建筑运行能耗占我国能源消耗总量的30%以上,是我国如期实现碳达峰、碳中和目标的重要组成部分。办公建筑能源使用强度为住宅建筑的10～20倍,不当的控制策略或用能行为可导致大量的能耗浪费,甚至引发严重故障或事故。因此,如何开展建筑运行状态异常检测工作,建立实时故障报警及预警机制,对保障建筑运行过程的节能高效、安全稳定具有重要意义。机器学习技术可实现抽象数据的映射关系提取,有效克服数据海量等难点,尤其适用于时序性、多源性的建筑运行状态异常检测研究工作。本文针对夏热冬暖地区某办公建筑的建筑能耗和复杂设备系统运行状态提出异常检测研究方法,主要研究内容如下:（1）分析研究对象的用能模式特点,描述建筑能耗监管平台与空调节能控制系统。提取并讨论照明插座等能耗分项用能模式,并从失真异常与非失真异常两方面分析了建筑运行数据的异常类型,为建筑运行状态异常检测奠定基础。（2）针对建筑能耗异常检测,提出了基于多步预测的能耗单变量异常检测方法,并建立了分级预警机制。结合多输入-多输出的预测策略,建立了基于LSTM的多步预测模型,并讨论不同超参数对模型预测精度的影响程度。结果表明,与BP神经网络算法、LSSVM相比,当预测步长为24小时,其预测平均精度分别提高了13.25%与4.23%。最后,根据阈值区间外预测能耗集合元素数量的累计概率曲线,建立了能耗分级预警机制,异常检测准确率达到95.41%。（3）针对建筑复杂设备系统运行状态异常检测,提出了基于二次聚类的建筑复杂设备系统运行状态多变量异常检测方法。针对运行参数存在的耦合性与多源性问题,利用K-means算法划分Ⅰ～Ⅴ类运行工况。然后,计算各工况下各子系统的信息熵数值,采用SOM算法实现异常数据与正常数据的二分类,结果表明各工况平均类内异常检测的准确率达97.07%。最后,分析了类内异常检测率与少数类占总数比例、类内运行状态数量间关系,建立了多变量复杂设备系统运行状态的实时报警机制。（4）从实际应用出发,分析并设计了建筑能耗与复杂设备系统运行状态异常检测模块。遵循科学性、兼容性、简洁性、系统性的设计原则,分析了模块功能需求,包括数据选择、分项数据处理等六部分,阐述了模块的开发流程,确定了模块的设计框架,为建筑运行状态异常检测提供了理论研究到实际应用的解决方案。