随着人们生活水平的提高,能源需求消耗急剧增长。准确的能源消耗预测可以帮助相关部门制定合理的能源生产计划,积极响应节能减排、可持续发展的理念。能源消耗数据包含复杂的时间关系和特征关系,传统的预测方法如自回归模型和高斯过程很难捕捉到这些关系。深度学习兴起后,循环神经网络（Recurrent Neural Network,RNN）广泛用于能源消耗预测的研究。但是,当能源消耗数据的序列足够长时,RNN会出现梯度消失或梯度爆炸的问题。时间卷积网络（Temporal Convolutional Network,TCN）根据传统的卷积网络改进而来,其中包含的膨胀卷积使TCN可以获得比较大的感受野,能够进行长序列的捕捉。所以,本文针对TCN用于能源消耗预测展开研究,主要工作包括以下两个方面:（1）为了提高模型处理能源消耗数据长序列的能力,并增强模型对能源消耗数据特征的提取,提出了时间注意力卷积网络（Temporal Attention Convolutional Network,TACN）模型。TACN包含时间卷积网络（TCN）模块和通道注意力（Squeeze Excitation Network,SENet）模块。首先,鉴于长短期记忆网络（Long Short Memory Network,LSTM）在处理能源消耗数据长序列时容易出现梯度消失或梯度爆炸的问题,提出将能够处理长序列的TCN用于能源消耗预测领域。然后,针对TCN缺乏关注网络通道特征的问题,提出将具有通道注意力机制的SENet融入TCN。在公开数据集Electricity和Solar-AL上的实验结果证明了所提出模型的有效性。（2）为了进一步提高对能源消耗数据间关联关系的提取,提出了时序分解多分辨率TCN网络（Temporal Decomposition Multi-Resolution TCN,TDMRTCN）模型。TDMRTCN中包含时序分解模块、注意力机制模块和多分辨率分析模块。首先,针对能源消耗数据蕴含周期性关系和趋势性关系的问题,提出将传统时序分解算法应用到能源消耗预测领域。其次,针对TACN缺乏关注能源消耗数据时间特征的问题,提出将时间注意力机制融入TACN。最后,考虑到不同分辨率的能源消耗数据蕴含不同的特征信息,提出将多分辨率的思想用于能源消耗预测。在公开数据集Electricity和Solar-AL上的实验结果证明了所提出模型的有效性。