中央空调系统是一个非线性、纯滞后、大惯性和大干扰的被控对象，其用电量在南方地区占整个建筑物用电量30%以上，有的高达60~70%。其优化控制和节能一直是业界研究的重要课题和难题，本课题研究其优化控制与节能的关键技术。通过技术移植和学习交叉，研究适合中央空调系统的迭代学习控制算法，克服非线性、纯滞后、大惯性和周期干扰对控制性能的影响。研究充分利用中央空调系统中制冷机组自身的控制系统与迭代学习控制相结合的控制方法，既能保证制冷机组安全高效地运行，又可以低成本地实现对整个中央空调系统的控制。研究以气候条件和建筑物使用方式为输入的基于模式聚类的中央空调系统工况划分方法，使迭代学习控制算法更加有效。最终得到可以低成本实现的，并能克服中央空调系统的非线性、纯滞后、大干扰的中央空调控制系统结构和控制算法，并初步应用于实际。该课题的成果具有良好的社会效益和可观的经济效益大。

随着我国城镇化建设与人民生活水平的快速发展，降低建筑能耗、提高室内舒适度的需求越来越高。此背景下，建筑环境与能量系统的精确建模、控制与优化研究尚未实现建筑、暖通专业知识与控制理论的有机结合。本项目从控制学角度围绕建筑室内热环境的降阶建模与控制、建筑室内多环境参数优化、建筑能量系统性能优化、以及建筑电能耗短时预测等四个方面展开研究。首先，针对建筑热环境CFD模型精度与复杂度之间的矛盾以及由此带来的控制器设计困难，提出基于本征正交分解思想的室内热环境快速建模方法。在此基础上，采用多模型切换控制的思路，通过离线-在线方式对室内热环境实现高分辨率精确调节；其次，针对目前建筑室内环境的优化策略大都忽视环境参数空间分布的问题，我们采用本征正交分解方法，结合多维插值和遗传算法，设计一种综合考虑室内热舒适度、空气质量及空调能耗的优化策略。其中本征正交分解用于重构低阶的环境参数空间，其与多维插值算法的结合可快速求解目标函数，确保优化算法的实时性；第三，当前建筑能量系统的仿真与优化软件存在算法封闭、扩展性差等缺陷。基于此，我们自主开发一种用于改善建筑能量性能的通用优化工具。其特点在于整合多方软件组成不同模块，运用数据交互技术将建筑能量仿真中的多种分布式参数直接传递给优化算法，使得优化策略能充分考虑空间分布对环境参数的影响，相对目前的建筑能量与环境优化策略，具有通用性好、优化精度高等优点；第四，在前期研究基础上，我们继续开展建筑电能耗预测模型的研究。通过引入遗传操作机制，将一种改进型微粒群算法用于人工神经网络连接权值与阈值的优化中，提出混合iPSO-ANN建筑电能耗预测模型。预测实验证明该方法预测精度优于广泛使用的神经网络模型及其它PSO-ANN混合模型。另外，为了验证POD降阶模型对大空间建筑环境的逼近能力，我们利用一处1500平方米农业生产型温室，初步开展了实验方案的设计与验证工作。 2100433B