对居住建筑能耗实行精准、有效的预测是居住建筑节能过程中的一个重要手段,也能为建筑能耗管理提供参考指导的方向。本文针对北京市某小区居住建筑供暖系统能耗进行研究,利用系统的运行数据、当地的气象数据以及建筑能耗数据建立基于SOM-BP神经网络的居住建筑供暖系统能耗预测模型,并通过异常值处理、特征选择等手段对模型进行优化,从而提升其预测性能。原始数据集中的系统运行数据通过居住建筑供暖系统采集获得,当地气象数据则是通过当地气象站采集获得。针对原始数据中存在的不合理数据,利用基于统计学原理的散点图和箱线图对实验数据集中所存在的异常值进行检测并予以剔除,然后通过最大信息系数分析方法对各变量与能耗的相关性进行比较分析,选出最优输入特征变量集。最后将建模数据按照4:1的比例划分为训练集和测试集,采用BP神经网络构建居住建筑供暖系统能耗预测模型,通过对模型的结果进行定量评估,结果表明基于BP神经网络的供暖系统能耗预测模型仍存在较大的预测偏差,需要对模型的预测性能进行优化。为了提升模型预测性能,利用居住建筑供暖系统能耗数据之间存在的相似性,使用自组织特征映射（self-organizing Feature map,SOM）神经网络对数据进行聚类分析,然后按照不同类别分别建立能耗预测模型,最终构建了SOM-BP神经网络供暖系统能耗预测模型。与单一的BP神经网络能耗预测模型相比,其测试集在能耗真实值的±20%误差范围以外的样本点所占比例降低了36.78%,其RMSE、MAE与MRE分别降低了18.56%、27.05%以及25.53%。说明引入SOM神经网络聚类能够有效提升预测模型精度。鉴于BP神经网络中初始权阈值对预测性能的影响,采取思维进化算法对BP神经网络模型初始权阈值进行优化,以得到模型的最优初始权阈值。经思维进化算法优化后,BP神经网络模型与SOM-BP神经网络组合模型的测试集中预测误差在±20%范围以外的样本点所占比例分别降低了7.92%和11.41%,前者预测结果的RMSE、MAE和MRE分别降低了6.32%、5.41%和4.25%,后者预测结果的RMSE、MAE和MRE则是分别降低了10.53%、10.14%和12.38%。结果表明,模型的预测性能进一步得到提升,优化效果显著。