空调系统的能耗占城市总能耗的比重有日益增大的趋势,一些城市空调系统能耗已超过城市总能耗的40％;同时,随着社会经济生产力和人们生活水平的提高,对空调系统也提出了更高的要求,因此采用先进的控制方法改善空调系统的控制水平,对提高空调性能、降低空调系统能耗具有重要意义。目前,一些学者将迭代学习控制方法引入到空调系统,并指出这种改进可以使空调系统达到较高的控制精度,降低系统运行能耗。本文从计算机仿真平台、控制策略以及控制算法三个方面对空调系统迭代学习控制进行改进和完善,为迭代学习控制在空调系统的实际应用提供有益的参考和方法。　　计算机仿真平台方面:目前,针对空调系统迭代学习控制的研究主要是在计算机仿真平台上展开的。因此,计算机仿真平台的仿真精度对空调系统迭代学习控制的研究影响较大。若采用移动边界模型代替目前通常采用的集总参数模型建立计算机仿真平台中的换热器模块,可以使计算机仿真平台的仿真精度得到大幅度的提高。然而,现有的换热器移动边界模型在稳定性以及运算速度方面都无法满足空调系统迭代学习控制中计算机仿真平台的需要。为此,本文对现有的换热器移动边界模型从建立及求解两方面进行改进。在模型建立方面:依据手册中数据,采用拟合关联式法,利用1stopt软件得到以温度为主要自变量的制冷剂物性计算关联式,并以温度为主要自变量建立了换热器移动边界模型。在模型求解方面:给出了一种换热器移动边界模型的自适应变时间步长解法。最后,通过与传统换热器移动边界模型的仿真结果进行对比:发现改进后的换热器移动边界模型稳定性更好,运算速度也提高了三至四倍。　　控制策略方面:现有空调系统迭代学习控制策略应用到实际空调系统时,其初始控制输入量通常采用设置零值或有界随机值的方法。然而,采用这种方法往往导致空调系统迭代学习控制的初始控制精度过低。为此,本文给出一种基于模型的空调系统迭代学习控制策略,并给出相应的控制律的设计方法、参数的设定方法以及其收敛性的数学推导证明。在这种控制策略中,应用到实际空调系统的初始控制输入量在计算机仿真平台中经过了处理,进而使得空调系统迭代学习控制的初始控制精度主要与计算机仿真平台的仿真精度相关,从而可以使初始控制精度得到较大幅度提高。　　控制算法方面:现有的空调系统迭代学习控制中的迭代学习控制算法在系统执行新的控制任务时,通常无法充分利用先前的控制经验。本文结合空调系统控制任务往往具有较强相似性的特点,采用遗传BP神经网络算法对空调系统迭代学习控制中迭代学习控制算法的初始控制策略进行改进。仿真结果表明,改进后的迭代学习控制算法可以较为充分的利用先前的控制经验,并且在收敛速度及收敛精度方面都得到了较大幅度提高。