建筑节能是实现节能减排过程中中不可缺少的一步,建筑能耗的准确预测对于建筑节能优化以及建筑能源管理有良好的指导作用,通过数据驱动建立的能耗预测模型具备精度高、时间短等优势,在能源领域得到大量的推广。本文以采用供热站进行冬季供暖的某居民小区建筑为研究对象,采用各单一机器学习算法以及集成学习算法,根据数据采集系统采集到的数据、气象站中采集数据、小区总能耗等数据建立能耗预测模型,结合异常值处理、特征提取和网格搜索等措施提高能耗预测模型精度,最终得到的建筑能耗预测模型在具备较高的准确度的同时输入较少的特征变量,提高了模型的泛化能力。原始数据集中包含机组运行数据、气象站采集数据、时间数据以及能耗数据,采用散点图及箱线图进行异常值检测,采用中位数填充方法对异常值进行替换,通过比较处理后数据中各变量之间的最大信息系数判断各变量相关性,进而通过Bortua算法判断各变量重要性并选出最佳输入特征变量集。将经过特征提取的数据划分为训练集及测试集,利用多元线性回归算法、极限学习机算法、极限梯度下降算法与支持向量回归四种单一机器学习算法分别建立能耗预测模型,并通过十折交叉验证以及网络搜索的方法进行参数寻优。最后采用集成学习算法将四种单一机器学习模型综合在一起,提高预测精度,结果中测试集平均绝对误差下降4.36%~71.70%,均方根误差下降了3.80%~49.73%。鉴于居民建筑特性,新建历史能耗特征变量EWMA并加入到集成学习模型的输入变量集中,结果表明新的特征变量集能有效提升预测模型精度,与原始特征变量集相比,测试集平均绝对误差降低了10.36%,均方根误差降低了19.89%。