随着我国工业化和城镇化的不断深入,建筑能耗在社会能源消费总量中的比重也逐年上升。在此背景下,建筑节能技术得到越来越多的关注。短期建筑能耗预测是实现公共建筑经济运行的一项重要工作。本文重点研究了公共建筑能耗和空调负荷的预测方法。(1)在分析办公建筑空调负荷数据特征的基础上,提出了基于K均值小波神经网络空调负荷预测方法,旨在提高预测模型的抗干扰能力和精确度。利用K均值聚类算法对空调负荷数据样本进行聚类分析生成多个簇类样本,以消除数据噪声,降低非平稳性;进一步,利用每个簇类数据样本构造相应小波神经网络模型。将该预测方法用于两个实例进行验证,结果表明该方法可为空调负荷提供准确、有效的预测结果。(2)为了使预测方法更具扩展性,经过分析K均值小波神经网络模型存在的不足,提出了基于FCM-LSSVM-GSA空调负荷预测模型。相比K均值聚类算法的硬划分,模糊C均值聚类算法(FCM)提高了对数据聚类分析的灵活性。另外,鉴于最小二乘支持向量机(LSSVM)具有较强处理小样本、非线性数据的能力,对每个簇建立LSSVM模型,解决了小波神经网络可能存在网络学习无法收敛的问题;再者,为避免LSSVM参数选取的盲目性,采用万有引力搜索算法(GSA)对其进行参数优化,使模型性能得到保障。用某办公建筑DeST-C模拟计算的空调负荷值对模型进行验证,与LSSVM、FCM-LSSVM模型对比表明该方法具有更准确、更稳定的预测效果。(3)在短期建筑能耗中,针对能耗变化趋势存在相似性的特点,提出了基于相似日小波LSSVM-GSA建筑能耗预测模型。首先,对建筑能耗的主要影响因素取标准特征值,根据相似系数法计算的相似度进行选取预测日的相似日;其次,对相似日建筑能耗数据进行小波分解得到的低频和高频序列,低频序列用LSSVM-GSA预测,高频序列用均方加权处理,两者结果小波重构即为最终预测值。将模型用于某图书馆建筑能耗进行验证,并与单一LSSVM-GSA模型进行对比表明,基于相似日小波LSSVM-GSA建筑能耗预测模型具有更好的预测精度和稳定性。(4)本文阐述了为南平某办公建筑建设能耗监测系统的关键步骤,目前系统已投入使用,运行良好。