Short-term building energy usage prediction plays an important role in fields of building energy management, power plants dispatch, and peak demand conflicting with grid security. A large number of data-driven models were applied to building and larger scale energy consumption prediction in the past two decades. Although successes have been achieved by these models for specific cases, no single model has dominated others over all cases. To improve model’s prediction performance in applications to different cases, a scheme of ensemble learning is proposed in this study. This ensemble scheme includes a self-adaptive model package that fuses the characteristics of multiple individual models together. Total five swarm intelligence based data-driven models are chosen as primary predictors of the ensemble scheme. The recursive feature elimination (RFE) is used for essential feature selection, and the K-fold cross validation method is applied to avoid over-fitting problem. Two sets of real buildings’ electricity usage data are collected for the performance comparison. Case A is from energy prediction shooting contest I organized by the American Society of Heating Refrigerating and Air-conditioning Engineer (ASHRAE) and Case B is from a campus building at the University of Wyoming, USA. The results show that the accuracy of the proposed ensemble model is better than that of any individual base model in both cases. Due to the generalization ability, the proposed ensemble model has the potential to be the unified model for different building energy consumption prediction cases.

短期建筑能耗预测在建筑能源管理，电厂调度以及与电网安全冲突的高峰需求领域中发挥着重要作用。在过去的二十年中，大量的数据驱动模型被应用于建筑物和大规模能耗预测。尽管这些模型已针对特定案例取得了成功，但没有一个模型在所有案例中都主导了其他模型。为了提高模型在不同情况下的预测性能，提出了一种集成学习的方案。该集成方案包括一个自适应模型包，该模型包将多个单个模型的特征融合在一起。总共选择了五种基于群体智能的数据驱动模型作为集成方案的主要预测指标。递归特征消除（RFE）用于基本特征选择，并且使用K折交叉验证方法来避免过度拟合的问题。收集两组实际建筑物的用电量数据以进行性能比较。案例A来自美国供热制冷和空调工程师协会（ASHRAE）组织的能源预测射击大赛，案例B来自美国怀俄明大学的校园大楼。结果表明，在两种情况下，所提出的集成模型的准确性均优于任何单个基础模型。由于具有综合能力，因此所提出的集成模型有可能成为针对不同建筑能耗预测案例的统一模型。并采用K折交叉验证方法来避免过度拟合的问题。收集两组实际建筑物的用电量数据以进行性能比较。案例A来自美国供热制冷和空调工程师协会（ASHRAE）组织的能源预测射击大赛，案例B来自美国怀俄明大学的校园大楼。结果表明，在两种情况下，所提出的集成模型的准确性均优于任何单个基本模型。由于具有综合能力，因此所提出的集成模型有可能成为针对不同建筑能耗预测案例的统一模型。并采用K折交叉验证方法来避免过度拟合的问题。收集两组实际建筑物的用电量数据以进行性能比较。案例A来自美国供热制冷和空调工程师协会（ASHRAE）组织的能源预测射击大赛，案例B来自美国怀俄明大学的校园大楼。结果表明，在两种情况下，所提出的集成模型的准确性均优于任何单个基础模型。由于具有综合能力，因此所提出的集成模型有可能成为针对不同建筑能耗预测案例的统一模型。案例A来自美国供热制冷和空调工程师协会（ASHRAE）组织的能源预测射击大赛，案例B来自美国怀俄明大学的校园大楼。结果表明，在两种情况下，所提出的集成模型的准确性均优于任何单个基本模型。由于综合能力强，所提出的集成模型有可能成为不同建筑能耗预测案例的统一模型。案例A来自美国供热制冷和空调工程师协会（ASHRAE）组织的能源预测射击大赛，案例B来自美国怀俄明大学的校园大楼。结果表明，在两种情况下，所提出的集成模型的准确性均优于任何单个基本模型。由于具有综合能力，因此所提出的集成模型有可能成为针对不同建筑能耗预测案例的统一模型。