当前,全球在应对气候变化问题上,如何进一步施行节能减排战略引起人们越来越多的关注。建筑作为能源消耗三巨头之一,成为节能减排战略的主要目标对象。高校建筑依托于住建部高等院校节能监管系统建设工程的大规模部署,使得高校建筑分项能耗数据在采集上获得先发优势。建筑分项能耗是指在原有建筑总能耗的基础上对不同类别或使用途径的能耗进行分项计量,从而使能耗的使用去向呈现更加立体化。但是,当前大部分的高校建筑分项能耗需求信息依然处于未知状态。为此,本文提出一种基于长短期记忆神经网络（Long Short-term Memory,LSTM）的高校建筑分项能耗预测方法,针对某高校行政办公楼建筑的分项逐时能耗进行短期预测研究。主要完成的工作如下:（1）针对经过数据预处理后的高校建筑分项能耗数据,构建了基于LSTM算法的分项能耗预测模型,并分别在秋、冬、春、夏四组不同时段的测试集上进行实验验证和量化评估。实验结果表明,LSTM模型基本解决了秋季和夏季时段的分项能耗预测问题,但是在冬季和春季时段上的预测效果还有所不足。（2）针对LSTM模型的不足和时间序列数据的固有特性,提出使用基于托普利兹逆协方差（Toeplitz Inverse Covariance-Based Clustering,TICC）的多元时间序列聚类分割方法,对高校建筑的能耗数据进行切片分析,并与K-Means和高斯混合模型等聚类方法进行对比,以DTW距离函数作为评价指标判断各分割片段间的相似度。结果表明TICC时序分割方法分割后的片段最具独立性,从而为下文构建预测模型提供了更加精细的数据特征。（3）针对TICC时序分割方法分割后的片段,分别构造了TICC-LSTM和TICC-ARLSTM分项能耗模型。设计了每个模型的框架流程和预测方法,也分别在秋、冬、春、夏四组不同时段的测试集上进行实验验证和量化评估,并与LSTM模型进行对比。实验结果表明:LSTM模型在春季的照明能耗上的均方误差（MSE）和平均绝对百分比误差（MAPE）指标分别为5.99、12.12%,夏季的空调能耗上分别为1998.06、45.05%,全时段的动力能耗上为0.07、17.69%,0.01、27.46%,0.04、16.01%和0.04、19.63%;TICC-LSTM模型在夏季和秋季的照明能耗上分别为8.83、12.74%和10.65、14.7%;TICC-AR-LSTM在冬季的照明能耗上分别为0.25、7.01%、春季、秋季和冬季的空调能耗上分别为1.25、30.49%,51.09、28.88%和0.3、8.88%,以上组合是不同时段不同分项能耗可选用的最佳预测模型。本文针对高校建筑分项能耗设计了具有普适性的预测工作方法,为不同时段建筑能耗提供了相对应的最优模型选择。实验结果表明,该方法较好地解决了高校建筑分项能耗预测问题,可以为尚未安装分项能耗采集系统的高校建筑预测任务提供一定的参考价值。