随着科学技术的发展和社会的进步,我国的地铁车站建设进入了迅猛发展的时代,地铁作为一种方便快捷的公共交通方式,已是人们市内出行的主要途径。目前地铁站空调系统总体能耗较大且存在着能源浪费的现象,若能针对地铁站特点对其逐时空调负荷进行预测,则可以对空调系统的运行进行指导和优化,减少冷量供需不匹配所导致的能源浪费,从而达到节能运行的目的。本文以北京市某地铁车站为研究对象,对其空调负荷展开了相关研究。首先,针对地铁空调负荷的主要影响因素进行调研与测试。本文于2019年6-8月空调季进行现场测试,监测并记录了站内外相关的热环境与空气环境的数据,获取了该站客流量数据和空调系统能耗实际数据。分析各参数与地铁站能耗之间的相关性,得到了当前影响地铁空调能耗的主要因素,分析结果表明室外温度、室内CO2浓度和站内客流量与地铁空调能耗相关性较大。其次,针对目前地铁站自然渗透风难以测算的问题,提出了以人为释放源的CO?示踪气体法测渗透风量,并对站内CO2空气分布的状况进行了水平空间和垂直空间的均匀性实验以证实方法的可行性。利用两种差分时间的示踪气体稳态差分法对数据进行了计算,并对计算结果进行了相关性分析,风量计算结果表明,不同差分时间的平均计算渗透风量差别较小,渗透风量也具有日期类型特征,且不同地铁车站的渗透风量;相关性分析表明,站内人数、列车频次为对地铁车站渗透风量较大的两个影响因素。然后,以2020年8月某天为例,耦合室外温度、站内客流量和自然通风渗透风量的实际测试和监控数据,按照上述测试和计算方法进行了地铁动态负荷计算,并进行了分析。分析结果表明,值具有较强得波动性,且最大动态负荷值小于设计负荷值。针对地铁空调动态负荷的特点,在现有空调风系统控制模式的基础上,提出了地铁动态空调负荷的控制逻辑。最后,基于BP神经网络建立了地铁空调动态负荷预测模型,并使用粒子群算法和遗传算法相结合的方法对模型进行了优化。基于GA-PSO-BP优化预测模型,对2020年8月的负荷预测进行了验证,显示该空调预测模型预测速度更快、精度更高。