能源消耗的不断增加使温室气体的浓度逐渐升高，从而导致全球变暖。能耗预测对于能源规划，管理和节约至关重要，能耗预测可帮助用户估算潜在节能量，实施有效的能耗管理，从而减少能源消耗。实现更高精度的能耗预测，找到更通用的能耗预测模型具有工程意义和学术价值。在能耗预测问题中，时间序列模型和机器学习算法是较常用的智能化方法，本文针对ARIMA(Autoregressive Integrated Moving Average，简称ARIMA)模型和XGBoost算法的一些不足之处进行研究和改进，主要工作如下：
　　①在短期能耗预测问题中，ARIMA模型的参数估计方法准确度较低。为提高模型精度，提出pARIMA模型。将ARIMA模型中的参数估计问题转化为无约束优化问题，理论优选出改进powell方法对其进行求解。结合能耗数据复杂非线性特点，提出EMD-pARIMA组合模型，用于以小时和天为周期的能耗预测，并利用能耗相关真实数据集进行对比实验。结果表明，EMD-pARIMA模型预测精度比EMD-ARIMA，pARIMA，ARIMA，XGBoost，SVM模型都高。
　　②在中期能耗预测问题中，XGBoost算法参数依赖经验值，影响算法精度。为解决XGBoost算法的参数寻优问题，在常用启发式算法中理论优选出人工鱼群算法进行XGBoost的参数寻优。针对人工鱼群算法中局部搜索能力弱和后期可能陷入局部最优的问题，提出新自适应人工鱼群算法(New Adaptive Artificial Fish SwarmAlgorithm，简称NAAFSA算法)。在NAAFSA算法搜索的过程中，根据人工鱼本次选择的行为和所处位置进行视野和步长的动态调整。在算法搜索后期，引入高斯变异，对最优个体进行保留，将其他人工鱼的位置进行一定概率的移动。将NAAFSA算法用于XGBoost的参数寻优，提出了NA-XGBoost模型，将其用于以月为周期的中期能耗预测。利用真实能耗数据集，与A-XGBoost，GA-XGBoost，XGBoost,EMD-pARIMA模型进行对比，本模型在五个模型中表现性能最好，预测精度最高。
　　③为提高能耗预测模型的回归精度，研究一个更通用的能耗预测模型。本文提出以并联和串联两种方式将EMD-pARIMA和NA-XGBoost模型进行组合研究，将两种混合模型进行以小时，天和月为周期进行能耗预测。结果表明，并联方式的模型通用性较好，在三个对比实验中预测精度均高于单个模型；串联模型在有效特征较多时，预测精度更高。