随着人口的增长以及经济的发展,住宅与办公建筑中的能源消耗越来越多。因此,寻求能够降低建筑能耗的策略是十分有必要的。建筑节能技术在降低建筑能耗方面扮演着重要的角色。然而,由于一些不可避免的问题,例如:建筑管理不当以及设备任务调度不合理等,使得节能政策的有效性大打折扣。为了提升建筑管理水平以及建筑设备调度的合理性,对建筑能耗进行精确的预测是一种行之有效的方法。目前,相关研究人员提出了大量数据驱动的建筑能耗预测方法且取得了较好的预测结果。然而,由于人员分布、建筑热环境、天气状况以及工作时长等因素的影响,在历史建筑能耗数据中存在着高度的不确定性以及随机性,这使得准确、合理的预测很困难。为获得更加准确、合理的预测结果,本文将采取如下三种策略:一是采用更加强大的建模方法去学习隐藏在历史数据中的信息;二是将来自经验与数据的知识或模式嵌入到预测模型中;三是构建具有语言值输出的预测模型。本文的主要工作如下:首先,为了提升建筑能耗预测的精度,提出了一种极限深度学习方法。所提方法将堆栈自编码网络与极限学习机相结合,并继承了两者各自的优势。其中,堆栈自编码网络用于提取建筑能耗的特征,极限学习机作为预测器去获取精确的预测结果。此外,为了检验所提方法的性能,将其与四种流行的机器学习方法——反向传播神经网络(BPNN)、支持向量回归(SVR)、广义径向基函数神经网络(GRBFNN)以及多元线性回归(MLR)进行了比较。实验结果显示,该方法在不同的实验中都能取得最好的预测性能。其次,为了进一步提升建筑能耗预测的精度,给出了一种基于修正深信度网络的混合模型。该模型结合修正深信度网络与用能模式两者的输出来产生最终的预测结果。其中,用能模式代表了建筑能耗中的周期性,可以从历史能耗数据中将其提取出来。然后,将用能模式从原始数据中移除,生成用于训练修正深信度网络的残差数据。修正深信度网络的参数训练过程包括两个步骤:首先,通过一种预训练的方式利用对比散度算法对隐层参数进行优化;然后,通过最小二乘方法确定输出权重向量。此外,为了检验所提模型的优越性,将其与四种人工智能方法——反向传播神经网络(BPNN)、广义径向基函数神经网络(GRBFNN)、极限学习机(ELM)以及支持向量回归(SVR)进行了比较。实验结果表明,该模型对于不同类型的建筑能耗实验都可以取得最好的预测性能。最后,大多数预测模型只能对建筑能耗进行点估计,然而,点估计的合理性与可解释性并不强。针对该问题,提出了一种语言值输出模糊神经网络模型。该模型将模糊神经网络的单一值输出权重拓展为模糊输出权重,以此来获得最终的语言值输出。此外,并提出了一种数据驱动设计方法构建该网络。将所提出的模型应用于建筑能耗预测中,实验结果显示,模型的语言值输出能够有效地捕获历史数据中的不确定性以及随机性。