毛细管辐射空调在我国投入实际使用已有多年,但在夏热冬冷和高湿度地区的应用一直受到一些阻力,其中毛细管辐射顶板结露问题是制约毛细管辐射空调系统推广应用的关键因素。毛细管辐射顶板+置换通风空调系统能够解决在运行过程中结露的问题,但对于空调系统间歇运行的建筑物,在制冷季仍会出现开机阶段辐射顶板结露的问题。通常,是采用通风预除湿的方法来解决,但对于预除湿的时间,一般是根据经验给定一个固定值,1h或0.5h,缺乏准确的计算方法。为了得到最佳预除湿时间,本文以上海市某办公楼为研究对象,首先在TRNSYS中搭建毛细管辐射顶板+置换通风空调系统模型;然后,在MATLAB软件中建立BP神经网络预测模型,将每天早上7:00室内外温湿度情况作为影响因素,对每天的最佳预除湿时间进行预测;通过对TRNSYS软件中搭建好的系统进行模拟得到学习样本数据组,将该数据组作为输入对BP神经网络预测模型进行学习训练,当训练结果达到预先设定值后,将训练好的网络保存为样本,进行下一步的预测。模拟结果显示,在整个制冷季,房间新风系统和毛细管辐射系统同时开启时,在开机阶段辐射顶板会出现结露现象,出现结露现象的工作日占整个制冷季工作日的50%;当新风机提前开启1h对房间进行预除湿后,整个制冷季工作日系统开机阶段都不再出现辐射顶板结露的现象;结露的时间长短以及结露程度跟当天室内外气候状态有关。分析TRNSYS模拟得到的学习样本数据,得到最佳预除湿时间与早上7:00室内、外温湿度的变化关系如下:室内、外干球温度越高、室内、外相对湿度越高,所需的最佳预除湿时间越长。在所有需要进行预除湿的工作日中,最长的预除湿时间出现在7月29日,为0.98h（58.8min）;最短的预除湿时间出现在9月3日,为0.12h（7.2min）。BP神经网络训练过程中的均方误差MSE为1.90958×10^-4,其训练结果的相关系数R达到0.99906,预测结果的相关系数R达到0.99897。不论是训练结果还是预测结果,其相关系数R都较高,说明该BP神经网络能够很好的反映最佳预除湿时间与输入变量（室内外参数）之间的内在关系,并且具有很强的非线性映射能力和很高的预测准确性。该神经网络训练成功,可以保存为样本进行实际的最佳预除湿时间的预测。