近年调查发现,建筑类能源消耗正在高速度的增长,公共建筑虽然作为其中较小的一部分,但单位能耗量远远大于其他类建筑,各级政府高度重视,为此颁布一系列有关公共建筑节能减排的政策法规。由于缺乏相关的数据依据和科学指导,在制定政策规划时具有一定的盲目性,虽然研究人员提供了很多解决方案,但权威机构指出目前仍存在一些问题:能耗数据质量参差不齐、能耗数据得不到充分利用。本课题以此为基础,设计和开发了一套建筑能耗监控系统,建立了能耗预测模型。通过神经网络的理论以及预测模型的研究,指出了传统神经网络预测存在的缺陷,再进一步对以往提出的改进方法进行研究发现,常用的改进方法通常都是针对神经网络的某个具体缺点进行优化,但没能从整体性能进行改进。建筑能耗短期预测不仅需要一定的精度,而且对预测的实时性要求很高,传统的神经网络以及改进方法都不能很好地满足建筑能耗短期预测的需要。为此,本课题在遗传算法神经网络中加入Levenberg-Marquardts算法(以下简称LM),提出了Genetic algorithm Levenberg-Marquardts(以下简称GALM)学习算法。通过建立基于GALM神经网络的能耗预测模型,经过仿真和实例证明了该模型不仅预测精度较高,预测速度还得到了充分提高。从而说明基于GALM神经网络预测模型适用于能耗短期预测。为提供能耗预测模型的数据来源,提高能耗数据的质量,实现管控结合的智能化管理,本课题设计和开发了一套能耗监控系统,主要内容包括:1.考虑到系统的安装环境和工作特点,采用分布式监控、集中式管理的总体设计方案。2.基于51单片机对计量和控制装置进行设计,利用CS5460A可以实现能耗信息的瞬时值和有效值采集。3.基于C语言开发出能耗数据采集程序,实现实时和定时的数据采集、分项存储;利用PHP语言开发数据管理程序,用户通过网页浏览器即可对能耗数据进行访问,通过GALM能耗预测模型预测的用能指标对用能设备进行管理。