基于数据挖掘的建筑能耗评价研究
John E. Seem 基于建筑能耗逐日数据，通过与历史用能情况相比，来判别对于特定某一天的建筑能耗是否存在异常；并通过历史能耗数据的平均值和标准差，来确定异常能耗与正常能耗的差异程度
Imran Khan 和 Alfonso Capozzoli 将数据挖掘方法应用于建筑照明逐时能耗数据中，通过决策树、聚类算法及异常点判别方法，判别建筑运行过程中的照明用能是否异常
重庆大学肖丹通过数据挖掘方法，提出了针对公共建筑整体用能的监测、预测及评价模型：监测模型是先利用聚类算法发现出总能耗的运行模式，再将其结果作为训练样本建立决策树，以此判别实时数据对应的模式，并与相同判别结果对应的历史数据对比进行异常点判别；能耗预测模型是利用 RBF 网络，以历史数据作为输入量，对建筑总能耗进行预测；能耗评价模型是以已有的建筑作为训练样本建立 RBF 网络，以建筑基本信息作为输入量，得到待评价建筑的总能耗预测值，再将能耗实际值与预测值对比，从而评价建筑总能耗的偏离方向和程度。
北京工业大学韩连华提出了基于投票方式的建筑用能评价模型，该模型是在逐步回归法、关联规则发现、分类挖掘算法的基础上，通过“投票”决定建筑总能耗的评价结果。其中，关联规则挖掘方法是以建筑的基本信息作为条件变量，建筑的能耗作为目标变量，将样本建筑的用能数据作为研究对象，从而寻找强关联规则，以此来预测待评价建筑的总能耗，再将建筑总能耗的实际值与预测值通过比较以给出评价结果
基于数据挖掘的建筑能耗分析研究
John E. Seem 对建筑在一周中每天用能的模式进行识别，先通过特性转换消除季节性变化的影响，再用离群值单变量和多变量分析法去除异常点，最后通过改进的层次聚类法确定具体能耗模式类别
Jerry Yu 和 Fariborz Haghighat 对住宅建筑的末端能耗数据进行分析，以识别并改进居民的日常行为模式；首先通过聚类分析和分类分析判别出居民高耗能行为的大体类别，然后再应用关联规则挖掘发现居民具体的高耗能行为。该方法还被应用于日本的实际住宅群中，从而识别出住宅建筑中居民需要修改的行为，为
其节能提供了具体方向
郑晓卫等结合统计方法与数据挖掘，以上海的部分商用建筑为研究对象，首先通过回归归因法处理数据缺失，并对异常点进行检测，最后由逐步回归法建立出预测模型，以得到此类建筑在一年中的单位面积能耗
同济大学刘丹丹和陈启军进行了建筑照明能耗、办公设备能耗逐时数据的统计，并分析得到办公设备能耗与办公人数线性相关，照明能耗与办公人数、太阳辐射强度呈非线性相关，在此基础上分别利用线性回归、决策树方法，建立了建筑逐时照明能耗、办公设备能耗的预测模型
清华大学王鑫在公共建筑分项计量能耗数据的基础上，提出了“最优化调整法”以解决能耗拆分问题；并结合实际应用案例，对节能诊断中分项能耗数据的分析方法进行研究，提出了三类诊断分析方法：波形特征值法、拟合参数法、效率指标法
重庆大学刘文凤将 Chameleon 聚类算法应用于公共建筑能耗，从而分析在运行过程中建筑总能耗随时间的分布规律，并将该算法嵌入数据挖掘工具 Weka 系统，在二次开发的平台上对建筑的整体能耗进行初步分析
国际上应用数据挖掘对建筑能耗进行分析的研究已取得了一定的成果。1996年，Terry Sharp 建立了逐步线性回归模型用来识别高耗能建筑，并且成功应用到办公建筑和商业建筑上；1998 年，这一模型又被他成功应用于教学建筑上
。至此，逐步线性回归法得到了广泛的应用。2002 年，Muller W 和 Wiedethole E研究了如何应用决策树方法对建筑能耗进行基准评价。2004 年，John E. Seem研究通过对历史能耗数据进行聚类，以一周中的每一天为基本单位，发现建筑物存在的能耗模式。2006 年，Melek Yalcintas 研究了如何应用神经网络建立模型进行能耗评价，使用热地区的 60 多栋建筑物的能耗数据对模型进行训练和测试，其中 3/4 的数据作为训练数据，其余 1/4 作为测试数据。最后，建立了一元线性回归方程拟合预测值与实际值，以相关系数作为评价标准衡量神经网络模型的性能。
2006 年，Geoffrey K.F.Tso.和 Kelvin K.W.Yau 从预测建筑能耗值的角度出发，以住宅建筑为研究对象，分夏季和冬季两个时期应用决策树、逐步回归和人工神经网络，分别建立了三个能耗预测模型，并以平均残差平方和(RSS)
为标准对三种方法进行了比较评价。2007 年，John E. Seem 将基于统计的离群点检测方法 GESR 应用于建筑物历史能耗数据中，成功检测出运行过程中存在的能耗异常情况。2010 年，Xiao Li, Chris P. Bowers, Thorsten Schnier 先使用离群点检测方法 GESR 剔除能耗异常的数据点，然后利用典型变量分析CVA对能耗数据进行了分类和预测。
参考文献 基于数据挖掘的医院建筑用能评价及分析 吴剑平 2015
公共建筑能耗分析的数据挖掘方法研究与系统开发 肖丹 2012