由于建筑能耗占社会总能耗的30%左右，建筑节能已成为节能减排的重要内容之一，而空调系统是建筑能耗的中的用电大户，据统计，一般中央空调的能耗约占建筑总能耗的50%左右，因此建筑空调系统的是否节能、对能耗是否降低、建筑是否节能起着关键的作用。对于空调节能，如何使得空调系统能耗和运行费用最小化，提高空调系统经济效益，是一个棘手又必须解决的问题，预测控制为空调节能提供了有效的途径，在满足建筑冷负荷前提下尽量减少不必要的浪费，根据建筑实际冷负荷进行调节控制。精确的冷负荷预测是空调系统运行管理有效依据，同时也是预测控制的基础，提高控制调节的可预见性及系统的稳定性。本文以建筑空调系统节能为目标，基于“预测指导控制，控制修正预测”的思想，研究及分析冷负荷预测技术，结合控制与反馈，提出基于粒子群与控制误差回馈改进BP神经网络的建筑冷负荷预测技术，构建建筑冷负荷预测及动态目标自适应控制模型，并应用于实际建筑中。本文研究主要研究工作及成果有以下几个方面：首先，系统论述了建筑冷负荷预测发展及研究现状，描述冷负荷预测意义，分析了建筑冷负荷预测特点及原理，对冷负荷预测技术进行介绍，并提出存在问题。其次，系统描述人工神经网络理论、粒子群算法及供冷控制，对人工神经网络，着重对BP神经网络算法原理和改进方法进行研究，包括数学形式，网络结构，输入参数，学习算法，叙述了BP神经网络的应用。对粒子群算法，介绍其相关知识，优化原理，算法流程，并指出粒子群算法的优点，与BP结合进行互补效果的可行性分析。对供冷控制，着重描述自适应控制理论，对自适应控制的原理，内容，控制流程，应用场景进行详细介绍。第三，使用BP神经网络对建筑冷负荷进行预测，针对BP神经网络预测方法收敛慢，易陷入局部最优，精度相对低的缺点，采用收敛速度快，全部搜索能力强的粒子群优化算法进行改进，同时对于BP神经网络结构中的输入参数，添加控制误差反馈参数，形成基于粒子群与控制误差回馈的改进BP神经网络预测技术（PSO-CEF-BPNN），充分互补粒子群与BP神经网络，提升预测精度。第四，结合预测值及建筑空调系统实际运行控制参数，提出基于动态目标值的建筑冷负荷自适应控制方法（DTAC），该方法以空调节能为目标，以预测技术为基础，以预测值为控制目标值，对建筑供冷进行实时自适应调节控制，控制的过程按时间段进行控制细分，结合建筑实际能耗情况，计算控制误差值，并动态调节目标值，以改进后续控制，使控制趋近目标值，从而达到在满足建筑冷负荷前提下尽量减少不必要的浪费，根据建筑实际冷负荷进行调节控制的节能目标。另外，不同时间段的控制误差反传到预测模型中，作为预测输入的参数，进而修正预测模型。最后，对某建筑进行大量数据采集，为冷负荷预测模型提供样本数据，结合冷负荷预测值和动态目标值的自适应控制方法。构建模型，编写程序实现对建筑供冷的控制。在实验测定的样本数据基础上，分析预测的误差及实际控制的效果，并通过建筑供冷数据对比，验证了本模型是能达到按供冷量需求动态调节，达到节能的效果。