随着绿色可持续发展政策持续推进,太阳能、风能等可再生能源发电受到极大重视。可再生能源发电并网增加了电力不稳定性,而夏季高温引起的空调峰时负荷进一步使峰谷用电差加大。空调负荷作为柔性温控负荷,是一种潜力较大的需求响应资源,其参与需求响应可以改善电力系统的不稳定性,并减少峰值负荷,改变电网的供需现状。空调系统参与需求响应的最有效、最直接的方式是从空调系统的控制出发,改变空调系统需求响应时段的用能状态,而空调需求响应负荷预测是制定系统高效运行策略的前提。对比白箱和灰箱建模方法需要的参数多、工作量大、建模复杂的特性,机器学习是一种数据驱动建模方法。因此,采用机器学习算法预测空调负荷,并根据负荷制定对应的需求响应策略。以长安大学全尺寸蓄能空调实验平台为对象,建立其TRNSYS动态仿真模型,获取仿真数据进行负荷预测,通过算法对比确定负荷预测最优模型;研究室外温湿度预测方法,在此基础上运行物理实验平台获取预测相关数据,利用确定的最优模型进行负荷预测。同时,采用Elman神经网络对储能罐的储释能时长进行预测。最后,依据负荷预测与储释能时长预测结果制定主动储能和全局温度调节相结合的需求响应策略。结果表明,蓄能空调系统的负荷预测最优模型为改进的粒子群优化Elman神经网络模型。采用Elman神经网络预测的室外温湿度满足负荷预测要求,采用该方法进行储能罐的储能和释能时长预测误差较小。提出的基于负荷预测的主动储能和全局温度调节联合需求响应策略,与其他四种策略（常规运行策略、主动储能、全局温度调节策略、主动储能+全局温度调节策略）相比,满足舒适度前提下需求响应时段内的耗电量最少,且全天运行费用最低。该策略的提出和实施对降低电网峰值负荷、节省用户运行费用具有重要实用价值和指导意义。