暖通空调系统是建筑电气系统的重要组成部分和主要耗能模块,保持其稳定高效运行对建筑舒适性和节能有重要作用。针对空调系统中常见的制冷剂充注量故障,本文提出了一种利用stacking集成学习方法的多联机制冷剂充注量检测模型,同时使用半监督模型作为stacking集成模型的基学习器,使模型能够利用空调实际运行中产生的大量无标签数据。本文首先开展了多联机制冷剂充注量故障实验,实验数据包括多联机制热工况下的3种室内外环境条件,制冷剂充注量范围63%～140%的10种充注水平,对模型的输入数据进行了预处理,包括数据清洗,剔除不能被数据驱动模型所使用的变量,并对数据进行归一化,使用递归特征排除法进行特征选择,使用相关性分析方法降低模型输入变量之间的耦合性,最终选择了10个变量作为后续各种检测模型的输入特征,并分析了模型输入变量随制冷剂充注量水平的变化趋势,对其原因进行了解释。论文使用实验数据建立了5种多联机制冷剂充注量水平的简单分类模型:支持向量机、BP神经网络、随机森林、梯度提升机和多类别逻辑回归,对各模型分别进行了参数优化工作,发现在建立的5种制冷剂充注量水平分类模型中,基于集成学习方法的2种模型:随机森林和梯度提升机的检测性能是最好的,梯度提升机在训练集中拥有最大的分类正确率（97.62%）,随机森林在测试集中拥有最大的分类正确率（95.37%）,其次是支持向量机模型,效果最差的模型是多类别逻辑回归和BP神经网络,使用Stacking集成方法对这几种模型进行组合,经过结构优化后,模型在训练集和测试集中都有最大的分类正确率（99.45%和98.38%）。为了实现Stacking集成学习模型在实际场景的应用,论文讨论了实际场景下空调系统运行数据的特点及其与实验数据集的差别,使用原实验数据集对实际场景进行模拟,讨论了监督算法在实际场景下的局限性,以支持向量机方法为例,发现随训练集中有标签数据量的减少,虽然监督方法支持向量机在训练集中的分类能力几乎不发生改变,但是在测试集中的分类正确率急剧下降。根据实际场景数据集特点,建立基于自训练和协同训练方法的4种半监督制冷剂充注量检测模型:Self-knn、Selfksvm、Tri-training和Co-bc,代替监督方法作为基学习器建立实际场景下的多联机制冷剂充注量stacking集成检测模型,模型在训练集和测试集中的分类准确度可以提高到97.28%和93.91%。综上所述,基于stacking方法的多模型集成可以有效提升多联机制冷剂充注量检测模型的分类性能,同时可以通过利用半监督基学习器的方法使模型在实际场景下,能够同时利用通过实验室测得的少量有标签数据以及空调系统实际运行中产生的大量无标签数据,表现了Stacking集成学习制冷剂充注量检测模型的实际应用性。