世界能源组织（IEA）发布的世界能源展望指出,到2030年,中国总能耗将达到58.1亿吨标准煤,其中建筑能耗将达到15.2亿吨标准煤。考虑到工业发展与交通用能,未来我国建筑能耗应该维持在总能耗的25%以下,也就是10亿吨标准煤。建立合适的建筑能耗模型,可以更好的了解建筑能耗的特点,有助于研究与验证建筑运行优化策略,使建筑运行管理更加合理,进而节省能耗。本文以北京地区某带有地源热泵系统的办公楼为研究对象,首先根据2017年建筑运行分项计量能耗数据,使用EnergyPlus软件建立了全年动态能耗模拟模型。该办公楼的分项计量能耗数据可分为照明与插座能耗、建筑动力设备能耗（电梯、风机和防火卷帘门等）、机房设备能耗（变配电机房、控制中心和网络机房等）和暖通空调能耗（地源热泵机组、循环水泵和空调末端等）。经过实测数据对EnergyPlus模型进行校准后,所建立的EnergyPlus能耗模型可以准确模拟照明与插座、建筑动力设备和设备机房电耗。接着,对于地源热泵系统,本文分别采用EnergyPlus拟合公式和机器学习算法（支持向量机算法和BP神经网络算法）对其制冷工况和供热工况进行详细的能耗建模。结果表明,EnergyPlus拟合公式仅适用于满足热平衡公式的平稳工况（占总数据的35.3%）,而无法模拟变工况下的复杂情况。基于机器学习算法的模型对整个运行期间预测都较准确,其中BP神经网络模型效果较好。在制冷工况下,BP神经网络模型训练集与测试集变异均方根误差分别为5.01%和8.71%。而在供热工况下,BP神经网络模型训练集与测试集变异均方根误差分别为7.91%和11.65%。因此,选取BP神经网络模型作为地源热泵模型。最后,本文使用了EnergyPlus中的能源管理系统自编程高级功能（Energy Management System,EMS）,将地源热泵BP神经网络模型添加到了EnergyPlus建筑能耗模型当中。同时使用Python编程语言编写控制模块,通过EnergyPlus软件的外部拓展接口初步搭建针对该建筑的Python与EnergyPlus联合模拟模型。本研究从EnergyPlus能耗模型搭建与校准,到基于机器学习算法的地源热泵系统建模,再到Python与EnergyPlus联合模拟模型的搭建,提供了一套完整的建筑内地源热泵系统建模研究方法。本研究对今后研究地源热泵系统的优化控制提供了强有力的基础,具有较强的应用价值。