大型公共建筑的中央空调冷源系统长期处于部分负荷运行状态,而实际运行中往往缺少有效的控制手段,运行参数未能随负荷变化进行调节,导致设备运行效率低下。中央空调冷源系统设备众多,运行参数之间相互关联,传统的经验控制、PID控制、模糊控制等均难以实现冷源系统整体的高能效运行,建立仿真模型寻找使能耗最低的运行参数设定值,再通过下位机对各优化参数进行调节是一种较为有效的优化方法。考虑到中央空调系统的高度非线性,建立机理模型较为困难,同时随着大数据技术和机器学习的发展,数据挖掘在暖通空调领域应用逐渐广泛,本研究以大量的实际运行样本数据为基础,引入基于深度学习理念的残差神经网络算法建立中央空调冷源系统的纯数据驱动模型,并利用启发式算法求解最优参数。为了满足用户的供冷供热需求,大型中央空调冷源系统多为两台或两台以上冷水主机并联运行形式,本文以我国南方某两台主机并联的地铁站中央空调冷源系统为研究对象,结合其并联运行特性进行仿真优化。本文基于收集的各设备参数及运行能耗数据和分级建模思想,引入残差神经网络先分别建立各部件的能耗预测模型,并通过冷冻水支路流量模型将冷水主机间的负荷分配与冷冻水流量、冷冻水供水温度联系起来,再根据实际运行特性将各设备模型串联合成完整的冷源系统仿真模型。与传统的神经网络模型相比,残差神经网络模型精度明显较高,平均预测相对误差为1.4613%,最大预测误差不超过6%。在已建立的中央空调冷源系统能耗预测模型的基础上,以实时冷负荷、室外温湿度等环境参数为已知输入,以冷源系统总能耗最小为优化目标,将冷却水进水温度、冷冻水流量、冷却水流量、单台主机冷冻水供水温度作为控制参数,在设备安全运行和室内舒适性约束条件下,建立中央空调冷源系统运行参数仿真优化模型,首次引入灰狼优化算法进行寻优计算。经试验,灰狼优化算法（GWO）与粒子群优化算法（PSO）、遗传算法（GA）相比具有更高的计算精度,且具有良好的收敛性,适用于运行参数的优化。通过对比仅优化单个控制参数、优化2个及2个以上的控制参数、优化全部控制参数、各主机冷冻水供水温度相等的四类优化策略在30组不同环境参数工况上的优化结果发现,优化的参数越多,各个设备的节能效果越好,其中冷冻水供水温度参数对能耗影响最为明显,而冷水主机能耗的降低对整个冷源系统的节能效果起决定性作用。与实际运行相比,在30组工况上的冷源系统平均节能率最高可达10.39%,对应的冷水机组、水泵、冷却塔等辅助设备的平均节能率分别为8.14%、23.79%、15.17%。