随着建筑节能工作的推进,全国大多数城市陆续建立大型办公建筑能耗监测平台,经过十几年的发展,各平台相应积累了大量能耗监测数据。能耗数据是建筑节能工作的基础和保障,无论是在建筑的节能潜力分析、节能任务落实和分解还是节能量考核等环节均需要参考能耗数据。但目前能耗监测平台均存在“重数量、轻质量”的问题,大量问题数据的存在使得能耗数据的深层次价值没有得到充分利用。为解决上述问题,本文基于能耗监测平台中多联机空调能耗数据进行了异常数据识别和修复研究。首先,针对空调能耗影响因素复杂众多,且实际工程中部分影响因素难以获取的问题,本文探究了多联机空调能耗和其实际易获取的影响因素之间的能耗特征和相关程度。根据实际工程照明插座能耗和室内机能耗共用一个监测回路的问题,提出了一种室内机能耗和照明插座能耗的分离方法,得到的计算室内机能耗值可以填补目前修复模型缺乏衡量室内影响因素的空白。其次,在明确异常能耗数据的数据特征基础上,结合空调能耗特征分析,本文基于阈值法和k-means聚类法分别对非工作时刻能耗数据和工作时刻能耗数据进行识别,并通过对实际某办公建筑的案例分析证明了方法的有效性,同时保障了后续修复模型的修复精度。最后,本文将多元回归方程、knn聚类和BP神经网络分别应用在多联机空调异常能耗数据修复研究中,比较了三种方法的修复结果,证明BP神经网络更适用于非线性问题的空调能耗数据修复问题。以案例分析的形式验证了计算室内机能耗值有助于提高修复精度,并探讨了异常数据比例不同、历史数据集大小不同时的修复结果,并对实际工程中历史数据集的容量和更新周期选择提出了建议。本文的研究工作为能耗监测平台中多联机空调能耗数据质量问题提供了解决思路和理论支持,对推进我国的能耗监测平台监测技术的发展具有重要意义。