在建筑节能与建筑智能化发展中,对建筑用能做出预测并根据能耗预测结果调节建筑运行策略,进行能源管理和建筑用能诊断已经成为重要发展方向之一。基于深度学习模型的建筑能耗预测方法以其高精确度、高稳定性、建模简单等优点被广泛应用。本文以武汉市某办公建筑为研究对象,基于仿真模拟数据建立去噪自编码器和长短期记忆网络的深度学习组合模型,对办公建筑的能耗进行短期预测,最终获得相比其他模型具有更高精确度和稳定性的预测结果。原始特征变量包含环境数据、建筑运行数据以及其他类型数据,采用经验法初步剔除变量值恒为零的变量,采用不保证50小时设计规范对气象变量进行异常值辨识并使用变量对应的设计规范值进行异常值替换处理,采用箱线图对运行变量和其他类型变量的异常值进行辨识并使用前后均值替换异常值,提高特征数据质量。采用去噪自编码器对高维特征变量进行数据降维处理,以2为降维下降梯度降维获得总计18组不同维度下的特征表示。结果显示在特征维度降低至28维时,降维模型在预测数据集上的表现收敛至0.0007,即在基本保留原始特征数据信息的情况下,大大降低了后续预测模型的复杂度,有效加快了模型训练的收敛和对抗过拟合。针对能耗特征数据的时序性特点,对降维获得的一系列特征表示分别建立长短期记忆网络的深度学习预测模型,经过训练与优化预测建筑一小时之后的能耗。分别建立基于原始数据的多元线性回归、长短期记忆网络独立模型和主成分分析——长短期记忆网络组合模型三种对比模型对能耗做出预测。最终预测结果显示,目标组合模型的预测表现随着降维维度的增加呈现先提高后降低的变化趋势,并且在降维维度为22时,目标模型具有最佳预测表现。相比其他模型,目标模型预测结果的均方根误差下降了7.26%～44.44%,平均绝对百分比误差下降了25.14%～82.23%,决定系数提高了0.62%～7.79%,基于深度学习的组合模型的预测精确度和预测稳定性均有明显提高,能够有效应用于办公建筑能耗预测工作。