随着城市化进程的不断推进,建筑能耗量在急剧增加,建筑节能已成为国家的重要战略之一。人工智能是智慧建筑的重要理论和技术支撑,基于机器学习方法对建筑能耗数据进行分析与研究,对实现建筑节能优化运行与管理具有重要的意义。深度学习作为新型的机器学习方法,具有多维度的数据抽象能力和极强的非线性逼近能力,将该方法应用到建筑用能分析中,与传统机器学习方法相比,预期可以获得更精确、更有效的数据分析结果。为进一步挖掘建筑用能数据潜在的知识与规律,本文以用能数据与知识等信息的融合利用为主线,以深度学习方法为工具,围绕可用数据不充分、预测性能需要提升、多建筑动态用能分布分析困难等问题展开建筑用能分析研究,主要创新工作如下:首先,针对建筑运行初期或节能改造建筑中用能数据不充分的问题,提出了基于生成式对抗网络的用能数据生成方法,实现了建筑能耗预测建模过程中的数据增强。在该方法中,首先利用生成式对抗网络发现原始能耗数据潜在的分布并生成平行能耗数据;然后经过数据过滤后,将增强数据与原始数据相结合得到混合数据集;最后利用混合数据集实现建筑能耗预测模型的构建。将该方法应用到了商业建筑和办公建筑中,并进行了详细的实验与比较验证。结果表明,生成式对抗网络的生成数据可以有效补充原始数据,生成式对抗网络的混合数据驱动的预测模型比其他数据生成模型的混合数据和原始数据驱动的预测模型精度更高。其次,为了进一步提升能耗预测模型的精度,提出了一种基于循环特征与深度集成置信网络的建筑能耗预测方法。该方法能充分利用深度模型各层所提取的特征,并有效集成建筑能耗周期循环特性。在该方法中,首先利用频谱函数提取建筑能耗的日周期循环特征,并获取能耗残差数据;然后利用基于深度置信网络和极限学习机的集成置信网络来构建能耗残差预测模型;最后将深度集成置信网络预测的能耗残差与周期循环特征结合获取最终的预测能耗。为验证所提出方法的有效性,在商业建筑和办公建筑中进行了详细实验。实验结果表明,利用循环特征和深度学习方法各层网络的特征提取能力可以大幅提升机器学习模型的预测精度。最后,为解决多建筑的用能分布分析需考虑建筑物理参数、天气等参数的问题,并有效挖掘居住建筑典型动态用能分布,提出了一种数据驱动的基于空间密度聚类与深度学习的居住建筑用能分布分析方法。该方法从数据驱动的角度将多建筑典型用能分布与建筑类别相关联。在该方法中,首先,基于DBSCAN对建筑的联合日用能时间序列进行聚类分析,依据聚类结果对建筑进行分类;然后在每一类别建筑中随机挑选一定数量建筑作为该类别的代表建筑,并使用基于循环特征与深度集成置信网络的建筑能耗预测方法实现代表建筑的日用能分布预测;最后计算预测的每类代表建筑日用能分布的均值作为多建筑不同类别典型日用能分布的预测结果。选择某市住宅建筑群的能耗数据集验证了所提出方法的有效性。实验结果表明,该方法可以有效挖掘多建筑的动态典型用能分布。