,以PMV值为输出的基于BP神经网络和PSO-BP神经网络的PMV值智能预测模型。通过大量的仿真实验,对PMV智能预测模型的可行性进行验证。