建筑能耗基准评价是分析评估建筑物能源使用情况的重要手段。在过去几十年中,尽管出现了许多广泛应用的建筑能耗基准技术,但它们仍有一定的局限性。现有的建筑能耗基准评价方法大都是基于专家经验,首先根据影响建筑能耗的单一因素,即建筑功能对建筑进行类别划分,然后利用统计等方法对不同功能的建筑进行能耗分析。然而,在实际应用中,由于建筑结构的复杂性及用途的多样性,致使影响建筑能耗的因素众多,仅根据建筑功能来划分建筑,会导致能耗基准评价出现偏差。因此,如何从众多的因素中找到影响能耗的关键因素,并设计合理的建筑能耗评估模型,是实现有效能耗基准评价的关键。在现有方法分析总结的基础上,本文提出基于数据驱动的建筑能耗基准评价方法,并建立了一个能耗基准评价框架DdBB。DdBB集成了多种数据挖掘方法,主要包括四个部分:数据清理和统计分析、敏感性分析、建筑分类和基准评价以及模型评价。与传统的能耗基准评价方法不同,本文通过将数据挖掘技术与建筑数据特点相结合的方式,来处理建立能耗基准评价方法的核心问题——敏感性分析和建筑分类。本文将敏感性分析问题转换为特征选择问题,即通过设计相应的特征选择方法找出对能耗影响最大的特征子集。同时,将建筑分类问题转换为聚类问题,即使用聚类方法将具有相似能耗特性的建筑归为一类。本文采用CBECS2012作为实验和评估的数据集,与广泛使用的Energy Star方法作对比,实验结果表明DdBB方法可以提供一个更加精确、合理的建筑能耗基准评价。此外,本文还研究了与能耗相关的另一重要问题—社区用户短期电力需求预测。由于社区用户数量众多,且每个用户的用电行为不同,如果直接对大量的单个用户进行预测将是一个繁琐且耗时的任务。为此,本文提出一种基于聚类的联合预测策略,即先根据用电特性对社区用户进行聚类,然后预测每个分组的用电量,最后聚合预测结果。实验结果表明基于聚类的联合预测策略的社区用电需求预测能够提高预测的效率。