随着科技不断进步,地铁成为人们市内出行的主要公共交通方式,地铁通风空调系统作为地铁设计系统的重要组成部分,其节约能耗、智能控制问题受到人们广泛关注。据统计,地铁空调系统能耗约占整个地铁系统40%~50%。目前,地铁空调系统普遍采用PID控制方式进行系统控制,该控制方法对强耦合性、大时滞性、多干扰的空调系统难以取得良好的效果。近年来,随着智能控制技术的不断发展,预测控制策略被应用于各行各业,该策略能够满足实际工程的环境需求,解决了利用PID控制强非线性系统的动态性能差、系统节能改造基础投资要求高的问题。为了解决传统预测控制优化算法计算量大、不易于工程实现的问题,本论文通过对现有预测控制方法进行研究,提出基于神经网络控制器的预测控制方法和策略。结合负荷预测研究,针对地铁站台空调系统进行控制仿真实验。结果表明,神经网络预测控制方法对比传统PID控制方法在地铁站台通风空调系统控制中更具优越性。首先,为了满足预测控制方法的最优控制需求,论文对地铁站台空调的负荷进行预测。为得到可靠的预测负荷,论文利用BP人工神经网络构建了负荷预测模型,该模型能够在不明确系统内部关系的情况下,通过神经网络权值的自我修正进行模型的不断优化。通过对地铁站台负荷影响因素的分析,结合实际数据,确定神经网络模型的输入参数为室外温度、室外湿度、同一天前一时刻负荷值、前一天同一时刻负荷值和前一周同一时刻负荷值,确定输出参数为下一时刻负荷值。本论文采用实验法和试凑法选择系统误差最小的隐含层神经元个数,最终建立有5个输入神经元,11个隐层神经元及1个输出神经元的三层神经网络模型。同时,论文利用中位值平均滤波法,对一整年空调运行实际数据的噪声和干扰进行滤波,确保数据的准确性。再在此基础上,论文将实际数据分为训练集和测试集,对神经网络负荷预测模型进行训练测试。结果表明,本论文所建立的神经网络负荷预测模型所输出的预测负荷与实际负荷的相对误差在-0.015到+0.02之间。满足实际工程误差范围要求,为后文地铁站台空调系统的预测控制方法研究奠定了基础。其次,建立了被控对象预测模型,并提出利用神经网络控制器的预测控制方法对地铁站台空调系统进行预测控制。论文通过对地铁站台空调系统的末端空调处理设备(AHU)和站台环境进行理论分析,确定了空调系统控制参数之间的耦合关系,根据能量守恒定律和质量守恒定律,结合机理建模方法,建立了被控对象预测模型。论文采用一阶后向差分法将微分方程转化为差分方程,使其能够用于预测控制。在建立被控对象预测模型之后,论文研究了基于神经网络的预测控制策略,将神经网络作为控制器实现预测控制滚动优化算法,确定神经网络控制器的输入为站台温度当前时刻值、站台温度目标值、站台含湿量当前时刻值、站台含湿量目标值、送风温度当前时刻值、送风温度目标值以及当前时刻的扰动变量(室外温度、室外含湿量、站台负荷和站台环境含湿量等),神经网络控制器的输出为系统控制量,包括冷冻水流量和空调送风量。为了获得最佳优化性能指标和不同时域的最佳控制量,论文通过对性能指标中的拉格朗日乘子进行计算,并对神经网络控制器的权值进行不断修正。最后,论文以控制量和状态量为参数,建立了以地铁站台乘客舒适度和系统节能为目标的优化性能指标。通过建立哈密顿函数,将有约束的泛函极值问题转化为无约束的极值问题。以优化性能指标为目标函数,进行神经网络预测控制方法在地铁站台空调系统中的控制仿真实验研究。通过预测控制仿真与PID控制仿真的对比研究得出,基于神经网络控制器的预测控制方法能够快速使地铁站台环境从初始值到达设定值,而且在有外界因素干扰的情况下,仍然能保持良好的稳定状态。