用能评估与诊断是对能耗的使用情况进行评价,识别出用能异常情况,对节能优化有着重要意义,对节能管理工作的开展有着指导价值。作为常见的暖通空调,对多联机系统进行用能评估与诊断对优化多联机性能、建筑节能、提高能源效率有着重大意义,基于数据驱动的用能评估与诊断方法具有运算快速、准确率高等优点,有着较大的应用和推广价值。本文针对多联机系统进行用能评估与诊断,对多联机正常实验工况下的用能正常数据集进行预处理,采用不同数据驱动算法对多联机用能进行预测,确定最佳预测模型,将基于预测模型输出的预测值与实际值间的差异作为输入变量,构建基于单分类算法的多联机用能评估与诊断模型,并将多联机制冷剂充注故障工况下的用能异常数据应用到模型中。根据多联机正常实验工况下的数据集构建多联机用能预测模型。采用相关性分析等方法,提取四个对多联机用能有重要影响的特征变量:压缩机运行频率、压缩机排气温度、室外环境温度、部分符合率(PLR)。采用局部异常因子算法剔除异常样本,数据标准化,优化建模的数据。分别采用多元线性回归算法、支持向量回归算法、BP神经网络、随机森林四种算法构建预测模型,结果分析表明支持向量回归算法(SVR)预测精度高于其他算法,用于构建预测模型。采用遗传算法方法(GA)对支持向量回归算法的参数C和g进行寻优,确实最优参数C=1.0843、g=14.101,参数寻优提高了预测模型的精度。考虑到实际运行工况的影响,提出了一种基于聚类的预测模型,针对不同类别样本分别建立预测模型,预测精度略有提高。综合考虑建模的简便性等因素,确定GA-SVR模型作为最优预测模型。基于多联机系统正常实验工况下的数据构建用能评估与诊断模型,根据GA-SVR预测模型对多联机用能进行预测,将预测值与实际值的差值和比值作为输入变量,构建基于两种单分类算法——单类支持向量机算法(OCSVM)和支持向量数据描述算法(SVDD)的用能评估与诊断模型,然后将多联机系统故障实验工况下的数据作为用能异常数据,应用到构建好的多联机用能评估与诊断模型。多联机用能评估与诊断结果表明,基于OCSVM的多联机用能评估与诊断模型和基于SVDD的多联机用能评估与诊断模型均可高准确评估与诊断出制冷剂充注故障实验工况下的多联机用能异常情况,特别在制冷剂充注不足与过量故障较为严重时,其用能异常诊断效率达到85%以上。