由于人口的增长以及对室内舒适性的更高需求,建筑内的冷热负荷需求在逐渐增加。合理选择模型输入和有效使用模型预测算法是提高预测精度的关键。本研究以天津市某高校一栋综合办公教学楼的实测数据为基础,对比了多种特征工程方法对特征集进行构建,并利用深度学习算法和提升算法在优化后的特征集上,建立最优的超短期的冷热负荷预测模型。本文对比分析了6类共计10种特征工程方法构造的特征集,并利用深度学习算法DNN和提升算法Cat Boost在特征集上建立超短期的冷热负荷预测模型。其中在作者搜索范围内,本文是Cat Boost算法在建筑冷热负荷预测领域内的首次应用。考虑了冷热负荷延迟特性和不确定性因素对负荷的非线性扰动,将各变量的历史时刻值和波动值加入特征集。本文采用了相关性分析筛选和冷热负荷相关的参数;采用主成分分析构建模型输入参数的主成分,剔除多重共线性的影响;采用K-means聚类突出了建筑数据结构规律;采用5种滤波算法剔除噪声信号的影响;采用离散小波变换和经验模态分解,对冷热负荷数据进行了层次分解滤除噪声信号。分析得除PCA之外,其余方法都会不同程度的提升预测性能,实现了拟合优度99%左右的预测准确性。文章分析了各变量对冷热负荷预测的影响并给出排序。结果表明以照度为代表的室内变量在冷负荷预测中产生主要影响。以温度为代表的室内变量在以采取灵活运行调节策略的供暖模式下的热负荷预测中,对预测结果产生主要影响。针对冷热负荷预测分别规定了最严格和宽松的最小特征集区分的拟合优度的分界值,分析了算法在冷热负荷预测时对应的最小变量集。结果表明对于Cat Boost和DNN算法的冷热负荷预测,只需调研3类-5类变量就可以达到满足工程需要的预测精度。