建筑能量系统是一类多变量、分布式参数的复杂系统。准确预测建筑能量消耗水平是分析建筑物的节能潜力、指导未来能源使用的重要基础和前提。同时,对于提高建筑能耗设备的使用效率、减少能源浪费具有重要现实意义。目前,应用先进优化算法实现建筑能量预测引起了诸多关注。本文针对既有建筑,运用多种群智能优化算法,围绕数据驱动的建筑电能耗预测方法展开研究。具体研究内容包括:(1)作为典型的数据驱动建模方法,人工神经网络(ANN)在过去20多年间被广泛应用于建筑能量预测领域。本文验证了基于BP神经网络的建筑能耗预测模型,在数据预处理过程中,采用基于主成分分析法(PCA)的变量选择方法对ASHRAE提供的建筑能耗原始数据进行变量筛选。仿真实验结果表明该模型能够准确的预测建筑能耗,且建模时间较短。(2)为了克服BP神经网络在学习过程中易陷入局部极值、收敛速度慢的缺陷,引入群智能算法中应用较多的微粒群算法(PSO)和遗传算法(GA)优化BP神经网络各处理层之间的连接权值和阈值,构建了PSO-ANN和GA-ANN两种建筑电能耗预测模型。利用ASHRAE公布的建筑能耗数据进行验证实验,并做对比分析研究。结果表明PSO-ANN在预测精度、建模时间及算法复杂度上均优于GA-ANN模型,体现了该模型的优越性。(3)针对基本PSO算法易早熟收敛和寻优速度慢的问题,本文提出了一种改进的PSO算法,该算法结合了生物界繁殖和遗传变异机制。繁殖机制可以有效的保证种群微粒更好地搜索解空间,并且能加快种群收敛速度;遗传变异机制用来扰乱种群微粒的寻优轨迹,从而在可行解空间中克服易陷入局部最优解的现象。基准测试函数计算结果表明iPSO具有较强的全局搜索能力和较快的收敛速度。本文运用该算法优化BP神经网络的连接权值和阈值,构建了iPSO-ANN建筑电能耗预测模型。仿真实验结果证明了该模型的有效性:平均建模时间不超过10秒钟,预测精度比单一BP神经网络提高了22.7%。(4)利用所提出的iPSO-ANN模型预测某高校图书馆建筑的逐时电力能耗。建筑电力能耗数据来源于校园能耗监测系统的WEB平台,相关的气象数据来源于当地气象局的官方信息。仿真实验结果表明iPSO-ANN模型的预测精度和建模时间均满足建筑短期能耗在线预测的要求,可以替代PSO-ANN、GA-ANN及ANN模型实现建筑能耗的在线预测。