随着云计算、5G商用和元宇宙的兴起,大量数据中心得到了投资、建设和发展,其能源消耗过大的问题日益突出。数据中心空调系统需要全年不间断运行,其能耗不容忽视。数据中心空调系统分为制冷站系统和末端系统两部分,其中空调末端系统负责向机房提供冷风,以保障IT设备可靠运行。数据中心空调系统能耗约占数据中心总能耗的29%,而末端能耗约占空调系统能耗的71%,造成空调末端能耗较高的原因有两点,一是空调系统具有非线性、惯性、滞后等特性,且易受其他分支频繁变化的冷冻水流量干扰,而工程上常采用的传统PID控制难以实现系统整体能效的提升;二是为避免服务器机柜出现过热风险,保守的用户通常提高送风量并降低送风温度,但这种方式易导致空调末端过量制冷,造成能源额外浪费。鉴于预测控制能改善被控对象的动态特性,可通过预测模型和滚动优化机制实现系统自适应寻优,而串级控制适用于干扰频繁出现的系统,本论文以使机柜入口温度满足制冷需求且节省能耗为系统优化目标,将串级控制与预测控制相结合,研究数据中心空调末端系统串级预测控制策略。预测控制的基础是预测模型,但是数据中心空调末端系统结构复杂、设备众多,导致机理建模困难,因此本论文采用数据驱动的方法构建系统模型。由于实际工程项目运行数据获取较为困难,且系统实际运行数据通常固定在少量工况下,很难体现出系统完整动态特性,为此本论文采用计算流体力学（Computational Fluid Dynamics,CFD）数值模拟方法建立了数据中心的机房CFD模型,构建了机房三维几何模型、网格模型和边界条件等。在此基础上,考虑到预测控制在滚动优化过程中需要进行模型反馈校正,且模型的可移植性在提高预测控制研究效率方面具有重要作用,因此本论文研究了数据中心空调末端系统T-S模糊模型构建方法。为了提高传统T-S模糊模型的辨识精度和改善模型在线修正性能,本论文提出改进T-S模糊模型,首先分析了机柜入口温度的影响因素,确定了模型结构;然后为避免模糊C-均值聚类算法（Fuzzy C-Means,FCM）陷入局部最优,并提高寻优效率,提出基于改进天牛须优化的模糊C-均值聚类算法（Fuzzy C-Means with Improved Beetle Antennae Search,IBAS-FCM）,通过引入算术交叉算子和高斯变异算子,实现模型前件结构辨识;最后采用容积卡尔曼滤波（Cubature Kalman filter,CKF）算法辨识模糊模型后件参数。实验结果表明,与传统辨识方法相比,改进T-S模糊模型可缩短结构辨识的时间,模型预测精度更高,机柜入口最高温度的相对误差为1.2%。为验证模型的可移植性,本论文采用另一个机房CFD模型所采集的数据对模型进行在线校正,经过1160次迭代后,新模型即可收敛,模型精度可达95%以上。为了克服传统PID的不足,提出神经网络串级预测控制策略,外环采用预测控制,以改善动态响应品质并节省能耗;内环采用基于PSO优化的PID控制,其参考输入为外环预测控制器的输出,以抑制冷冻水流量频繁波动对机柜入口温度影响。由于数据中心空调末端具有非线性特性,传统非线性优化算法计算量和存储空间占用较大,为此本文提出一种神经网络预测控制滚动优化算法,将神经网络作为反馈优化控制器,结合Euler-Lagrange方法和梯度下降法调整神经网络的权值阈值,以系统优化目标函数为网络的性能指标,当迭代寻优结束后输出最优控制量序列。该算法易于工程实现,可将其应用于外环预测控制的滚动优化中。另外,在预测控制优化目标中权重系数对系统的性能有一定影响,为了提高系统的整体性能并解决两个以上优化目标之间的冲突关系,本论文设计了权重系数自适应模块,引入模糊逻辑以对系统优化目标函数中的权重系数进行动态调整。将本论文所提出的控制策略用于数据中心空调末端系统的控制,实验结果表明,与串级PID控制相比,所提出的控制策略具有更好的跟踪性能和鲁棒性,且风机能耗节省约36.59%;进行优化目标函数权重系数自适应调整后,风机能效再次提高约15.67%。