近年来,公共建筑能耗占建筑总能耗的比重持续升高,其单位面积能耗大且存在能源利用不合理。对公共建筑能耗进行准确、高效的预测,帮助管理者制定经济合理的能源分配方案,辅助建筑智能化系统完成有效的系统优化与控制,能够在一定程度上降低建筑能耗且达到建筑节能的目的。然而,由于人员密度、天气因素以及空调开启时间等因素的影响,建筑能耗数据存在着不确定性以及随机性,传统单一预测方法已不能满足建筑能耗预测的要求。相比之下,组合预测方法对建筑能耗预测性能有很大提升,受到越来越多研究者的关注。本文提出3种组合预测方法对建筑能耗进行预测,主要研究内容从以下三个方面展开:针对建筑能耗预测问题,本文通过Sketch Up软件绘制西安市办公建筑的三维模型,采用Energy Plus仿真软件对该建筑进行能耗模拟,获得夏季工况的建筑逐时能耗数据集。在采用正弦函数调整粒子群（Sine Function Particle Swarm Optimization,SFPSO）算法的惯性权重的基础上,建立SFPSO算法优化支持向量回归组合预测模型（SFPSO-SVR模型）。基于上述建筑逐时能耗数据集,分别构建SVR预测模型、PSO-SVR预测模型和SFPSO-SVR预测模型。结果表明上述提出的组合预测模型可有效提高预测精度。针对建筑能耗数据中存在噪声和能耗影响因素间存在相关性问题,本文首先对能耗影响因素进行主成分分析（Principal Component Analysis,PCA）,确定模型的输入变量;然后将预处理后的建筑能耗数据和主元作为长短期记忆（Long Short-Term Memory,LSTM）网络模型的输入数据,构建PCA-LSTM预测模型,并对建筑逐时能耗进行初步预测;最后使用多元线性回归（Multiple Linear Regression,MLR）算法对PCA-LSTM预测模型的预测结果进行优化,进而构建PCA-LSTM-MLR组合预测模型用以预测建筑能耗。基于上述能耗模拟数据集,分别构建LSTM预测模型、PCA-LSTM模型和PCA-LSTM-MLR模型。结果表明,该组合模型比单一LSTM预测模型、PCA-LSTM预测模型和SFPSO-SVR预测模型的预测精度分别提高了9.27%、6.23%和2.37%,且能够较为准确的预测出建筑能耗的峰值能耗。针对建筑逐月能耗所呈现出的周期性震荡特点,本文设计一种基于函数组合变换的累积灰色径向基函数神经网络（Trigonometric Grey Model Radial Basis Function,TGM-RBF）组合模型。首先在设计反三角函数与幂函数组合变换方法基础上,建立TGM（1,1）模型;然后利用累积法估计模型参数,建立累积TGM（1,1）模型;最后设计RBF网络对累积TGM（1,1）模型的预测值进行残差修正,进而构建累积TGM-RBF组合预测模型用以预测建筑能耗。采用建筑逐月能耗模拟数据及2009年至2018年中国建筑业能耗实测数据,分别构建GM（1,1）预测模型、累积TGM（1,1）模型和累积TGM-RBF模型对建筑能耗进行预测。结果表明,该组合模型较GM（1,1）预测模型和累积TGM（1,1）预测模型的预测精度更高。