建筑空调系统运行中所产生的能耗问题一直是建筑节能领域研究的热点与难点,如何对能耗进行精准稳定的预测与异常检测是亟待解决的瓶颈问题,传统的数值仿真方法无法达到预期的效果。本文利用数据挖掘的技术对建筑空调系统能耗的特性进行深入研究,构建了建筑空调系统能耗预测框架以及异常能耗检测框架以针对性地解决建筑空调系统节能的关键问题,其中能耗预测框架包括短期能耗预测模型与中长期能耗预测模型,异常能耗检测框架则包括异常能耗检测模型及异常能耗分级模型。根据不同类型建筑空调系统的能耗特征,分别以办公建筑、商业建筑、住宅建筑为研究对象,充分验证了两种框架中所提出的各类模型的可靠性,最终形成了一套较完整的建筑空调系统能耗监测体系。本文主要的研究工作内容如下:针对建筑空调系统短期能耗预测结果的稳定性问题,提出了一种基于数据分解的集成学习预测策略。首先利用变分模态分解的算法对复杂多变的原始能耗数据集进行分解,使分解出来的子集具有一定的规律性,然后以机器学习方法为基础分别对各子集建立起短期能耗预测的模型,最终将各预测模型的结果通过集成学习进行组合,得到原始能耗数据集的预测结果。为了验证本文所提策略的优越性,本文引入了经验模态分解算法作为参考模型,并通过Friedman检验以及Nemenyi检验对各模型的泛化性进行对比。结果表明基于变分模态分解的集成学习模型其预测性能与稳定性均优于经验模态分解集成学习模型和单一机器学习模型。针对建筑空调系统中长期能耗预测结果精度低且可信度缺失的问题,深入分析了问题的本质特征,将点预测模型转换成区间预测模型,并提出了一种结合深度学习与惩罚分位数回归的能耗区间预测模型。对于深度学习模型,本文采用的是长短时记忆网络模型,通过迭代的方法将单一时间步长的预测结果扩展到中长期预测中,再以预测结果为输入变量,进行惩罚分位数回归,得到区间预测的结果。本文模型应用于商业建筑的空调系统中,其结果表明长短时记忆网络在中长期的能耗预测中性能优于其他常见的机器学习模型,且能耗区间预测的结果能够基本覆盖实际能耗的变化范围,具有较高的预测精度。针对有限信息下建筑空调系统的异常能耗难以识别的问题,提出了一种基于机器学习和统计规则的异常能耗检测模型。首先根据空调系统能耗变化的特征建立起单一时间步长的能耗预测模型,其次计算出能耗的预测值与实际值的残差,并以此为数据集依照特定的统计规则建立起异常能耗检测模型。由于研究对象的能耗数据集中缺少对异常能耗的明确标签,本文根据现场调研的结论对异常能耗检测结果进行合理性与可靠性的分析讨论。文中引入了常见的异常检测方法,即局部异常因子与Z-score方法,与本文模型进行对比。建立目标建筑的能耗仿真模型,通过添加人为操作相关的异常能耗数据,充分验证了本文所提出的异常能耗检测方法的可靠性。最后,针对更普遍的建筑空调系统运行监测现状,提出了在只含有能耗信息的背景下,异常能耗检测与异常能耗分级的模型。该模型以基于深度学习的能耗预测模型为基础,将分位数回归模型作为判断异常能耗的基准,并以此将异常能耗划分为不同的等级。本文将短时间内的能耗变化情况和居民用能习惯作为异常能耗合理性的判断依据,将不同分位数回归的区间定义为不同等级的异常能耗,对住宅建筑的空调能耗进行分析研究。此外,利用标准住宅建筑模型模拟冷水机组脏污故障下的能耗变化,以此验证本文所提出的异常能耗检测及分级模型,结果表明本文所提出的异常能耗检测模型能够合理可靠地检测出系统中存在的异常能耗值,且所提出的分级基准可以用于判断异常能耗的严重程度。本论文引入了模态分解方法以提高建筑空调系统短期能耗预测模型的预测精度与稳定性,将分位区间预测应用于中长期能耗预测的研究中,提升了预测结果的可信度;在此基础上,结合统计规则与系统运行特征对异常能耗进行检测,提出了异常能耗的判断模型及标准,针对更普遍的空调系统能耗信息有限的问题,进一步建立了异常能耗严重程度的等级划分基准,完善了建筑空调系统异常能耗检测评价体系。