随着城镇化和经济的快速发展,住宅建筑面积增长迅速,导致了住宅建筑的耗电量和二氧化碳（CO2）排放的急剧增长。因此住宅建筑的用电分析及其预测研究对建筑的节能和可持续发展具有重要意义。本文以住宅建筑的天气、温度和湿度以及用电量作为研究对象,通过研究基于数据包络分析（Data Envelopment Analysis,DEA）的Malmquist指数和基于贝叶斯优化算法（Bayesian Optimization Algorithm,BOA）的长短期记忆神经网络（Long Short-Term Memory,LSTM）方法分析和预测了住宅建筑的用电量以提高住宅建筑的能源效率,实现住宅建筑的节能降耗。本文的研究内容主要包括:1、住宅建筑用电能耗的影响因素复杂多样,受到气候、围护结构、建筑设备等因素的影响。针对高维度及复杂的住宅建筑用电能耗数据,而单一的特征选择算法容易忽略重要特征或未发现冗余特征,因而提出了基于Pearson相关性分析结合随机森林（Random Forest,RF）和Light GBM（Light Gradient Boosting Machine）的特征选择方法。基于Pearson相关性分析的相关系数以及RF和Light GBM的特征重要度选取影响住宅建筑用能的关键特征作为可选特征,统计可选特征的特征频次作为特征选择的结果。基于所提的组合特征选择方法能够将住宅建筑的用电数据的30个特征缩减为10个特征,有效实现了数据降维。2、为有效动态评价住宅建筑的用电能效水平,结合获取的住宅建筑日用电能耗的重要特征,提出了一种基于DEA的Malmquist指数静动态住宅建筑能效评估方法。基于DEA方法将住宅建筑日用电能耗区分为有效决策单元（Decision Making Unit,DMU）和非有效DMU,通过DEA的松弛变量静态的改进非有效DMU的温度、湿度以及大气压,提升其能效。然后通过DEA的效率值计算得到Malmquist指数,从技术效率（Technical Efficiency,EFFCH）、技术进步（Technical Progress,TECHCH）、纯技术效率（Pure Technical Efficiency,PECH）、规模效率（Scale Efficiency,SECH）和全要素生产率变化（Total Factor Productivity Change,TFPCH）动态的分析住宅建筑的用电能效。通过住宅建筑的静动态的用电能效分析,结果表明当住宅建筑能效的增长受到技术进步的限制时,需要引入先进的建筑技术以改进住宅建筑的全要素生产率,实现住宅建筑能效的优化配置。3、为预测未来的住宅建筑的用电能耗及优化指导,提出了一种基于BOA-LSTM的住宅建筑用电预测方法以指导住宅建筑的节能降耗。针对LSTM建模的超参数调优问题,采用BOA方法寻找最优超参数以自适应地构建住宅建筑的用电能耗预测模型。通过UCI公共数据个人住宅用电量数据的预测,验证了BOA-LSTM的有效性。进而基于住宅建筑用电能耗的重要特征以及历史用电能耗作为输入数据构建用电能耗预测模型,预测不同配置下住宅建筑用电量,为住宅建筑的节能工作提供优化指导。