随着各国经济社会的高速发展,高度发达的现代工业在创造巨大社会财富,不断满足民众日益丰富物质需求的同时,也产生了大量的污染物,使得全球生态环境日渐恶化。在总的能源消耗中建筑耗能比重较大,欧盟以及美国建筑能耗占总能耗的40%。到2015年,我国建筑能耗占总社会能耗已经比例也接近20%,并且逐年呈现出逐年上升的趋势。近年来,在各级地方政府倡导下,已经建设并完成了不少建筑的建筑能耗监测与管理系统,可以实时监控建筑耗能设施的运行能耗,客观地反映建筑运行能耗情况。但是目前没有充分利用收集到的能耗数据,如何深入挖掘建筑能耗数据与耗能设备之间的关联,提取相关信息特征,进而提供降低耗能设备运行能耗的优化运行措施,是建筑能耗监测与管理领域急需突破的瓶颈。基于上述问题,本文尝试将数据分析与挖掘技术运用于建筑能耗数据分析,根据建筑用能特征建立能耗数据关联模型,从多方面对建筑能耗进行分析:1、区域建筑能耗因素研究。使用STIRPAT(Stochastic Impacts by Regression on Population,Affluence,and Technology)模型从宏观方面对广州市未来民用建筑运行能耗进行预测,并对影响建筑能耗的因素进行分析。根据模型,预计到2025年广州市民用建筑能耗将在2651.87-3236.16万吨标准煤之间,相比2020年能耗增长幅度在20.01%-35.92%之间。并且通过分析发现地区生产总值、人均居住面积和居民消费支出对建筑能耗有较大的正方向影响,而第三产业生产总值比重对建筑能耗有较大的负方向影响。2、办公建筑聚类算法研究。分析目前广州市办公建筑的用能现状。根据聚类模型对广州市办公建筑进行划分,低能耗建筑为低于78k Wh/(m~2·a),较低能耗建筑为78-122k Wh/(m~2·a),较高能耗建筑为122-176k Wh/(m~2·a),高能耗建筑为大于176k Wh/(m~2·a)。3、办公建筑逻辑回归模型研究。利用收集到的部分办公建筑的建筑信息和能耗信息,建立逻辑回归模型,分析影响办公建筑能耗的因素。通过逻辑回归模型发现,建筑高度、空调面积比例、室内温度、运行小时和建筑面积五个因素对办公建筑能耗有影响。4、建筑空调系统LSTM(Long Short-Term Memory)神经网络能耗预测模型。建立LSTM神经网络模型,对不同建筑功能的建筑使用LSTM模型进行空调能耗预测,结果表明预测误差小于10%,符合工程实际应用的要求。并将LSTM模型与ARIMA模型和BP神经网络模型进行对比,结果发现LSTM模型不仅有较高的准确度,并且其适用性也高于其他模型。从多维度对建筑能耗数据进行分析,充分利用收集到的能耗数据,深入发掘建筑能耗数据背后的价值,为进一步实施节能运行管理提供依据,多角度指导建筑节能改造和建筑用能系统的优化运行管理。