舒适的室内热环境是人们身心健康和高效工作的前提,传统稳态热环境营造模式背后隐藏的健康与高能耗问题备受相关领域研究者的关注。目前,动态热环境控制为室内热环境动态优化提供了有利途径,可有效利用热环境的小幅规律性波动,在满足热环境动态控制的同时实现舒适和健康的统一。然而,营造舒适的室内热环境是以一定的系统能耗为代价的。若能对其进行准确、及时的预测,将对空调系统的节能与优化控制具有重要意义。本文基于动态温度调控的空调能耗模型,提出一种基于改进PSO-BP神经网络的能耗预测方法。首先,应用Energy Plus仿真软件建立办公建筑变风量空调能耗仿真模型,设计满足|PMV|≤0.5条件的室内热环境动态温度调控策略,并通过能耗模拟获得夏季工况空调系统的逐时能耗数据集。仿真结果表明,基于该策略的空调系统既能营造动态热环境满足人体热舒适要求又可有效降低系统能耗。其次,针对能耗预测模型输入变量的确定问题,设计集成方法分析能耗的关键影响因素。该方法集成聚类、分类和关联度分析法等三种方法,挖掘空调系统的四种能耗模式并确定预测模型的8项有效输入变量。预测结果表明,在采用集成方法分析能耗的基础上建立的BP神经网络模型比传统单一BP神经网络模型的能耗预测精度提高了2.11%。最后,针对BP神经网络存在的收敛速度慢和局部极小等问题,提出非线性调整策略优化PSO算法的惯性权重和加速度因子,从而建立改进PSO-BP神经网络能耗预测模型。结果表明,在采用集成方法分析能耗的基础上,改进PSO-BP神经网络模型比PSO-BP神经网络模型的预测精度提高了0.72%,比传统单一BP神经网络模型的预测精度提高了3.4%。