限制空调用电是改善电网峰谷用电问题的有效手段。现有的变频空调压缩机控制,多采用模糊和PID的控制策略。空调的室内侧吸入干球、湿球等传感器采集到温度和温度变化率数据,作为控制的数据依据。模糊控制根据温度设定值和实际测量值构成温度偏差,将温度偏差和温度变化率进行模糊量化处理,根据由专家经验编写的模糊规则进行推理,并将推理后的模糊值解模糊化后输出到被控对象;PID控制则将温度偏差按比例、积分和微分通过线性组合构成控制量,对被控对象进行控制。针对现有控制方法中存在的问题,如响应速度较慢,温度超调量较大,以及后期存在温度不断震荡等问题,本文结合大数据处理研究了变频空调的模糊神经网络控制方法,能实现对变频空调的温度更精确和快速的控制,降低空调能耗,改善峰谷用电问题。主要研究内容如下:(1)建立家庭用电量数据库,将采集到的电源进线端功率数据进行存储。使用时间序列分析的ARIMA模型方法,对海量功率数据进行分析和预处理,建立自回归滑动平均模型,分析用电规律,预测用电趋势,作为限制用电的数据依据。(2)建立模糊Elman神经网络控制器,以当前广泛使用的变频空调模糊控制规则为基础,在此规则曲面上均匀提取数据点作为神经网络的训练样本。同时针对网络训练中使用的负梯度算法存在训练后期收敛速度慢以及易陷入局部极小点的问题,将模拟退火算法与人工蜂群算法融合,提出改进人工蜂群(improved artificial bee colony,IABC)算法,对网络进行训练,并将训练好的网络用于变频空调压缩机工作控制。(3)在上述研究基础上,引入预测控制的思想,利用神经网络对室内冷热负荷进行建模和预测,作为控制依据从而限制温度超调和波动,以实现更加精确的变频空调在线预测控制。由于在线控制对神经网络训练速度要求更高,在此使用基于容积卡尔曼滤波的神经网络训练方法,对神经网络进行训练。仿真实验以及分析表明,相对于模糊控制和PID控制方法,基于IABC算法的变频空调模糊Elman神经网络控制方法可以明显改善神经网络训练后期易陷入局部极小点的问题,有效提高了训练精度和控制精度,限制了控制过程中的温度超调,表明该方法是一种精确可行的控制方法,可以有效降低空调能耗。在此基础上通过引入容积卡尔曼滤波实现的在线控制则可以有效解决温度超调和温度波动问题,提高了控制精度,对用户体验也更加友好。