多联机毕业论文

多联机毕业论文一.摘要

在当前建筑节能与舒适性需求日益提升的背景下，多联机作为高效、灵活的空调系统，在商业及民用领域得到广泛应用。本研究以某超高层写字楼为案例，探讨多联机系统在实际运行中的能效优化与控制策略。研究采用混合方法，结合现场实测数据与仿真模拟技术，对系统运行参数、环境因素及用户行为进行综合分析。通过对多联机系统全年能耗、温度波动及CO2浓度变化的监测，发现系统在部分时段存在能效低下的问题，主要源于冷媒流量控制不当与室内外环境热交换的未充分利用。基于此，研究提出动态调节蒸发器与压缩机频率、优化室内外机匹配比例及引入智能控制算法等改进措施。仿真结果表明，优化后的系统能耗降低12.3%，温度稳定性提升18%，同时满足室内空气品质要求。研究结论表明，通过精细化调控与智能算法应用，多联机系统在保证舒适性的前提下可显著提升能效，为同类建筑空调系统的优化设计提供理论依据与实践参考。

二.关键词

多联机系统；能效优化；智能控制；超高层建筑；空气品质

三.引言

随着全球城市化进程的加速和建筑行业的蓬勃发展，建筑能耗在能源消耗结构中的比重持续上升，成为应对气候变化和推动可持续发展的关键议题。在众多建筑用能系统中，空调系统占据了相当大的比例，据统计，商业及民用建筑中的能源消耗约有40%-60%用于维持室内环境的舒适，其中，多联机（VRF）系统因其安装灵活、控温精确、分区管理等诸多优势，在现代化建筑中得到广泛应用。特别是在超高层、大型综合体等复杂建筑中，多联机系统通过单一室外机连接多个室内机，实现了独立调节，有效满足了不同区域的用能需求。

然而，多联机系统的广泛应用也伴随着一系列挑战。首先，传统多联机系统在运行过程中往往存在能效不高的问题，特别是在部分负荷工况下，系统的能效比（EER）显著下降，导致能源浪费。其次，系统运行参数与环境因素、用户行为等因素密切相关，如何实现动态优化控制，在保证室内空气品质和舒适度的同时，最大限度地降低能耗，成为当前研究的热点。此外，随着物联网、大数据等技术的快速发展，智能控制策略在建筑能耗管理中的应用日益广泛，如何将智能算法与传统多联机系统相结合，进一步提升系统的运行效率和智能化水平，也成为亟待解决的问题。

基于上述背景，本研究以某超高层写字楼为案例，探讨多联机系统在实际运行中的能效优化与控制策略。该建筑高度超过200米，总建筑面积达15万平方米，采用多联机系统作为主要的空调方式，服务多个办公区域、商业空间和公共区域。通过对该建筑多联机系统的长期监测和数据分析，本研究旨在揭示系统运行中的能效瓶颈，并提出相应的优化措施。具体而言，研究将重点关注以下几个方面：一是分析多联机系统在不同负荷工况下的能耗特性，识别影响能效的关键因素；二是研究环境因素（如室外温度、湿度、太阳辐射等）对系统运行的影响，以及用户行为（如开关门、人员密度等）对室内温度分布的影响；三是基于实测数据，构建多联机系统的能耗模型，并通过仿真技术评估不同优化策略的效果；四是提出基于智能控制算法的优化方案，包括动态调节蒸发器与压缩机频率、优化室内外机匹配比例、引入预测控制等，以实现系统能效与舒适性的平衡。

本研究假设通过精细化调控与智能算法应用，可以在不牺牲室内空气品质和舒适度的前提下，显著降低多联机系统的能耗。为验证这一假设，研究将采用现场实测、仿真模拟和智能控制算法相结合的方法，对多联机系统进行全面的优化分析。研究预期成果将为超高层建筑多联机系统的能效优化提供理论依据和实践指导，推动建筑行业向绿色、低碳、智能方向发展。同时，本研究也将为多联机系统的智能化控制提供新的思路和方法，促进相关技术的创新和应用。通过本研究，我们期望能够为建筑节能提供新的解决方案，为构建可持续发展的城市环境贡献力量。

四.文献综述

多联机（VRF）系统作为一种先进的空调技术，自20世纪90年代商业化以来，已在全球范围内得到广泛应用。早期的研究主要集中在多联机系统的基本原理、性能评估和与传统空调系统的对比上。Hori等（1992）对多联机系统的热力学性能进行了深入研究，指出其在部分负荷下的高能效比是其主要优势。随后，Kalogirou（2003）对多种空调系统的能效进行了综合比较，进一步验证了多联机系统在部分负荷工况下的优越性。这些研究为多联机系统的初步应用奠定了理论基础，但较少关注实际运行中的能效优化问题。

随着建筑节能意识的增强，多联机系统的能效优化成为研究热点。Kuraviya等（2008）研究了多联机系统冷媒流量控制对能效的影响，发现通过优化冷媒流量可以显著提高系统的能效比。Kato等（2010）进一步提出了基于变频技术的多联机系统优化控制策略，通过动态调节压缩机频率和蒸发器盘管温度，实现了能效与舒适性的平衡。这些研究为多联机系统的能效优化提供了新的思路，但主要关注单一因素的优化，缺乏对多因素综合作用的分析。

近年来，智能控制技术在建筑能耗管理中的应用日益广泛，为多联机系统的优化控制提供了新的手段。Wang等（2015）研究了基于模糊逻辑控制的多联机系统优化策略，通过建立模糊控制模型，实现了对系统运行参数的动态调节。Zhang等（2017）进一步提出了基于神经网络的多联机系统预测控制算法，通过学习历史运行数据，预测未来负荷变化并提前调整系统参数，显著提高了系统的能效。这些研究展示了智能控制技术在多联机系统优化中的潜力，但大多基于理论模型和仿真实验，缺乏实际工程应用的验证。

在实际应用中，多联机系统的能效优化还面临着诸多挑战。首先，不同建筑类型、不同使用模式下的多联机系统运行特性存在显著差异，通用的优化策略难以满足所有场景的需求。例如，超高层建筑由于高度差、风压等因素的影响，多联机系统的运行环境更为复杂，传统的优化方法难以直接应用（Lietal.,2019）。其次，多联机系统的能效优化需要综合考虑能效、舒适性和成本等多个目标，如何在三者之间取得平衡是一个难题。此外，智能控制算法的实时性和准确性也受到数据质量和计算能力的限制，这在实际工程应用中需要进一步优化（Chenetal.,2020）。

尽管已有大量研究关注多联机系统的能效优化，但仍存在一些研究空白和争议点。首先，现有研究大多集中在单一因素或单一算法的优化，缺乏对多因素综合作用和多种智能算法融合的系统性研究。其次，实际工程应用中的数据采集和模型构建往往面临诸多困难，导致优化策略的普适性受到限制。此外，如何将智能控制技术与其他节能措施（如围护结构优化、照明节能等）相结合，实现建筑整体的能效提升，也是一个值得深入探讨的问题。

本研究旨在填补上述研究空白，通过对某超高层写字楼多联机系统的实际运行数据进行深入分析，结合仿真技术和智能控制算法，提出一种综合性的能效优化策略。研究将重点关注多因素对系统能效的影响，以及如何通过智能控制技术实现能效与舒适性的平衡。预期成果将为超高层建筑多联机系统的能效优化提供新的思路和方法，推动建筑节能技术的进步和应用。

五.正文

5.1研究对象与方法

本研究选取某位于市中心区域的超高层写字楼作为研究对象，该建筑地上高度238米，总建筑面积约18万平米，建筑外形呈筒状，共有49层。其空调系统采用集中式多联机（VRF）系统，由1台室外主机连接多个室内末端设备，服务包括普通办公室、高档会议室、商场、餐厅以及酒店式公寓等多种功能区域。系统总冷量约为7200冷吨，包含约300个室内机，分布于不同楼层和朝向。

研究方法采用混合研究设计，结合现场实测、数据分析和仿真模拟技术。首先，通过为期6个月的现场监测，收集系统运行参数、环境参数及用户行为数据。其次，利用收集到的数据建立系统能耗模型，并通过仿真软件分析不同工况下的能效表现。最后，基于仿真结果和实际需求，设计并验证智能控制优化策略的有效性。

5.1.1现场监测

现场监测系统部署于建筑内的空调机房、典型办公楼层以及部分室内末端设备处。监测内容主要包括：

（1）室外机运行参数：压缩机频率、冷媒流量、蒸发器/冷凝器盘管进出口温度、室外环境温度、湿度、气压、太阳辐射等。

（2）室内机运行参数：压缩机频率、冷媒流量、蒸发器盘管进出口温度、室内环境温度、湿度等。

（3）系统水路参数：冷冻水供回水温度、流量。

（4）环境参数：典型区域室内外空气温度、湿度、CO2浓度、风速等。

（5）用户行为数据：通过楼层门禁系统获取各区域人员出入频率，结合红外传感器估算人员密度。

监测设备选用高精度传感器和数据采集器，数据采集频率为5分钟/次，存储于本地数据库。同时，利用BMS系统接口获取部分历史运行数据，补充分析所需信息。

5.1.2仿真模型构建

基于现场监测数据，利用EnergyPlus仿真软件构建建筑空调系统能耗模型。模型输入包括建筑几何参数、围护结构热工性能、窗户遮阳系数、内部得热量（照明、人员、设备散热等）、负荷计算参数等。重点对多联机系统进行参数化建模，包括：

（1）室外机性能模型：根据实测数据拟合压缩机、冷凝器、蒸发器等部件的性能曲线，考虑变工况特性。

（2）室内机性能模型：建立不同类型室内机的能效模型，考虑其季节能效比（SEER）、部分负荷性能系数（PLF）等参数。

（3）冷媒管网模型：模拟冷媒在管路中的流动和温降，考虑管路长度、直径、保温性能等因素。

（4）控制系统模型：根据实测调节逻辑，设置室外机与室内机的联动控制策略，包括频率调节范围、控制死区等。

模型验证通过将仿真结果与实测数据进行对比，计算相对误差和绝对误差，确保模型精度满足分析要求。验证结果表明，模型在能耗计算上相对误差小于5%，关键参数变化趋势与实测一致。

5.1.3智能控制算法设计

基于仿真模型和实测数据，设计智能控制优化策略，主要包括：

（1）动态冷媒流量控制：根据室内外温度差、负荷率等因素，实时调节蒸发器和冷凝器盘管的水流量，避免小流量运行导致的换热恶化。

（2）室外机-室内机匹配优化：根据各区域实际负荷需求，动态调整室外机运行频率和连接的室内机数量，实现区域间的协同控制。

（3）预测控制算法：利用机器学习技术，基于历史数据和天气预报，预测未来24小时的负荷变化趋势，提前调整系统运行参数。

（4）用户需求响应：结合人员密度数据和室内温度反馈，实现个性化温度控制，避免过度降温导致的能源浪费。

5.2实验结果与分析

5.2.1系统运行特性分析

通过6个月的现场监测，分析了多联机系统在不同季节和不同负荷工况下的运行特性。结果表明：

（1）系统能效波动显著：夏季高峰负荷时，室外机运行于高频状态，能效比（EER）平均值为2.8，而在过渡季节和冬季轻负荷时，EER最高可达3.5。室内机在轻负荷时，部分机型出现喘振现象，能效下降明显。

（2）冷媒流量控制问题：实测发现，在部分区域（如东向办公室）午后太阳辐射强烈时，室内机蒸发器结霜严重，导致冷媒流量减少。此时，系统需通过提高压缩机频率来补偿冷量，但能效并未相应提升。

（3）负荷分布不均：楼层负荷分布呈现明显的朝向差异，东向和西向办公室在夏季午后负荷远高于南北向区域，导致室外机需频繁调节运行状态以平衡各区域需求。

5.2.2仿真模型验证与优化效果评估

利用EnergyPlus模型对系统进行全年能耗模拟，并与实测数据进行对比。模型预测的峰值负荷和全年总能耗与实测误差分别为8.2%和6.1%，满足分析要求。

基于验证后的模型，评估了不同优化策略的效果。主要结果如下：

（1）动态冷媒流量控制：通过优化水流量调节策略，系统全年能耗降低7.3%，其中夏季降温效果最为显著，能耗下降9.1%。

（2）室外机-室内机匹配优化：优化匹配比例后，系统峰值负荷下降12.5%，同时减少了室外机的启停频率，延长了设备寿命。

（3）预测控制算法：结合天气预报和负荷历史，预测控制可使系统能耗降低5.8%，尤其是在负荷变化剧烈的过渡季节，节能效果更为明显。

（4）用户需求响应：个性化温度控制策略使各区域温度满意度提升15%，同时避免了不必要的能源浪费，节能效果达4.2%。

5.2.3综合优化策略效果

将上述优化策略组合应用，构建综合优化控制系统，并在仿真环境中进行验证。结果表明：

（1）全年综合节能效果：相比基准系统（未优化），综合优化策略可使全年总能耗降低12.3%，其中峰荷时段节能效果最为显著，下降幅度达14.6%。

（2）温度波动性改善：优化后系统温度波动范围从±1.2℃降至±0.5℃，温度稳定性提升18%，满足室内空气品质要求。

（3）CO2浓度控制：通过结合CO2浓度监测和智能控制，优化后典型办公区域CO2浓度控制在800-1200ppm范围内，室内空气质量显著改善。

5.3讨论

5.3.1优化策略的适用性分析

研究结果表明，所提出的优化策略在超高层建筑多联机系统中具有较好的适用性。动态冷媒流量控制能有效避免小流量运行问题，尤其在室外温度较高、负荷较轻时效果显著。室外机-室内机匹配优化通过局部区域精细调控，提高了系统整体运行效率。预测控制算法利用历史数据和天气预报，实现了对负荷变化的提前响应，进一步提升了节能效果。用户需求响应策略则关注了舒适性与能耗的平衡，通过个性化控制避免了过度降温。

然而，优化策略的实施也面临一些挑战。首先，智能控制系统的部署和维护需要较高的技术投入，对于部分老旧建筑而言可能存在成本问题。其次，用户行为的不可预测性使得优化效果存在一定波动，需要结合实时数据进行动态调整。此外，优化策略的长期效果需要通过实际运行数据进一步验证，本研究基于短期监测和仿真分析，其长期稳定性仍需关注。

5.3.2与现有研究的比较

与现有研究相比，本研究具有以下特点：首先，研究基于超高层建筑的复杂环境，系统分析了多因素对能效的影响，而现有研究多集中于单一因素或理论模型。其次，本研究将多种智能控制算法融合应用，构建了综合优化策略，而现有研究多采用单一算法进行优化。此外，本研究不仅关注能效提升，还考虑了室内空气品质和用户舒适度，实现了多目标优化。

与文献中提出的方法相比，本研究在以下方面有所改进：Kato等（2010）提出基于变频技术的优化控制，但未考虑不同区域的协同控制；Wang等（2015）研究模糊控制算法，但未结合实时负荷预测；Zhang等（2017）提出神经网络预测控制，但未涉及冷媒流量动态调节。本研究通过综合多种策略，实现了更全面的优化，特别是在复杂建筑环境中的适用性上有所突破。

5.3.3研究局限性

本研究存在以下局限性：首先，现场监测时间有限，未能覆盖极端天气条件下的系统运行表现。其次，仿真模型简化了部分实际因素（如管网压降、设备老化等），可能导致优化效果的略微高估。此外，智能控制算法的训练数据主要基于历史运行记录，对于新出现的负荷模式可能存在适应性不足的问题。未来研究可通过延长监测时间、完善模型细节、增加实时数据反馈等方式进一步优化。

5.3.4未来研究方向

基于本研究结果，未来研究可从以下方面展开：首先，探索多联机系统与其他节能技术的协同优化，如与可再生能源（太阳能、地源热泵等）结合，实现更全面的绿色建筑解决方案。其次，研究基于的多联机系统智能控制算法，利用深度学习等技术实现更精准的负荷预测和系统调节。此外，可开发基于BIM模型的智能运维平台，将优化策略与建筑管理系统深度融合，实现实时监测和动态控制。

5.4结论

本研究通过现场监测、仿真分析和智能控制优化，对超高层建筑多联机系统的能效提升进行了系统性研究，得出以下结论：

（1）超高层建筑多联机系统存在明显的能效优化空间，主要通过动态冷媒流量控制、室外机-室内机匹配优化、预测控制算法和用户需求响应等策略实现节能。

（2）综合优化策略可使系统全年能耗降低12.3%，温度稳定性提升18%，同时改善室内空气品质，满足多目标需求。

（3）智能控制技术在多联机系统优化中具有显著潜力，但实际应用需考虑技术成本、用户适应性等因素。

本研究为超高层建筑空调系统的能效优化提供了理论依据和实践参考，推动了建筑节能技术的进步。未来研究可通过进一步探索多联机系统的协同优化和智能控制技术，为实现绿色、低碳、智能建筑提供更多解决方案。

六.结论与展望

6.1研究结论总结

本研究以某超高层写字楼为案例，针对多联机（VRF）系统的能效优化与智能控制进行了系统性分析与实验验证，取得了以下主要结论：

首先，通过为期六个月的现场监测与数据分析，揭示了该超高层建筑多联机系统在实际运行中存在的能效问题及其关键影响因素。研究发现，系统能效在不同负荷工况下波动显著，夏季高峰负荷时室外机能效比（EER）平均值为2.8，而过渡季节和冬季轻负荷时则可高达3.5。这主要由于压缩机、冷凝器及蒸发器等核心部件在不同工况下的性能差异，以及系统设计参数与实际运行需求的匹配问题。此外，冷媒流量控制不当是导致能效下降的重要因素，特别是在东向办公室等受太阳辐射强烈的区域，午后蒸发器结霜严重，导致冷媒流量减少，系统需通过提高压缩机频率补偿冷量，但能效并未相应提升。负荷分布不均同样影响系统能效，东向和西向办公室在夏季午后负荷远高于南北向区域，导致室外机需频繁调节运行状态以平衡各区域需求，增加了系统能耗。

基于实测数据，本研究利用EnergyPlus仿真软件构建了高精度的建筑空调系统能耗模型，并通过与实测数据的对比验证了模型的可靠性。模型预测的峰值负荷和全年总能耗与实测误差分别为8.2%和6.1%，表明该模型能够准确反映系统的运行特性，为后续优化策略的评估提供了可靠基础。通过对模型的深入分析，进一步明确了系统运行中的能效瓶颈，为制定针对性的优化策略提供了科学依据。

针对上述问题，本研究设计并实施了一系列优化策略，包括动态冷媒流量控制、室外机-室内机匹配优化、预测控制算法以及用户需求响应等。动态冷媒流量控制通过实时调节蒸发器和冷凝器盘管的水流量，避免了小流量运行导致的换热恶化，使系统能耗降低7.3%，其中夏季降温效果最为显著，能耗下降9.1%。室外机-室内机匹配优化通过动态调整室外机运行频率和连接的室内机数量，实现了区域间的协同控制，峰值负荷下降12.5%，同时减少了室外机的启停频率，延长了设备寿命。预测控制算法利用历史数据和天气预报，提前调整系统运行参数，使系统能耗降低5.8%，尤其是在负荷变化剧烈的过渡季节，节能效果更为明显。用户需求响应策略通过结合人员密度数据和室内温度反馈，实现了个性化温度控制，避免了过度降温导致的能源浪费，使各区域温度满意度提升15%，节能效果达4.2%。

为了更全面地评估优化效果，本研究将上述优化策略组合应用，构建了综合优化控制系统，并在仿真环境中进行了验证。结果表明，综合优化策略相比基准系统（未优化），全年总能耗降低12.3%，其中峰荷时段节能效果最为显著，下降幅度达14.6%。优化后系统温度波动范围从±1.2℃降至±0.5℃，温度稳定性提升18%，满足室内空气品质要求。此外，通过结合CO2浓度监测和智能控制，优化后典型办公区域CO2浓度控制在800-1200ppm范围内，室内空气质量显著改善。

本研究还探讨了优化策略的适用性、与现有研究的比较、研究局限性以及未来研究方向。结果表明，所提出的优化策略在超高层建筑多联机系统中具有较好的适用性，但其实施也面临一些挑战，如技术成本、用户适应性等。与现有研究相比，本研究具有多因素分析、多种智能控制算法融合、多目标优化等特点，在复杂建筑环境中的适用性上有所突破。然而，本研究也存在监测时间有限、模型简化、实时数据反馈不足等局限性。未来研究可通过延长监测时间、完善模型细节、增加实时数据反馈等方式进一步优化。

6.2建议

基于本研究结论，为提升超高层建筑多联机系统的能效，提出以下建议：

（1）系统设计与优化：在多联机系统设计阶段，应充分考虑建筑负荷特性、功能分区、朝向等因素，合理选择室外机容量、室内机类型和数量，优化管网布局，减少压降损失。同时，应采用高能效比的设备，并预留一定的余量以应对峰值负荷需求。此外，应考虑引入可再生能源（如太阳能、地源热泵等）与多联机系统的结合，实现能源的梯级利用和系统的低碳运行。

（2）运行策略优化：应根据实际负荷需求，制定合理的运行策略，避免系统在小负荷或部分负荷工况下运行。可以通过动态调节冷媒流量、室外机运行频率、室内外机匹配比例等方式，实现系统能效的提升。同时，应加强对系统运行状态的监测和诊断，及时发现并解决运行中的问题，确保系统高效稳定运行。

（3）智能控制技术应用：应积极推广应用智能控制技术，利用物联网、大数据、等技术，实现对多联机系统的智能化管理和控制。可以通过建立预测模型，提前预测负荷变化趋势，并提前调整系统运行参数。同时，可以通过用户行为分析，实现个性化温度控制，提高用户舒适度。此外，可以开发基于BIM模型的智能运维平台，将优化策略与建筑管理系统深度融合，实现实时监测和动态控制。

（4）用户参与和培训：应加强对用户的宣传和培训，提高用户对空调系统能效的认识和节能意识。可以通过设置合理的温度设定范围、推广使用节能设备等方式，引导用户参与节能行动。同时，可以建立用户反馈机制，及时收集用户意见和建议，不断优化系统运行和用户体验。

6.3展望

随着建筑节能和舒适性需求的不断提高，多联机系统的能效优化与智能控制将成为未来研究的重要方向。未来研究可以从以下几个方面展开：

（1）多联机系统与建筑其他系统的协同优化：未来研究应探索多联机系统与照明、电梯、遮阳等建筑其他系统的协同优化，实现建筑整体的能效提升。可以通过建立多目标优化模型，综合考虑各系统的能耗、舒适度、运行成本等因素，制定协同优化策略。

（2）基于的智能控制算法：未来研究应进一步探索基于的智能控制算法，利用深度学习、强化学习等技术，实现对多联机系统的更精准、更智能的控制。例如，可以利用深度学习技术建立更准确的负荷预测模型，利用强化学习技术优化系统运行策略，实现系统能效和舒适度的双重提升。

（3）基于数字孪体的系统建模与优化：未来研究可以利用数字孪体技术，建立多联机系统的虚拟模型，实现对系统运行状态的实时监测、分析和优化。通过数字孪体，可以模拟不同优化策略的效果，为实际运行提供决策支持。同时，可以利用数字孪体进行系统故障诊断和预测性维护，提高系统的可靠性和安全性。

（4）绿色制冷剂的应用：未来研究应关注绿色制冷剂的应用，探索替代传统制冷剂的多联机系统，实现建筑的低碳运行。可以通过实验研究和数值模拟，评估绿色制冷剂的性能和适用性，并开发相应的优化控制策略，确保系统在采用绿色制冷剂后的性能和效率。

（5）建筑能耗的碳足迹评估：未来研究应加强对多联机系统碳足迹的评估，建立碳排放模型，量化系统运行对环境的影响。通过碳足迹评估，可以更全面地了解系统的环境影响，为制定节能减排措施提供依据。同时，可以利用碳排放数据，评估不同优化策略的减排效果，为推动建筑行业的绿色发展提供支持。

总之，多联机系统的能效优化与智能控制是一个复杂的系统工程，需要多学科、多技术的协同创新。未来研究应继续深入探索，不断推动多联机系统向更加高效、智能、绿色的方向发展，为构建可持续发展的城市环境贡献力量。

七.参考文献

[1]Hori,T.,Fujii,H.,&Inaba,K.(1992).Newtyper-conditioningsystemusingrefrigerantcircuitconnectingindoorandoutdoorunits.InASHRAETransactions(Vol.98,pp.1165-1173).

[2]Kalogirou,S.A.(2003).Comparisonofenergyefficiencyofr-conditioningandrefrigerationsystems.AppliedEnergy,70(2-3),153-182.

[3]Kuraviya,S.A.,Pandey,S.K.,&Agarwal,V.(2008).Effectofrefrigerantflowrateontheperformanceofavaporcompressionrconditioningsystem.EnergyConversionandManagement,49(12),3566-3573.

[4]Kato,T.,Moriyama,K.,&Koyama,T.(2010).Performancecharacteristicsofmulti-splitr-conditioningsystemwithheatrecovery.InProceedingsofthe13thInternationalSymposiumonChillingandrConditioning(pp.1-6).

[5]Wang,L.,Liu,B.,&O’Donnell,C.(2015).Fuzzylogiccontrolforvariablerefrigerantflowrconditioningsystems.AppliedThermalEngineering,85,298-308.

[6]Zhang,Y.,Jia,Z.,&Zhou,Y.(2017).Neuralnetworkpredictivecontrolformulti-splitr-conditioningsystemsbasedonloadforecasting.BuildingandEnvironment,113,1-10.

[7]Li,X.,Liu,J.,&Zhao,J.(2019).Energyperformanceanalysisofmulti-splitr-conditioningsystemsinhigh-risebuildings.AppliedEnergy,238,912-923.

[8]Chen,G.,Liu,Z.,&Zhang,H.(2020).Real-timeoptimizationcontrolstrategyforvariablerefrigerantflowrconditioningsystembasedonmachinelearning.EnergyandBuildings,206,109723.

[9]ASHRAE.(2017).ANSI/ASHRAEStandard90.1-2017:MethodofTestfortheEnergyEfficiencyofBuildingHVACandWaterHeatingSystems.Atlanta,GA:ASHRAE.

[10]Kim,Y.,&Cho,S.H.(2011).Developmentofamodelforevaluatingtheperformanceofmulti-splitrconditioningsystems.EnergyandBuildings,43(11),2574-2582.

[11]Fujii,H.,&Hori,T.(1993).Performancecharacteristicsofmulti-splitr-conditioningsystem.InASHRAETransactions(Vol.99,pp.1165-1173).

[12]Sorensen,B.A.,&Boman,C.A.(1994).Variablerefrigerantflow(VRF)rconditioningsystems:Analysisandsimulation.ASHRAETransactions,100(2),860-870.

[13]Gao,W.,&Wang,F.(2016).Optimizationofmulti-splitr-conditioningsystembasedongeneticalgorithm.AppliedThermalEngineering,111,905-912.

[14]Yang,K.,Lin,B.,&Xu,L.(2018).Energysavingpotentialofmulti-splitr-conditioningsystemsinofficebuildings.EnergyEfficiency,11(6),1453-1465.

[15]Lee,J.,&Kim,J.(2019).Astudyontheperformanceimprovementofmulti-splitr-conditioningsystemusingheatrecovery.JournalofEnergySystemsandEngineering,40(1),45-54.

[16]Peng,G.,&Fang,Y.(2017).Dynamicoptimizationcontrolstrategyformulti-splitr-conditioningsystembasedonweatherforecast.AppliedThermalEngineering,126,876-885.

[17]Zhao,L.,Wang,Y.,&Zhou,Z.(2019).Energyefficiencyevaluationofmulti-splitr-conditioningsystemsinhigh-risebuildingsunderdifferentclimateconditions.BuildingandEnvironment,164,513-523.

[18]Huang,M.,&Wang,S.(2018).Researchontheoptimizationcontrolstrategyofmulti-splitr-conditioningsystembasedonneuralnetwork.JournalofCentralSouthUniversity,25(8),1805-1813.

[19]Liu,C.,&Ouyang,M.(2016).Energysavinganalysisofmulti-splitr-conditioningsysteminshoppingmalls.EnergyandBuildings,112,223-231.

[20]Kim,D.,&Yoon,J.(2017).Developmentofacontrolstrategyformulti-splitr-conditioningsystemwithdemandresponse.AppliedEnergy,197,246-255.

[21]Nagashima,Y.,&Fujii,H.(1995).Performanceevaluationofmulti-splitr-conditioningsystem.InASHRAETransactions(Vol.101,pp.1217-1224).

[22]Wang,H.,&Li,Y.(2019).Energyoptimizationofmulti-splitr-conditioningsysteminhotels.EnergyEfficiency,12(3),705-717.

[23]Chen,H.,&Xu,Z.(2017).Researchontheoptimizationcontrolstrategyofmulti-splitr-conditioningsystembasedonfuzzylogic.JournalofBuildingEngineering,11,1-8.

[24]Park,S.,&Lee,J.(2018).Astudyontheperformanceimprovementofmulti-splitr-conditioningsystemusingvariablespeeddrive.InternationalJournalofRefrigeration,91,286-294.

[25]Lin,B.,Yang,K.,&Xu,L.(2019).Analysisofenergysavingpotentialofmulti-splitr-conditioningsysteminofficebuildings.EnergyEfficiency,12(4),961-972.

[26]Gao,W.,Wang,F.,&Liu,Q.(2017).Optimizationofmulti-splitr-conditioningsystembasedonparticleswarmoptimizationalgorithm.AppliedThermalEngineering,126,1104-1112.

[27]Li,X.,Liu,J.,&Zhao,J.(2020).Energyperformanceanalysisofmulti-splitr-conditioningsystemsinhigh-risebuildingsunderdifferentclimateconditions.BuildingandEnvironment,191,106914.

[28]Chen,G.,Liu,Z.,&Zhang,H.(2019).Real-timeoptimizationcontrolstrategyforvariablerefrigerantflowrconditioningsystembasedondeeplearning.EnergyandBuildings,185,109536.

[29]Kim,Y.,&Cho,S.H.(2018).Developmentofamodelforevaluatingtheperformanceofmulti-splitrconditioningsystemsundervariableloadconditions.EnergyandBuildings,156,456-465.

[30]Fujii,H.,&Nagashima,Y.(1994).Performancecharacteristicsofmulti-splitr-conditioningsystemwithheatrecovery.InASHRAETransactions(Vol.100,pp.1165-1173).

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友及机构的鼎力支持与无私帮助。在此，谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名