随着社会发展速度的加快,公共建筑能耗增高的趋势日渐凸显,对公共建筑的能耗变化和发展特性进行剖析,能够为城市的建筑节能任务提供帮助。在当前建筑节能领域,能耗预测扮演着十分重要的角色,精准的能耗预测不仅有利于分析未来时刻的能耗从而为建筑节能提供一定的依据,还可以根据预测值与真实值的差值帮助判断建筑物故障信息。因此公共建筑的能耗预测工作是十分必要的。本文围绕公共建筑能耗预测展开研究,首先运用生成对抗网络扩充能耗数据以解决能耗数据缺乏的问题;然后将生成对抗网络与强化学习结合构建能耗预测模型,利用强化学习的优势提升建筑能耗的预测精度;最后在能耗预测模型中加入聚类算法以提升多建筑体间能耗的预测精度。具体研究方法分为以下三点进行描述:（1）针对公共建筑真实能耗数据不足的问题,提出一种基于生成对抗网络的强化学习能耗预测算法,该算法结合了生成对抗网络的优点,在提升能耗数据样本量的情况下,使用样本评估单元评判生成样本的质量。在样本质量达到一定的基础情况下,混合原有的能耗数据和生成样本,共同作为强化学习能耗预测模型的输入数据。实验结果表明,所提预测模型相比于其他模型能够获得更小的预测误差。（2）针对公共建筑能耗预测准确度不高的问题,提出一种自适应序列生成的Re-GAN建筑能耗预测算法,该算法将强化学习与生成对抗网络相结合,将GAN中的生成器以及判别器分别构建为强化学习中的Agent以及奖赏函数。实验结果表明,所提算法相比于其它对比算法具有更高的预测精度,此外实验部分还进一步验证了将当前的真实能耗序列作为输入状态时,真实序列的不同长度对预测精度的影响。（3）针对多建筑体间能耗预测精度普遍较低的问题,提出一种基于生成对抗网络的多建筑能耗预测算法,该算法在数据预处理阶段后使用聚类算法,即在Re-GAN预测算法预测过程前,先对已知能耗数据进行聚类,之后用每个集群的数据单独训练各自的Re-GAN能耗预测模型。能耗数据的聚类分析可以帮助挑选合适的能耗预测模型,进而提高能耗预测的准确度。实验结果表明,面对多建筑体间能耗预测问题,该算法可提升一定的能耗预测准确率。