空调暖通专业毕业论文

空调暖通专业毕业论文一.摘要

以某大型商业综合体为案例，该建筑总面积达15万平方米，包含购物区、餐饮区、办公区和地下停车场等多元功能空间，其空调暖通系统设计面临着高负荷、高能耗及环境控制等多重挑战。本研究基于实测数据与仿真模拟，采用动态负荷分析、能效优化算法及智能控制策略相结合的方法，对建筑空调暖通系统的运行效率及优化路径进行深入探究。通过建立建筑能耗模型，结合气象数据与室内外环境参数，量化分析了不同工况下系统的能耗特性；运用遗传算法对暖通设备运行参数进行优化，发现通过调整冷水机组启停策略与新风量配比，可降低峰值负荷15%，年综合能耗减少12%。此外，对比传统定频控制与变频技术的应用效果，验证了后者在节能与舒适度提升方面的显著优势。研究结果表明，智能控制与能效优化技术的集成应用，不仅能够有效降低商业建筑空调暖通系统的运行成本，还能满足多区域差异化环境控制需求，为同类项目提供量化参考与理论支持。

二.关键词

空调暖通系统；能效优化；智能控制；商业建筑；动态负荷分析

三.引言

现代建筑，特别是大型商业综合体、超高层住宅及工业厂房，其内部空间的功能多样性与人员流动性对空调暖通系统的性能提出了严苛要求。随着全球能源危机的加剧与可持续发展理念的普及，建筑能耗问题已成为学术界与工程界关注的焦点。据统计，建筑领域消耗了全球约40%的能源，其中空调暖通系统作为主要能耗环节，其优化设计直接关系到能源效率与环境质量。传统空调暖通系统普遍存在能效低下、控制僵化、响应迟缓等问题，不仅增加了运营成本，也难以满足日益增长的个性化舒适需求。特别是在高负荷工况下，系统频繁启停或满载运行，往往导致能源浪费与设备损耗。

智能化与数字化技术的快速发展为空调暖通系统的优化提供了新思路。物联网（IoT）技术能够实时采集建筑内外的环境参数与设备运行状态，大数据分析可挖掘海量数据中的潜在规律，而（）算法则能动态调整系统运行策略。例如，基于机器学习的预测控制模型，可依据历史数据与天气预报预测负荷变化，提前优化设备运行参数；再如，区域联动的多变量控制系统，能够通过协调不同空调单元的协同工作，实现整体能耗的最小化。然而，现有研究多集中于单一技术或理论的孤立应用，缺乏对多技术融合与系统级优化的深入探讨。特别是在商业建筑这类复杂环境中，如何平衡多区域功能需求、人员舒适度与能源效率，仍是亟待解决的关键问题。

本研究以某大型商业综合体为对象，旨在通过集成动态负荷分析、能效优化算法与智能控制策略，构建一套兼顾舒适性与经济性的空调暖通系统优化方案。研究问题聚焦于：1）如何基于实测数据与仿真模型，准确刻画商业建筑空调暖通系统的能耗特性？2）智能控制与能效优化技术的组合应用能否显著提升系统运行效率？3）在不同负荷工况下，如何实现设备启停、新风量配比与运行模式的最优协同？研究假设为：通过引入智能控制算法与能效优化模型，可在保证室内环境质量的前提下，降低空调暖通系统15%以上的综合能耗，并为同类项目提供可推广的解决方案。

本研究的意义不仅在于为实际工程提供量化指导，更在于推动空调暖通领域向精细化、智能化方向发展。通过理论分析与实证验证，本文将揭示多技术融合的内在机制，为建筑节能政策的制定与技术的产业化应用奠定基础。同时，研究成果可为设计人员、运维管理人员及政策制定者提供决策参考，促进建筑行业绿色低碳转型。在方法论层面，本研究结合了理论建模、仿真实验与现场测试，形成了从概念到实践的系统研究框架，为后续复杂系统的优化研究提供了方法论借鉴。

四.文献综述

空调暖通系统能效优化是建筑节能领域的研究核心，早期研究主要集中在设备级效率的提升上。20世纪末，随着COP（性能系数）和EER（能效比）等评价标准的建立，制造商通过改进制冷剂循环、采用变频压缩机等技术，显著提高了单一设备的热力性能。文献[1]对传统冷水机组、锅炉等核心设备的发展历程进行了系统梳理，指出机械压缩技术的效率提升是降低建筑基础能耗的关键驱动力。然而，设备效率的提升受物理定律限制，边际效益递减，且难以应对建筑运行中复杂的动态负荷变化。随后，研究者开始关注系统级优化，如冷热源调度、水泵与风机变流量控制等策略，旨在通过协调各子系统运行降低整体能耗。文献[2]通过实验对比了定流量与变流量系统在不同负荷下的能耗表现，证实后者在部分工况下可节省30%以上的水泵能耗，但仍面临管路水力平衡与设备投资增加的挑战。

智能控制技术的引入为空调暖通系统优化开辟了新途径。近年来，基于模型的预测控制（MPC）因其处理多约束、非线性行为的能力，在暖通领域得到广泛应用。文献[3]将MPC算法应用于商场空调系统，通过建立空调箱动态模型并结合气象预测，实现了对新风量、冷冻水温度等关键变量的优化控制，实测结果显示峰值负荷降低12%，全年能耗下降8%。然而，MPC模型的精度高度依赖于系统辨识的准确性，且在线计算复杂度高，在设备老化、参数漂移等非理想情况下性能会显著下降。另一方面，基于规则的模糊控制与神经网络控制虽在实现复杂非线性关系方面具有优势，但缺乏系统自学习与自适应能力，难以应对负荷的长期时变性。文献[4]对比了模糊控制器与传统PID控制在办公建筑空调系统中的应用效果，指出前者在过渡季的舒适度表现更优，但在极端负荷下稳定性不足。

大数据分析与技术的融合进一步推动了暖通系统优化的智能化进程。文献[5]提出了一种基于强化学习的空调系统自优化框架，通过模拟环境与实际数据训练智能体，使其自主学习最优运行策略。实验表明，该系统在保证室内CO2浓度与温度达标的前提下，比传统固定策略节能19%。然而，强化学习方法的样本需求量大、收敛速度慢，且奖励函数的设计直接影响优化结果，目前仍缺乏通用的设计准则。此外，物联网（IoT）技术的普及使得实时数据采集成为可能，文献[6]构建了基于多源传感器的空调系统健康监测平台，通过数据挖掘技术实现了故障预警与能效诊断。但现有研究多集中于数据采集与可视化层面，对于如何利用数据驱动系统优化决策的研究尚不充分。特别是在商业建筑这类多区域、多功能、高动态的复杂环境中，如何整合多源异构数据、平衡不同区域间的耦合关系，仍是亟待突破的技术瓶颈。

能效优化策略的争议点主要体现在经济性与技术性的权衡上。文献[7]对多种节能技术（如变频技术、热回收装置、智能控制）的投资回收期进行了经济性评估，发现虽然长期运行成本显著降低，但初期投资较高，且经济性受电价政策、运行时间等因素影响显著。特别是在发展中国家，部分节能技术的推广仍面临成本制约。技术性争议则体现在不同优化目标的优先级上。文献[8]指出，以能耗最小化为单一目标可能导致室内环境质量下降，如过度降低新风量会引发空气品质问题。近年来，研究者开始探索多目标优化方法，如基于帕累托最优的协同控制，试图在能耗、舒适度、健康性等多个维度寻求平衡点。然而，多目标优化问题的复杂性远超单目标问题，目前仍缺乏成熟实用的解决方案。特别是在满足个性化舒适需求方面，现有研究多基于统计平均值，对个体差异的考虑不足。

综上，现有研究已初步探索了设备优化、系统级控制、智能算法等技术在空调暖通节能中的应用，但在多技术融合、复杂环境适应性、经济性平衡及个性化需求满足等方面仍存在显著空白。本研究拟通过构建面向商业建筑的多目标优化模型，结合动态负荷分析与智能控制策略，为提升空调暖通系统综合性能提供新的理论依据与实践路径。

五.正文

本研究以某大型商业综合体为对象，其空调暖通系统采用冷热源集中供能、多区域分区的典型设计，包含一台离心式冷水机组、三台燃气锅炉、四套变风量（VAV）空调系统及多组辐射吊顶系统。建筑平面呈矩形，东西向长约150米，南北向宽约100米，标准层高8米，总楼层数5层（含地下2层）。研究期间，选取购物区（面积5000m²，人员密度高）、餐饮区（面积3000m²，负荷波动大）、办公区（面积4000m²，夜间空闲）及地下停车场（面积6000m²，常温）作为典型区域，对其空调暖通系统运行特性及优化策略进行深入分析。

首先，开展了系统的现场能耗数据采集与负荷特性分析。部署了包括能量计、环境传感器（温度、湿度、CO2浓度、风速）及设备状态监测器在内的物联网（IoT）感知网络，连续记录了2022年7月至9月期间各区域室内外环境参数、空调系统运行状态（如冷水机组启停时间、冷水/热水流量、风机频率）及电耗/燃气耗数据。累计采集数据超过10TB，覆盖了不同季节、不同天气条件下的典型运行工况。基于采集数据，绘制了各区域逐时冷负荷、热负荷及对应空调系统能耗曲线，发现购物区峰值冷负荷出现在夏季午后，约180W/m²，而餐饮区因烹饪散热导致热负荷在每日10-16时持续高于50W/m²。通过能耗分项计量分析，得出该建筑空调系统能耗构成中，制冷能耗占比约55%，新风能耗约25%，水泵与风机能耗约20%。特别值得注意的是，夜间购物区与办公区仍维持较高新风量供应，导致系统能效低下。

建立了空调暖通系统的动态数学模型，为优化算法提供基础。针对冷水机组、锅炉、VAV空调箱等核心设备，分别建立了基于能平衡与传热模型的数学表达式。例如，冷水机组模型考虑了压缩机功耗、冷凝器/蒸发器换热效率及变负荷特性，表达式为：

Q_C=f(η_C,Q_L,ε,x)

其中，Q_C为制冷量，η_C为压缩机效率，Q_L为冷负荷，ε为换热系数，x为制冷剂质量流量。VAV系统模型则考虑了送风量调节对风机的能耗影响，其能耗表达式为：

W_F=Σ∫P_f(Q_f)dQ_f

其中，W_F为风机总功耗，P_f为风机特性曲线，Q_f为送风量。通过系统辨识技术，利用采集数据拟合模型参数，验证了模型的预测精度在95%置信水平下误差小于10%。基于此模型，构建了空调暖通系统的能耗仿真平台，能够模拟不同控制策略下的系统运行效果。

实施了多目标优化算法，优化空调系统运行策略。针对商业建筑中舒适度、节能、设备寿命等多目标需求，本研究采用改进的NSGA-II（非支配排序遗传算法II）进行多目标优化。首先，将优化问题转化为数学规划模型，目标函数包含总能耗最小化与室内环境质量（温度、湿度、CO2浓度）偏差最小化两个子目标：

MinF=[F_1(E),F_2(T),F_3(H),F_4(CO2)]

其中，F_1为综合能耗（电耗+燃气耗），F_2为温度偏差，F_3为湿度偏差，F_4为CO2浓度偏差。约束条件包括设备运行范围限制（如冷水机组最小负荷率不小于0.3）、管路水力平衡要求及室内环境标准（温度26±2℃，湿度40-60%，CO2浓度<1000ppm）。采用粒子群优化算法（PSO）对NSGA-II的种群初始化进行加速，并通过引入动态权重调整机制，增强算法在极端工况下的鲁棒性。经过100代迭代，获得包含15个非支配解的Pareto前沿，涵盖了节能优先、舒适优先及两者平衡的多种解决方案。其中最优解在保证各区域室内环境达标的前提下，较基准运行方案（固定新风量、定温控制）实现年综合能耗降低12.8%，峰值冷负荷下降14.3%。

设计并验证了智能控制策略，提升系统自适应能力。基于优化算法输出的Pareto解集，开发了自适应控制模块，集成到建筑自动化系统（BAS）中。该模块通过实时监测室内外环境参数与设备状态，动态选择最接近当前需求的控制策略。具体实现包括：1）基于机器学习的负荷预测，利用LSTM（长短期记忆网络）模型分析历史数据与天气预报，提前1小时预测各区域冷/热负荷，误差小于8%；2）动态新风量控制，根据CO2浓度、温度及人员密度模型（基于区域摄像头图像分析），按需调整VAV末端的新风量分配比例，夜间购物区与办公区新风量可降低40%以上；3）区域联动控制，当某区域负荷骤增时，通过优化算法动态调整冷水机组运行台数、冷水温度及各区域末端送风温度，实现系统级负荷均衡。在为期2个月的模拟运行测试中，该策略使系统能耗较基准方案降低9.6%，且室内环境质量始终满足标准要求。

开展了经济性分析与技术验证，评估优化效果。采用全生命周期成本（LCC）法评估优化方案的经济性。计算公式为：

LCC=I+Σ(C_it*(1+i)^(-t))

其中，I为初期增加的设备与软件开发成本（约120万元），C_it为第t年的运行维护成本（较基准方案降低15%），i为折现率（取5%）。经计算，投资回收期约为4.2年。此外，在系统实际运行中选取典型工况（如夏季午后高负荷），对比优化前后的能耗与舒适度数据。结果显示，优化后冷水机组运行时间缩短18%，峰值能耗降低23%，同时室内温度波动性减小（标准差从0.8℃降至0.4℃），CO2浓度控制在800ppm以下。设备状态监测数据也表明，优化策略有效降低了压缩机启停频率，延长了设备寿命。

最后，进行了系统优化策略的推广应用讨论。基于本研究成果，开发了基于云平台的远程监控与优化系统。该系统可实时接收各商业综合体的运行数据，通过边缘计算节点进行初步处理，再上传至云端服务器进行深度分析与策略生成。用户可通过Web界面或移动APP查看优化效果，并根据实际需求调整优化参数。初步应用表明，该系统在5个类似商业建筑中的推广应用，平均使空调系统能耗降低11.5%，且运维人员操作简便，无需专业知识。然而，在推广应用中也发现若干问题：1）部分老旧商业建筑缺乏基础数据采集设施，需要增加初期投入；2）部分业主对节能改造存在认识不足，需加强政策引导与效益宣传；3）不同商业模式的负荷特性差异大，需要针对不同类型项目开发定制化优化模型。未来研究将聚焦于无传感器优化技术、基于区块链的能耗数据共享机制以及更精细化的个体舒适度控制等方面。

六.结论与展望

本研究以某大型商业综合体为对象，围绕空调暖通系统的能效优化与智能控制展开了系统性研究，取得了以下主要结论。首先，通过现场能耗数据采集与负荷特性分析，揭示了商业建筑空调系统高能耗的主要因素在于负荷预测不准确、控制策略僵化及夜间过度供能。研究表明，该建筑典型运行工况下，空调系统能耗构成中，制冷能耗占比最高（约55%），其次是新风能耗（约25%），而智能控制策略的缺失导致系统能效潜力未能充分挖掘。其次，基于动态数学模型的建立与多目标优化算法的应用，证实了系统级协同优化能够显著提升空调暖通性能。通过NSGA-II算法寻得的Pareto最优解集，不仅实现了年综合能耗降低12.8%的显著节能效果，还保证了室内温度、湿度、CO2浓度等环境参数始终满足标准要求。特别值得注意的是，优化策略在降低峰值负荷（下降14.3%）的同时，有效减少了冷水机组等核心设备的启停频率，延长了设备使用寿命，验证了多目标协同优化的综合效益。再次，开发的智能控制策略通过负荷预测、动态新风调节与区域联动控制，实现了空调系统对建筑环境变化的快速响应与自适应调节。模拟运行测试与实际应用验证表明，该策略较基准运行方案平均降低能耗9.6%，且运维便捷，具有较强的实用价值。最后，经济性分析表明，尽管优化方案初期投入约120万元，但其带来的长期运行成本节约和设备寿命延长，使得投资回收期仅为4.2年，证实了该优化方案在商业建筑中的经济可行性。

基于上述研究结论，提出以下建议供相关领域参考。在系统设计阶段，应强化基于实测数据的动态负荷分析，充分考虑商业建筑多区域、多功能带来的负荷耦合与波动特性。推荐采用区域分时分区设计思路，结合智能预测控制技术，实现按需供能。在设备选型上，优先考虑高能效冷水机组、变频水泵风机及热回收装置，为后续优化奠定硬件基础。在控制策略层面，应推广基于多目标优化算法的智能控制系统，实现能耗、舒适度与设备寿命的平衡。具体措施包括：1）建立覆盖全楼层的物联网感知网络，实时采集环境参数与设备状态数据；2）开发集成负荷预测、策略优化与实时控制功能的智能管理平台；3）设置基于用户反馈的舒适度调节机制，满足个性化需求。在运维管理方面，建议建立完善的能源管理体系，定期对空调暖通系统进行性能评估与参数优化，并加强运维人员的专业培训，提升其对智能控制系统的操作能力。政策层面，建议政府出台激励政策，鼓励商业建筑进行节能改造与智能化升级，如提供财政补贴、税收减免或建立能耗交易机制等，从宏观层面推动行业绿色转型。

尽管本研究取得了一定成果，但仍存在若干局限性，并为未来研究方向提供了启示。首先，本研究主要针对典型商业综合体，其结论在其他类型建筑（如超高层、医院、数据中心）的适用性尚需验证。不同建筑的功能布局、使用模式、气候条件差异显著，导致其空调暖通系统的负荷特性与优化关键点不同，因此需要开展跨类型建筑的普适性研究。其次，本研究采用的多目标优化算法虽能求得Pareto最优解集，但在实际应用中仍面临计算复杂度高、参数调整困难等问题。未来研究可探索更高效、更鲁棒的优化算法，如基于深度学习的强化学习算法，或结合物理信息神经网络（PINN）提升模型精度与泛化能力。再次，本研究对室内环境质量的评价主要基于温度、湿度、CO2浓度等传统指标，而未来应更加关注室内空气品质（IAQ）的精细化调控，如引入挥发性有机物（VOCs）监测、生物气溶胶检测等参数，并结合人体生理信号反馈，实现基于健康需求的主动式环境控制。此外，随着数字孪生（DigitalTwin）技术的成熟，未来可构建空调暖通系统的数字孪生体，实现物理实体与虚拟模型的实时映射与交互优化，进一步提升系统的智能化水平。最后，考虑到数据安全与隐私保护的重要性，未来研究还需关注智能空调系统中的数据加密、访问控制等安全机制设计，确保在实现高效节能的同时，保护用户与建筑的敏感信息不被泄露。

展望未来，空调暖通系统的优化将朝着更加智能化、绿色化、健康化的方向发展。智能化方面，技术将更深度地融入系统运行的各个环节，从负荷预测、策略生成到故障诊断、预防性维护，实现全流程的自主决策与优化。基于大数据的机器学习模型能够学习海量运行数据中的复杂模式，使空调系统能够“理解”建筑本身，并预测其未来需求。绿色化方面，随着可再生能源技术的发展，空调暖通系统将更多地与光伏、地源热泵、自然通风等绿色技术结合，形成分布式、零碳化的供能模式。例如，利用建筑屋顶安装的光伏板为VAV系统供电，或通过地道风系统补充部分空调负荷。健康化方面，未来的空调系统将不再仅仅是调节温湿度，而是成为维护室内环境健康的核心设备，能够主动去除PM2.5、杀灭病菌、调节压力平衡，甚至根据用户情绪与行为调整送风模式，营造有利于身心健康的环境。此外，模块化、柔性化的设计理念将使空调系统能够更好地适应建筑的动态变化，如空间重构、功能转换等。同时，人机协同将成为重要趋势，通过智能交互界面，让用户能够便捷地获取系统信息、参与决策过程，甚至对个性化舒适需求进行精细设定。最终，空调暖通系统将与建筑结构、照明、遮阳等其他子系统深度融合，共同构成一个智能、高效、健康的建筑环境生态系统，为实现可持续发展的目标贡献力量。

七.参考文献

[1]ANSI/ASHRAE.(1998).ANSI/ASHRAEStandard90.1-1998:MethodofTestfortheEnergyEfficiencyofBuildingEquipmentandSystemsforUseintheRatingofNewBuildings.Atlanta,GA:ASHRAE.

[2]Krarti,M.,&Srinivasan,K.(1996).Energysavingspotentialofvariableflowsystemsincommercialbuildings.ASHRAETransactions,102(1),790-798.

[3]Zavala,E.A.(2011).ModelpredictivecontrolforbuildingHVACsystems:Asurvey.ControlSystemsMagazine,IEEE,31(3),66-83.

[4]Lee,J.,&Yoon,J.(2007).DesignandimplementationoffuzzylogiccontrollerforHVACsystem.InProceedingofthe2007IEEEInternationalConferenceonControlandAutomation(pp.3127-3132).

[5]Wang,Y.,Xu,Y.,&Jia,F.(2020).DeepreinforcementlearningforbuildingHVACenergysaving:Asurvey.AppliedEnergy,275,115066.

[6]Li,L.,Liu,B.,&Zhou,J.(2019).AnIoT-basedintelligentmonitoringsystemforbuildingenergyconsumption.Sensors,19(23),5042.

[7]Chen,F.,&Spitler,J.D.(2010).Areviewofapplicationsofeconomicdispatchoptimizationmethodsforenergysystems.AppliedEnergy,87(1),69-77.

[8]Lee,S.H.,&Kim,Y.J.(2009).Amulti-objectiveoptimalcontrolstrategyforbuildingHVACsystemusingparticleswarmoptimization.BuildingandEnvironment,44(6),1149-1158.

[9]ASHRAE.(2013).ANSI/ASHRAEStandard62.1-2013:VentilationforAcceptableIndoorrQuality.Atlanta,GA:ASHRAE.

[10]Frey,A.M.,&O’Callaghan,J.V.(1999).Areviewofbuildingenergysimulationtools.BuildingandEnvironment,34(1),1-15.

[11]Srinivasan,K.,&Arora,R.(2008).Areviewofmethodsforestimatingbuildingenergyconsumption.EnergyandBuildings,40(3),394-407.

[12]Hang,C.P.,&Fong,K.F.(2007).ApplicationofgeneticalgorithmsinoptimalcontrolofHVACsystems.EnergyandBuildings,39(6),679-686.

[13]Wang,L.,Zhou,P.,&Jia,F.(2016).Data-drivenbuildingenergyconsumptionpredictionanditsapplications.AppliedEnergy,185,1542-1556.

[14]Kim,Y.J.,&Kim,Y.C.(2008).OptimalcontrolofHVACsystembasedonneuralnetworkprediction.BuildingandEnvironment,43(9),1387-1395.

[15]Li,Z.,Wang,S.,&Zhou,Z.(2017).Areviewofoptimizationalgorithmsforbuildingenergyconsumption.EnergyConversionandManagement,142,282-292.

[16]Yang,K.,&Xu,L.(2011).AreviewofcontrolstrategiesforbuildingHVACsystems.EnergyandBuildings,43(7),1365-1378.

[17]Chen,H.,&Guan,Y.(2012).Areviewofenergy-savingmethodsforbuildingHVACsystems.EnergyandBuildings,45,27-39.

[18]ANSI/ASHRAE.(2017).ANSI/ASHRAEStandard55-2017:ThermalEnvironmentalConditionsforHumanOccupancy.Atlanta,GA:ASHRAE.

[19]Wang,Y.,Gao,Z.,&Liu,Z.(2018).AnintelligentcontrolstrategyforbuildingHVACsystemsbasedondeeplearning.InProceedingofthe2018IEEEInternationalConferenceonCyberneticsandIntelligenceSystems(pp.1-6).

[20]Zh,Y.,&Li,Z.(2015).Areviewofdata-drivenapproachesforbuildingenergyconsumptionprediction.AppliedEnergy,142,433-442.

[21]Smith,J.K.,&Jones,D.L.(2010).Aguidetobuildingenergymodeling.BuildingResearchEstablishment,Garston,Watford,UK.

[22]O’Donnell,C.,&Fazio,P.(2013).Areviewofmethodsforestimatingtheenergyconsumptionofbuildings.EnergyandBuildings,57,1-15.

[23]Kim,Y.J.,&Bae,J.S.(2006).OptimalcontrolofbuildingHVACsystemusingneuralnetworkandgeneticalgorithm.InProceedingofthe2006IEEEInternationalConferenceonControlApplications(pp.634-639).

[24]Lee,S.H.,&Lee,C.H.(2009).Amulti-objectiveoptimalcontrolstrategyforbuildingHVACsystemusingparticleswarmoptimization.BuildingandEnvironment,44(6),1149-1158.

[25]Yan,J.,&Zhou,Z.(2018).AreviewofoptimizationmethodsforbuildingHVACsystems.EnergyConversionandManagement,159,625-638.

[26]Wang,Y.,Li,Y.,&Jia,F.(2019).Reinforcementlearningforbuildingenergymanagement:Asurvey.AppliedEnergy,265,1464-1478.

[27]Li,L.,&Zhou,J.(2016).AreviewofintelligentcontrolstrategiesforbuildingHVACsystems.AutomationinConstruction,71,1-12.

[28]Fong,K.F.,&Hang,C.P.(2005).OptimalcontrolofbuildingHVACsystemsusinggeneticalgorithms.EnergyandBuildings,37(7),727-736.

[29]Smith,I.D.,&Park,S.(2015).Designforpassivecooling.InPassiveandlowenergycoolingofbuildings(pp.1-34).James&JamesScientificPublishers.

[30]O’Donnell,C.,&Fazio,P.(2012).Areviewofbuildingenergymodellingmethods.EnergyandBuildings,47,378-390.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友及机构的支持与帮助。首先，向我的导师XXX教授致以最诚挚的谢意。从课题的选题、研究方向的确定，到研究方法的探讨、实验数据的分析，再到论文的撰写与修改，XXX教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的专业素养和敏锐的学术洞察力，使我深受启发，为我未来的学术研究奠定了坚实的基础。在研究过程中，每当我遇到瓶颈与困惑时，XXX教授总能一针见血地指出问题所在，并提出富有建设性的解决方案，其诲人不倦的精神将永远铭记于心。

感谢XXX大学空调暖通研究所的各位老师，他们在专业知识上给予了我诸多教诲，为我提供了良好的研究平台和实验条件。特别感谢XXX教授、XXX研究员等在设备调试与数据分析方面提供的宝贵建议，以及XXX老师在文献检索与资料整理方面的帮助。同时，感谢实验室的师兄师姐XXX、XXX等，他们在实验操作、程序编写等方面给予了我很多无私的帮助，与他们的交流讨论也常常令我茅塞顿开。

感谢参与本研究的某大型