建筑业的飞速发展通常伴随着严重的建筑能源消耗问题,目前我国建筑能耗占社会总能源消耗的比重已经接近二分之一,未来仍将持续增长。就建筑物运行阶段来说,相对准确、客观的建筑能耗预测结果可以为建筑运行阶段的能耗管理和节能方案有较大参考价值。然而,建筑能耗系统存在着不确定性和复杂性对建筑能耗预测方法的合理性和准确性提出了更高的要求。本文以此为出发点,首先通过改进智能算法对深度神经网络进行参数优化,利用深度学习方法强大的建模能力提升建筑能耗预测精度。在此基础上利用迁移学习改善深度神经网络在新建建筑和能耗样本数据缺失情况下的预测性能。主要研究内容如下:首先,对建筑能耗历史数据进行了数据清洗和归一化,分析了建筑能耗的相关影响因素,利用距离相关系数的方法提取环境变量。同时引入粒子群算法作为LSTM神经网络的参数优化方法。针对标准粒子群算法收敛性差、求解精度低的缺点,从惯性权重和学习因子两方面提出一种新的改进策略。通过4个测试函数进行对比分析来验证算法改进策略的有效性,测试结果表明,提出的改进策略提高了标准粒子群算法的优化性能。其次,由于传统的LSTM神经网络超参数选取都是依据人为经验选取或者网格搜索,带有人为主观性且搜索时间较长。因此结合改进粒子群算法对LSTM神经网络的超参数进行寻优,构建了IPSO-LSTM建筑能耗预测模型。在公开能耗数据集上进行仿真,结果显示IPSO-LSTM建筑能耗预测模型的预测效果要优于基础LSTM预测模型和传统机器学习预测模型。最后,研究了在建筑能耗数据严重缺失以及新建建筑物情况下的能耗预测问题。在已构建预测模型的基础上,利用最大均值差异算法对源域数据和目标域数据分布的差异性进行度量,通过迁移学习方法来提升LSTM神经网络在小样本数据下的预测效果。实验结果表明,迁移后的建筑能耗预测模型预测效果相比未迁移的预测模型和传统机器学习预测模型更优。综上所述,本文将深度学习和迁移学习相结合应用在建筑能耗预测方面,具有一定的新意和借鉴价值。