随着城市建设的飞速发展,建筑能源消费已经占据我国能源消费总量近三分之一,建筑节能成为社会广泛关注的话题之一。空调系统能耗作为公共建筑能耗中占比相对较大的一部分,其占比可超过50%,因此对公共建筑空调系统进行节能研究势在必行。准确的空调运行负荷预测是公共建筑空调系统智能控制与优化的基础,因此空调系统运行期间准确度较高的逐时负荷预测就显得尤为重要。本文提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）的短期空调负荷预测模型,使用历史空调负荷数据实现对未来短期内的空调逐时负荷预测,并与传统神经网络负荷预测模型进行对比,进而对基于长短期记忆网络的短期空调负荷预测模型进行优化,以提高模型预测精度。本文的主要研究工作如下:（1）将仿真模拟所得某办公建筑空调负荷数据,用以LSTM空调负荷预测模型的训练和测试。其测试集预测结果的均方根误差RMSE为246k W,均方根误差变异系数CV-RMSE为11.46%。典型周预测结果绝大部分负荷预测值相对误差在2%左右,部分日峰值负荷预测值相对误差在5%左右,预测结果表明LSTM负荷预测模型有较高的预测精度。（2）为对比浅层神经网络与深度神经网络对于负荷预测模型精度的影响,选择BP神经网络,使用相同方法建立短期空调负荷预测模型。经对比可得,LSTM负荷预测模型测试集预测结果的CV-RMSE较BPNN模型降低了4.24%。结果表明,具有深层网络结构的长短期记忆网络负荷预测模型可获得比传统预测方法更高的精度。（3）通过对比不同输入输出序列长度组合与不同隐层神经元节点个数设置的模型预测精度,探究分析输入输出序列长度与隐层神经元节点个数对模型预测精度的影响;使用小波分解对空调负荷样本进行处理优化,其测试集预测结果的CV-RMSE较未经优化的LSTM模型降低了0.61%;通过改变24小时空调负荷预测策略,其测试集预测结果的CV-RMSE较初始模型降低了0.89%;将负荷样本优化与预测策略优化两种方法结合,最终负荷预测模型测试集预测结果的CV-RMSE为9.83%,较初始LSTM模型降低了1.63%,模型预测精度得到了较为明显的提升。