面对建筑能耗占社会总能耗的比重持续升高,特别是其中的公共建筑,单位面积能耗量最大且存在能源使用不合理的现状。对公共建筑实现快速、精准的用电能耗预测,可以帮助管理者制定经济合理的能源分配方案,最终达到建筑节能的目的。然而,用电量数据的变化具有波动性与不确定性,传统的工程方法与单一预测模型,已不能满足用电能耗预测对精度的要求。相比之下,基于优化算法、神经网络与数据处理的组合预测模型,对用电能耗预测性能有很大提升。论文构建基于分解-重构-优化-预测思想的组合模型,选取公共建筑中电力能耗作为研究对象,主要研究内容如下:(1)利用分解-重构的方法对电耗数据进行处理。建筑电力能耗数据属于随机非平稳序列,对数据进行平稳化处理,可以有效降低模型的预测难度。利用快速互补集合经验模态分解技术,将电力能耗数据分解为一组本征模态函数分量。由于分解所产生的分量过多,会影响模型预测的时效性与精确度,应用近似熵理论对本征模态函数分量进行重构,区分为高频、中频、低频三组分项,进而获取相对平稳且数量较少的输入序列。(2)改进的鲸鱼算法优化Elman神经网络。针对鲸鱼优化算法在生成初始种群、算法收敛质量及算法内部参数演化方式,三个方面存在的缺陷进行改进。引入10个基准测试函数,对改进的鲸鱼优化算法与对比算法进行实验分析,验证了算法改进策略的有效性。使用改进的鲸鱼优化算法,对Elman神经网络的权值与阈值进行寻优,以解决Elman神经网络在寻优过程中,存在的寻优效果随机性大,搜索精度质量较差等缺陷。最后,通过选取西安市某大型公共建筑,最后30天的电力能耗数据作为实验测试集,结果表明,提出的组合模型可以将预测误差降低到6%以下。