近年来,随着大型公共建筑行业的快速发展,我国大型公共建筑能耗呈现出不断增长的趋势。在大型公共建筑中,高校因其科研、教学任务而拥有数目较多的公共建筑,从而承担着更多的用能需求。因此,高校建筑作为耗能比较集中的地方,其能耗的准确预测对于高校建筑节能规划和用能策略等工作具有非常重要的现实意义。但现有的高校建筑能耗预测方法,在关于高校建筑特征提取及特征之间的关联性方面仍存在一些问题。因此,为解决上述问题,本文将利用深度学习方法对高校建筑能耗预测问题进行研究。主要研究内容如下:(1)针对建筑能耗数据量大、多维性的特点,本文提出了适合建筑能耗数据的预处理方法。该方法首先通过K-Means算法进行异常值识别。然后在剔除异常值后,根据高校建筑能耗的主要影响因素对历史能耗数据进行用能模式分类。同时,将能耗值的均值和方差作为不同用能模式下的特征值。最后针对传统的缺失值填充方法忽略了突变值中蕴含着有效信息这一问题,本文提出了基于用能模式分类的缺失值填充方法,并通过对比实验验证了该缺失值填充方法的有效性。(2)针对时间序列预测模型Geo MAN(Multi-level Attention Networks for Geo-sensory Time Series Prediction)无法对输入特征之间的相关性建模以及传统的注意力机制在长期真实时间序列数据上表现欠佳的问题,本文提出了一种基于Geo MAN的建筑能耗预测模型Building MAN(Multi-level Attention Networks for Building Energy Consumption Prediction)。Building MAN模型一方面通过引入全维度卷积机制来学习输入特征之间的相关性,另一方面通过引入多峰融合注意力机制来更好的捕捉长时间序列中的潜在信息。本文基于某高校真实建筑能耗数据集以及两个公开数据集,设计并进行了多组对比实验。实验结果表明,相较于目前业界主流的模型,本文提出的模型在RMSE和MAE指标上表现更佳,验证了该模型的有效性。