CN120262700A 智能电源控制方法、装置、设备及存储介质 （深圳市博科思智能有限公司）

(19)国家知识产权局(10)申请公布号CN120262700A(21)申请号202510741451.9(22)申请日2025.06.05(71)申请人深圳市博科思智能有限公司地址518000广东省深圳市南山区粤海街道高新区社区科技南路16号深圳湾科技生态园11栋A2302、A2303号房(72)发明人陈小军李继海薛文金(74)专利代理机构深圳市紫荆创新专利代理事务所(普通合伙)441126专利代理师孟会贤(54)发明名称智能电源控制方法、装置、设备及存储介质(57)摘要本发明涉及电源控制技术领域，尤其涉及一种智能电源控制方法、装置、设备及存储介质，该方法包括以下步骤：对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律。本发明通过动态的电源需求及能耗趋势分对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域对低频移动区域进行最低用电闵值预测及用电功率调控，生成空转区电源能耗优化控制策略根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为能耗深层关联规律获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点基于行为-能耗深层关联规律及能效一舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络2步骤S1:对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；步骤S2:对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；步骤S3:对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；步骤S4:根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；步骤S5:获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；步骤S6:基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。2.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S1具体步骤为：基于多通道电力监测节点对区域建筑进行全域电气参数采集，得到所有用电设备监测计算所述所有用电设备监测参数的电压、电流与瞬时功率；根据所述电压、电流与瞬时功率进行区域设备电源能耗分析，得到电源能耗特性曲线；对电源能耗特性曲线进行时间窗等距划分，构建多维能耗时间窗；对多维能耗时间窗进行逐个窗口能耗峰值识别，标记多个窗口的能耗峰值；计算所述多个窗口的能耗峰值的能耗密度及变化梯度；根据所述能耗密度及变化梯度进行多维度能耗离散分布建模，构建楼宇能耗动态分布3.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S2具体步骤为：基于微型热成像传感器对楼宇内部人员活动进行实时热能监测，获取多个位置点的人员活动热能值；对所述人员活动热能值进行不同区域热能分布分析，生成人员活动热能分布流；根据人员活动热能分布流进行热能流向识别，生成人员区域移动轨迹；对人员区域移动轨迹进行周期移动轨迹趋势分析，构建人员移动轨迹密度云图；对人员移动轨迹密度云图进行移动轨迹变化频率统计，并进行区域划分，标记高频移动区域以及低频移动区域。4.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S3具体步骤为：根据楼宇能耗动态分布图谱对低频移动区域进行高能耗用电识别，标记空转能耗区；对空转能耗区进行人员最高移动频率计算，生成空转区最高移动频率值；计算所述空转能耗区的当前电源能耗；根据所述当前电源能耗及空转区最高移动频率值进行最低用电阈值预测，生成空转区最低能耗阈值；基于空转区最低能耗阈值进行最低用电功率调控，生成空转区电源能耗优化控制策35.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S4的具体步骤为：对高频移动区域进行深度能耗时空特征分析，标记能耗活动关键点；根据所有用电设备监测参数对能耗活动关键点进行用电行为挖掘，提取用电行为特征识别所述用电行为特征向量的用电时长、功率变化曲线及空间分布特征；对所述用电时长、功率变化曲线及空间分布特征进行用电行为模式多层级聚类，从而生成区域常态化用电模式；根据楼宇能耗动态分布图谱对区域常态化用电模式进行能耗谐波相关性分析，得到行为-能耗深层关联规律。6.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S5的具体步骤为：基于分布式环境感知器阵列获取楼宇内多维度环境监测数据；计算所述多维度环境监测数据的温度、湿度、光照对所述温度、湿度、光照及空气质量进行多指标舒适度量化分析，以生成多维楼宇舒适度指标流；根据多维楼宇舒适度指标流进行楼宇区域舒适度状况评估，以得到不同区域的舒适度状况；根据楼宇能耗动态分布图谱对不同区域的舒适度状况进行深度舒适平衡度挖掘，提取能效-舒适度平衡关键点。7.根据权利要求1所述的智能电源控制方法，其特征在于，步骤S6的具体步骤为：基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，以得到最优电源需求预测；对楼宇能耗动态分布图谱进行实时能耗时序波动分析，标记周期性能耗波动节点；基于所述能耗波动节点进行能耗波形分解，提取长短期能耗趋势分量；根据长短期能耗趋势分量进行能耗态势预测，以得到多个时间点的能耗态势预测值；根据最优电源需求预测及多个时间点的能耗态势预测值进行电源能耗调度，生成能耗调度智能控制策略；对能耗调度智能控制策略及空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。8.一种智能电源控制装置，其特征在于，用于执行如权利要求1所述的智能电源控制方能耗分布模块，用于对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布移动频率分析模块，用于对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；空转区能耗优化模块，用于对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；能耗关联规律模块，用于根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；4舒适度平衡模块，用于获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；电源控制模块，用于基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的智能电源控制方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的智能电源控制方法的步骤。5智能电源控制方法、装置、设备及存储介质技术领域[0001]本发明涉及电源控制技术领域，尤其涉及一种智能电源控制方法、装置、设备及存储介质。背景技术[0002]随着智能建筑、绿色节能及物联网技术的快速发展，现代楼宇对能源管理系统的智能化水平提出了更高的要求。特别是在“双碳战略”与智慧城市建设的推动下，建筑领域正面临着能源消耗控制、运行效率提升与用户舒适性保障等多重压力。楼宇作为能源消耗的重要载体，其电力系统的运行状态直接影响整栋建筑的能耗水平、设备寿命及运营成本。因此，如何实现对楼宇电源系统的精细化管理与智能化控制，成为当前能源管理技术领域的核心研究方向之一。[0003]传统楼宇配电系统普遍采用定时控制或基于环境变量的简单响应式策略，例如按照白天与夜间时段设置照明开关规则，或在检测到温度升高时自动开启空调系统。这类控制方式虽然能够在一定程度上减少无效能耗，但其响应机制单一，无法根据楼宇内人员的实际活动行为和用电需求变化做出动态调整。现有的楼宇能源控制系统通常以设备状态为核心进行监测，缺少对人员行为轨迹、空间使用频率与能效反馈之间的深度建模，无法实现用办公室长时间无人使用，却依然维持照明和通风供电，造成电力资源的持续浪费。另一方面，部分人流密集区域由于控制逻辑滞后，容易在高峰时段出现设备过载或舒适度下降的问题，影响整体运行效率与用户体验。因此，急需一种针对于楼宇电源系统的智能控制优化方法。发明内容[0004]本发明为解决上述技术问题，提出了一种智能电源控制方法、装置、设备及存储介质，以解决至少一个上述技术问题。[0005]为实现上述目的，本发明提供一种智能电源控制方法，包括以下步骤：步骤S1:对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；步骤S2:对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；步骤S3:对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；步骤S4:根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；步骤S5:获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；6步骤S6:基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。[0006]在本发明中，还提供一种智能电源控制装置，用于执行如上所述的智能电源控制能耗分布模块，用于对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；移动频率分析模块，用于对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；空转区能耗优化模块，用于对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；能耗关联规律模块，用于根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；舒适度平衡模块，用于获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；电源控制模块，用于基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。[0007]本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的智能电源控制方法的步骤。[0008]本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的智能电源控制方法的步骤。[0009]本发明的有益效果具体为：通过对整栋楼宇范围内的电压、电流、功率因数、谐波分量等多类电气参数进行高频率采集，实现了对楼宇能耗的空间离散建模与时间动态演化描述；通过构建楼宇能耗动态分布图谱，不仅能够实时掌握各功能区的能耗波动趋势，还可为后续的能耗优化策略提供全景式基础数据支持，解决传统建筑能耗统计“粗粒度、低实时性”的问题。通过热能红外及红外热图像分析技术，结合轨迹频率统计算法，精准提取楼宇内部人员的移动行为模式；实现了建筑空间中人员行为与能耗使用之间的空间错位识别，将原本静态的能耗数据转化为具有行为属性的动态数据，为后续的行为驱动式节能控制策略提供行为层面依据，提高能耗调度的场景贴合度与准确性。以低频移动区域为切入点，通过AI预测模型挖掘各功能空间的最低安全运行用电需求，从而实现了对“空转能耗”(如无人区域照明、待机空调、备用插座供电等)的精准识别与功率抑制；最终生成的空转区电源控制策略，能有效减少低效能耗输出与冗余电流消耗，实现细粒度的局部能耗优化，降低能耗总量同时不影响主功能区用能体验。通过对高频行为区域的能耗谐波特征与人员活动模式进行耦合分析，挖掘行为触发类设备(如电梯、会议设备、照明系统)对能耗的潜在影响路径；从而形成行为-能耗深层关联模型，实现“行为预测能耗”的能力风速等多维环境因子纳入评估体系，构建出空间区块级的舒适度状态模型；通过引入“能7效-舒适度平衡点”的概念，识别建筑在不同季节/人流模式下的最佳综合控制点，不仅提升述行为预测、空转控制、环境评估成果的基础上，构建AI驱动的分层电源调控框架，并通过自学习方式动态演化控制逻辑；通过电源调度智能体网络，将整个楼宇划分为可独立运行的能耗决策单元，实现对电源资源的自主协调与最优分配，具备自我调控、自我优化与突发状态下的冗余调配能力，是构建下一代智能楼宇系统的重要支撑。附图说明[0010]图1为本发明一种方法的步骤流程示意图；图2为步骤S1的详细实施步骤流程示意图；图3为步骤S2的详细实施步骤流程示意图；图4为步骤S3的详细实施步骤流程示意图。具体实施方式[0011]应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。[0012]本申请实例提供一种智能电源控制方法、装置、设备及存储介质。所述智能电源控制方法、装置、设备及存储介质的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台[0013]请参阅图1至图4,本发明提供了智能电源控制方法，所述智能电源控制方法包括以下步骤：步骤S1:对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；步骤S2:对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；步骤S3:对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；步骤S4:根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；步骤S5:获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；步骤S6:基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。[0014]本发明实施例中，参阅图1,为本发明一种智能电源控制方法的步骤流程示意图，在本实例中，所述智能电源控制方法的步骤包括：步骤S1:对区域建筑进行全域电气参数采集，并进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱；本实施例中，选择适合的电气参数监测设备，包括多通道电力监测仪、功率分析仪8和数据记录仪。这些设备应具备高精度(如±0.5%)和广泛的测量范围(如电压0-400V、電流0-100A),以确保能够准确捕捉到所有用电设备的电气参数。在建筑内部布置电力监测仪器，确保能够监测到所有关键用电设备。监测点应选择在配电箱、主要回路及各个用电设备及时捕捉电气参数的变化。每个监测点应能够记录电压、电流、功率因数和瞬时功率等参率因数(单位PF),并将数据存储在本地或云端数据库中。启动配置好的数据采集系统，开始实时监测各个监测点的电气参数。确保所有设备正常工作，及时记录数据并监测设备的运确保数据具有代表性。在采集过程中，使用监测软件实时查看电气参数的变化。确保数据记录的完整性与准确性，对于异常数据要及时进行标记和处理。例如，若某一时段内某设备的电流突然飙升，则需记录该异常情况，以便后续分析。将采集到的电气参数数据定期存储在数据库中。确保数据以时间戳的形式保存，以便后续分析和查询。可以采用关系型数据库率等信息，形成一个全面的电气参数数据集。对存储的电气参数数据进行预处理，包括去除异常值和噪声。使用统计方法(如Z-score方法或IQR方法)识别并剔除异常数据点，确保数据的准确性。例如，若某监测点在短时间内记录到不合理的电压(如超过400V),则将其视为为5A,则瞬时功率为1150W。对计算得到的能耗数据进行离散分布建模。使用统计分析方法(如直方图、概率密度函数)展示不同时间段的能耗分布特征，帮助识别高能耗时间段和设备。例如，将一天内各个时间段的能耗数据绘制成直方图，分析能耗的波动特征，帮助后续决策。根据离散分布模型，生成楼宇能耗动态分布图谱。该图谱应展示各个时间段的能耗特征，便于管理者快速识别高能耗区域。例如，通过热图的方式展示不同时间窗的能耗分布，帮助识别在特定时段内能耗较高的区域，从而为能效管理提供依据。[0015]步骤S2:对楼宇内部人员活动进行实时热能监测，并进行移动轨迹变化频率统计，标记高频移动区域以及低频移动区域；本实施例中，选择适合的热成像传感器，这些传感器应具备高分辨率(如640x480像素)和快速响应时间(如≤50ms),能够实时捕捉楼宇内人员的热能变化。确保传感器对温度变化的灵敏度足够高，例如在-20℃至+120℃的范围内能够准确监测。在楼宇内的关键位置(如入口、走廊、会议室等)安装热成像传感器，确保覆盖所有人员活动频繁的区域。每个传感器应安装在离地面2-3米的高度，以获得最佳的监测视角。配置数据采集系统，确保传感器能够以1Hz的频率实时采集热能数据，并将数据传输到中央处理系统。使用无线网络或有线网络实现数据的实时传输，确保数据的及时性和准确性。每个传感器应记录时间戳、热能值(以℃表示)以及对应的区域信息，以便后续分析。在监测过程中，确保实验环境的稳定性。控制楼宇内部的温度和湿度，以减少外部因素对热能监测的影响。可以使用空调系统保持室内温度在22℃左右，相对湿度在40%-60%之间。启动配置好的热能监测系统，开始实时采集各个监测点的热能数据。确保所有传感器正常工作，及时记录数据并监测设备的运行状态。例如，记录某个会议室在不同时间段的热能数据，如上午9:00至10:00、下午2:900至3:00等，以便分析人员活动的热能变化。在热能监测过程中，使用数据记录软件实时查看热能数据的变化。确保数据记录的完整性与准确性，对于异常数据要及时进行标记和处理。例如，若某一时段内某传感器记录到异常高的热能值(如超过40℃),则需记录该异常情况以便后续分析。将采集到的热能数据定期存储在数据库中，确保数据以时间戳格式保存，便于后续分析和查询。可以采用关系型数据库(如MySQL)或NoSQL数据库(如MongoDB)进行数据存储。记录每个传感器的ID、时间戳、热能值及区域信息，形成一个全面的热能监测数据集。对存储的热能数据进行分析，识别出不同时间段内的热能变化。通过时间序列分析方法，判断人员活动的热能特征，例如热能的上升和下降趋势。例如，若发现某个会议室在上午9:00至10:00期间热能值显著上升，则可以推测该时段内人员活动频繁。根据热能变化情况，统计人员的移动轨迹变化频率。可以设定一个时间窗口(如每小时),在每个时间窗口内计算热能值变化的频率。例如，若某会议室在某一小时内的热能值上升了5次，则该时间段内的移动频率为5次。将这些数据整合到一个统计表中，出高频移动区域和低频移动区域。高频移动区域通常是人员活动频繁的地方，如会议室和休息区，而低频区域可能是闲置或使用率低的地方。例如，若某个办公区域的热能变化频率为10次/小时，而另一个区域为2次/小时，则将前者标记为高频移动区域，后者标记为低频移动区域。[0016]步骤S3:对低频移动区域进行最低用电阈值预测及用电功率调控，生成空转区电源能耗优化控制策略；本实施例中，根据前期的热能监测和移动轨迹统计，识别出低频移动区域。这些区域通常是人员活动较少的地方，例如闲置办公室、会议室等。确定这些区域后，记录其具体位置和相关的电气参数(如历史能耗数据)。例如，若某办公室的热能变化频率为1次/小时，则将其标记为低频移动区域，并记录该区域的历史能耗数据。收集低频移动区域的历史能瞬时功率等，以便进行后续的分析。例如，记录该区域在过去一个月的能耗数据，包括每天的用电量(kWh)和瞬时功率(W),形成一个完整的数据集。基于收集到的历史能耗数据，建立最低用电阈值预测模型。可以采用线性回归、时间序列分析或机器学习模型(如随机森林或支持向量机)进行预测。例如，利用线性回归模型，将历史能耗数据移动区域的最低用电阈值。模型应训练多个周期的数据，以捕捉季节性和周期性变化的影响。将历史能耗数据分为训练集和测试集，使用训练集对模型进行训练，并通过测试集验证模型的预测准确性。主要评估指标包括均方根误差(RMSE)和平均绝对百分比误差(MAPE)。或选择新的特征以提高准确性。在经过训练的模型上，输入最新的环境和行为数据，生成低频移动区域的最低用电阈值。该阈值应能够反映在人员活动较少时的合理能耗水平。例如，预测结果显示该区域的最低用电阈值为5kWh,表示在低频活动情况下，区域的能耗不应低于这一水平，以避免设备空转。根据生成的最低用电阈值，制定用电功率调控策略。该策略应包括在低频移动区域内如何调整设备功率，以确保在人员活动较少时仍能保证基本功能。例如，当实际能耗低于5kWh时，自动降低设备功率，控制系统以实现自动化的功率调控。该系统应能够实时监测当前能耗，并与最低用电阈值将非关键设备(如照明设备)功率降至30%,确保能耗保持在合理水平。建立监测与反馈机制，定期评估功率调控策略的有效性。通过实时监测数据，调整策略以保证能效与舒适度的平衡。例如，若发现某一时段内能耗依然偏低，则可以进一步优化调控策略，调整设备运行模式以提高能效。将以上数据分析、预测结果和功率调控措施整合，生成空转区电源能耗优低频移动区域内，当监测到能耗低于5kWh时，自动降低非关键设备功率，确保整体能效不低于预设值。”实施优化控制策略，并通过实时监测系统评估其效果。记录策略实施后的能耗变化情况，以判断其是否达到预期目标。例如，评估发现实施策略后，该区域的能耗降低了15%,而人员活动舒适度保持稳定，证明策略有效。根据能耗监测结果和人员反馈，持续优化控制策略。定期分析新的数据和环境变化，调整最低用电阈值和功率调控措施，以适应实际需求。例如，若发现某段时间内人员活动频率有所增加，则应适时调整最低用电阈值，确保在不同情况下均能实现最佳能耗管理。[0017]步骤S4:根据楼宇能耗动态分布图谱对高频移动区域进行能耗谐波相关性分析，得到行为-能耗深层关联规律；本实施例中，根据先前的热能监测和移动轨迹统计，识别出高频移动区域。这些区域通常为人员活动频繁的地方，例如会议室、开放办公区等。记录这些区域的具体位置及其相关的电气参数。例如，若某会议室的热能变化频率为10次/小时，则将其标记为高频移动区域，并记录该区域的历史能耗数据。收集高频移动区域在不同时间段的能耗数据。确保数据覆盖多个时间段(如工作日的早、中、晚高峰),并包括电压、电流、参数。例如，记录某会议室在过去一周内的能耗数据，包括每天的用电量(kWh)和瞬时功率(W),形成一个完整的数据集。对收集到的能耗数据进行预处理，包括去除异常值和噪声。可以采用统计方法(如Z-score或IQR方法)来识别并剔除异常数据点，以提高分析的准确性。例如，若某时段内的电压数据异常高(如超过400V),则将其视为异常值，并进行处理。从处理后的能耗数据中提取能耗波形，以便进行谐波分析。可以使用快速傅里叶变换(FFT)等方50Hz的基频和150Hz的谐波成分显著,则需记录这些频率以便后续分析。采用相关性分析方法(如皮尔逊相关系数或斯皮尔曼等级相关系数)评估高频移动区域内的能耗波形与人员活动之间的关系。通过计算不同时间段的能耗谐波成分与人员活动频率的相关性，识别出深层关联规律。例如，分析会议室在不同时间段的能耗谐波与人员活动频率的相关性，记录各自的相关系数。根据计算出的相关系数，识别出能耗与人员活动之间的深层关联规律。若相关系数高于设定阈值(如0.7),则表明能耗变化与人员活动存在较强的关联。例如，若会议室在特定时间段内的能耗与人员活动频率的相关系数为0.85,则表明人员活动显著影响了该区域的能耗。将分析结果整理成报告，描述高频移动区域的能耗谐波特征及其与人员活动的关联规律。报告应包括每个区域的能耗波形分析、相关系数及其意义。例如，报告指出会议室在高频使用时段(如上午9:00-10:00)能耗显著上升，建议在该时段优化空调和照明策略以提高能效。根据识别出的行为-能耗深层关联规律，制定相应的电源管理策略。可以在高频移动区域内调整设备功率，以适应人员活动的变化，确保在高峰时段能效的最大化。例如，若会议室在高峰时段内能耗上升，则可提前调整空调和照明的功率，以避免不必要的能耗浪费。建立实时监测系统，对高频移动区域的能耗和人员活动进行持续监测。根11据实时数据调整电源管理策略，以适应不断变化的环境和使用情况。例如，若在某一时段内会议室的人员活动数量有所增加，则实时调整空调输出，以保持舒适度并优化能耗。定期评估电源管理策略的实施效果，分析能耗变化与人员活动的关系，调整模型参数和管理策略，以提高整体能效。例如，每季度分析一次高频移动区域的能耗与活动数据，更新管理策略以适应新的使用模式。[0018]步骤S5:获取楼宇内多维度环境监测数据，并进行楼宇区域舒适度状况评估及深度舒适平衡度挖掘，提取能效-舒适度平衡关键点；本实施例中，确定所需的环境监测设备，以涵盖温度、湿度、光照和空气质量等多个维度。选择高精度的传感器，例如温度传感器(±0.5℃)、湿度传感器(±3%RH)、光照传感器(±10lx)和空气质量传感器(AQI)。在楼宇内关键区域(如办公室、会议室和公共区域)布置这些传感器，确保覆盖所有重要的活动空间，以便于全面评估环境条件。配置数据采集系统，设定采样频率为每5分钟一次，确保能够实时获取环境数据。每个传感器应能够将数据传输到中央处理系统，支持无线或有线网络传输。例如，设定每个传感器在每5分钟内记录当前的温度(单位℃)、湿度(单位%RH)、光照强度(单位1x)和空气质量指数(AQI),确保数据的连续性和准确性。在数据采集期间，确保实验环境的稳定性，控制楼宇的温度和湿度，以减少外部因素对监测结果的影响。可以使用空调系统保持室内温度在22℃,相对湿度在40%-60%之间。根据国际和行业标准，设定各项舒适度指标的合理范围。温度应维持在20-24°C之间，湿度应为40-60%RH,光照强度应在300-5001x之间，空气质量AQI应低于100。每个区域的舒适度应根据这些指标进行评估，以判断其是否达到了舒适水平。对收集到的环境监测数据进行预处理，包括去除异常值和噪声。可以使用统计方法(如Z-score方法)来识别并剔除异常数据点，确保数据的准确性。例如，若某传感器在短时间内记录到不合理的温度(如超过30℃),则将其视为异常值并进行处理。根据处理后的数据，计算每个区域的舒适度指数(ComfortIndex,CI)。可以使用加权平均法，将各个指标按其重要性进行加权，生成综合的舒适度指标：CI=(0.4×温度得分)+(0.3×湿度得分)+(0.2×光照得分)+(0.1×空气质量得分),例如，若某办公室的温度得分为80,湿度得分为70,光照得分为90,空气质量得分为85,则其综合舒适度指数为80。针对各区域的舒适度指数与能耗数据进行相关性分析，识别舒适度与能效之间的关系。可以使用相关性分析方法(如皮尔逊相关系数)来量化二者之间的关系。例如，分析发现某办公室在舒适度指数达到75以上时，能耗通常低于特定阈值(如80kWh),则表明在这一舒适度水平下，能效得到优化。根据分析结果，提取能效与舒适度平衡的关键点。这些关键点将帮助管理者识别在不同环境条件下的最佳操作模式，以优化能耗。例如，记录下在特定温度(如22℃)和湿度(如50%RH)下，能耗与舒适度达到最佳平衡的具体参数，为后续的能效优化策略提供依据。将舒适度评估和深度舒适平衡度分析的结果整理成报告，描述各区域的舒适度状况、能效-舒适度平衡关键点及其应用建议。报告应包括每个区域的舒适度指数、相关性分析结果及优化建议，帮助管理者制定合理的能效管理策略。[0019]步骤S6:基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预测，并根据空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。[0020]本实施例中，收集和整合楼宇内的历史能耗数据、环境监测数据以及人员活动数据。确保数据覆盖不同时间段(如工作日、周末、节假日等),并包括高频与低频移动区域的相关数据。例如，汇总某办公区域在过去六个月内的能耗数据、环境参等)及人员活动频率，形成综合数据集。基于收集到的数据，采用机器学习方法(如随机森林、支持向量机等)构建行为-能耗关联模型。模型应识别出人员活动对能耗的影响，量化不同活动模式下的能耗水平。例如，训练模型时，输入特征包括人员活动频率、环境监测数据和历史能耗，输出为预测的能耗值。通过交叉验证提高模型的准确性。使用独立的数据集对训练好的模型进行验证，评估其预测准确性。主要评估指标包括均方根误差(RMSE)和平均差，则需要进一步调整模型参数或选择新的特征以提高准确性。将之前提取的能效-舒适度平衡关键点整合到电源需求预测模型中。这些关键点将作为约束条件，确保在优化电源需求时兼顾舒适度。例如，设定温度应维持在22℃,湿度应保持在50%RH,以确保在电源调度时不影响用户的舒适体验。根据行为-能耗关联模型和能效-舒适度平衡关键点，生成多层级的电源需求预测。预测结果应覆盖不同时间段(如小时级、日级、周级)内的电源需求变化。例如，预测某办公区域在接下来的24小时内的电源需求为：上午9:00-10:00为30kWh,下午2:00-3:00为50kWh,以便于后续调度。配置自学习机制，使得电源调度系统能够根据实时数据反馈不断优化电源需求预测和调度策略。系统应使用强化学习算法(如Q-learning)进行自我调整。例如，系统在每次调度后，评估实际能耗与预测能耗之间的差异，并根据差异调整未来的电源需求预测。根据预测的电源需求和空转区的优化控制策略，调整和调度各区域的电源输出。确保在低频移动区域内的设备功率调整符合预测需求。例如，在低频使用的会议室中，若预测需求为10kWh,则可将空调和照明设备的功率降低20%,确保能耗优化。设计楼宇电源能耗调度智能体网络的架构。每个智能体负责特定区域的电源调度与管理，能够根据实时数据和预测结果进行独立决策。例如，设计一个智能体负责会议室的电源调度，另一个智能体负责办公区的能耗控制，确保整体协调。配置智能体之间的通信机制，使得各个智能体能够共享信息和协调工作。可以采用基于消息队列的通信方式，确保实时数据的传递与处理。例如，当会议室智能体检测到能耗异常时，能够及时通知其他智能体进行相应的调整，形成协同工作机制。定期评估智能体网络的运行效果，分析各智能体的调度结果与整体能效。根据反馈数据不断优化智能体的决策算法和调度策略。例如，每月评估一次智能体网络的能效表现，调整算法参数以提高整体能效和舒适度。[0021]本实施例中，参阅图2,为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：基于多通道电力监测节点对区域建筑进行全域电气参数采集，得到所有用电设备监测参数；计算所述所有用电设备监测参数的电压、电流与瞬时功率；根据所述电压、电流与瞬时功率进行区域设备电源能耗分析，得到电源能耗特性对电源能耗特性曲线进行时间窗等距划分，构建多维能耗时间窗；对多维能耗时间窗进行逐个窗口能耗峰值识别，标记多个窗口的能耗峰值；计算所述多个窗口的能耗峰值的能耗密度及变化梯度；根据所述能耗密度及变化梯度进行多维度能耗离散分布建模，构建楼宇能耗动态分布图谱。[0022]本实施例中，在区域建筑内安装多通道电力监测节点，每个节点负责监测特定区域内的电气参数。每个节点应具有至少四个通道，能够同时监测多个用电设备的电压和电流。确保监测节点的安装位置合理，能够覆盖所有主要用电设备，如照明系统、空调、计算至10Hz,确保能够准确捕捉到用电设备的瞬时变化。设置监测周期为24小时，以保证数据的全面性。记录每个设备的电压(单位V)、电流(单位A)和瞬时功率(单位W),数据应以时间戳形式存储，便于后续分析。启动数据采集系统，实时监测并记录所有用电设备的电气参数。使用数据存储方案，如本地数据库或云存储，确保能够安全和高效地存储大量数据。例如，监测节点每秒记录每个设备的电压、电流和功率数据，确保数据完整性和准确性。根据采集的数据，计算每个用电设备的瞬时功率。瞬时功率计算公式为：瞬时功率(W)=电压(V)×电流(A)。例如，如果某设备在特定时刻的电压为230V,电流为5A,则瞬时功率为1150W。在获得所有用电设备的瞬时功率后，计算每个设备的能耗。能耗计算公式为：能耗(kWh)=瞬时功率(W)×时间(小时)/1000。例如，若某设备在一小时内持续消耗1150W,则其能耗为1.15kWh。将所有设备的能耗进行汇总，得到区域的总能耗数据。将计算得到的能耗数据绘制成能耗特性曲线，X轴能耗随时间的变化趋势，识别高峰用电时段和低谷用电时段。将能耗特性曲线按照时间进行等距划分，例如将24小时划分为每小时一个时间窗，形成24个时间窗。每个时间窗内的数据用于后续分析。为了更细致的分析，也可以将时间窗划分为30分钟或15分钟，以便捕捉更为细微的能耗变化。针对每个时间窗，收集相应时间段内的能耗数据，构建多维能耗时间窗。每个时间窗内包括电压、当前、瞬时功率和能耗等多个维度的数据。记录每个时间窗的起止时间、总能耗、峰值功率等信息，为后续分析提供全面的数据支持。对每个时间窗内的能耗数据进行分析，识别出能耗峰值。可以使用简单的阈值法或更复杂的算法(如滑动窗口平均)来确定峰值。例如，若某时间窗内总能耗高于其前后时间窗的均值，则该时间窗的能耗被标记为峰值窗口。计算每个窗口的能耗密度，定义为窗口内的能耗与窗口长度的比率。能耗密度可用公式表示为：能耗密度=总能耗/时间窗长度(小时)。计算能耗的变化梯度，通过比较相邻时间窗的能耗变化，识别能耗趋势。公式为：变化梯度=当前时间窗能耗-前一个时间窗能耗。根据计算得到的能耗密度和变化梯度，进行多维度能耗离散分布建模。可以使用统计学方法如直方图或概率密度函数(PDF)来展示能耗的分布特征。分析各个时间窗的能耗特性，识别出能耗分布的高峰和低谷，帮助理解用电设备的使用模式。将能耗离散分布数据可视化，形成楼宇能耗动态分布图谱。图谱应展示不同时间段的能耗特征，帮助识别高能耗区域和潜在的节能机会。例如，通过热图的方式展示不同时间窗的能耗密度，方便管理者快速定位问题区域。[0023]本实施例中，参阅图3,为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：基于微型热成像传感器对楼宇内部人员活动进行实时热能监测，获取多个位置点的人员活动热能值；对所述人员活动热能值进行不同区域热能分布分析，生成人员活动热能分布流；根据人员活动热能分布流进行热能流向识别，生成人员区域移动轨迹；对人员区域移动轨迹进行周期移动轨迹趋势分析，构建人员移动轨迹密度云图；对人员移动轨迹密度云图进行移动轨迹变化频率统计，并进行区域划分，标记高频移动区域以及低频移动区域。[0024]本实施例中，选择适合的微型热成像传感器，确保其具有高分辨率(如640x480像素)和快速响应时间(如≤50ms),能够实时捕捉楼宇内人员的热能变化。传感器应具备良会议室等，确保能够覆盖所有人员活动频繁的区域。每个传感器应以适当的高度(例如2-3米)进行安装，以获得最佳的监测视角。配置传感器的监测参数，包括采样频率(建议设定为1Hz或更高)和温度范围(如-20℃至+120℃),确保能够实时捕捉到人员活动时的热能变化。启动热成像系统，确保所有传感器能够正常工作并实时传输数据。使用数据记录软件，记录每个位置点的热能值，确保数据的完整性。在监测过程中，系统应持续采集各个位置的热能值，记录时间戳，以便后续分析。每个传感器的数据应以云存储或本地存储的方式进行保存，以支持大规模数据处理。例如，若某一传感器在10分钟内记录到1000个热能数据点，确保所有数据都以标准格式(如CSV或数据库)存储，方便后续分析。对采集到的人员活动热能值进行区域划分，将楼宇内部划分为多个区域(如办公室、休息区、走廊等),并计算每个区域内的热能总值和平均值。例如，若某办公室区域的总热能值为5000℃·m²,平均热能值为100℃·m²,则该区域可被标记为高热能活动区域。根据不同区域的热能值，生成热能分布流图，X轴为时间，Y轴为热能值。通过可视化手段展示人员活动的热能变化趋势，帮助识别高频活动区域。例如，使用热图展示各区域热能分布情况，能够清晰显示哪些区域在特定时间段内热能值较高，说明人员活动频繁。根据各个区域的热能分布流，分析热能的流向。可以使用梯度分析法，根据热能值的变化趋势识别人员活动的流向。例如，若某区域的热能值在短时间内增加，而相邻区域的热能值减少，则可以推测人员在这两个区域之间移动。根据热能流向信息，构建人员区域的移动轨迹。每个移动轨迹应包含时间、起始区域、终止区域及移动路径等信息。例如，若某个员工从A区移动到B区，在此过程中热能值变化显著,则记录该移动轨迹为"A区→B区",并标记相关时间点。对记录的人员移动轨迹进行周期性等时间段，分析各时间段的移动频率。例如，若早高峰期间某区域的移动次数为50次，而午间仅为20次，则可以推断早高峰期间该区域活动更为频繁。根据周期移动轨迹数据，生成人员移动轨迹密度云图。使用热图或等高线图展示人员活动的密度分布，X轴和Y轴分别为不色区域，明确标识出人员活动密集的区域。对人员移动轨迹密度云图进行统计分析，计算各区域的移动轨迹变化频率。统计每个区域在设定时间内(如1小时、1天)的总移动次数。例如，若某区域在一天内记录到的移动次数为200次，而其他区域仅为50次，则该区域被标记为高频移动区域。根据统计结果，将楼宇内部划分为高频移动区域和低频移动区域。高频区域可设置为重点监控区域，便于后续的管理与优化。例如，将高频移动区域标记为"A区",低频移动区域标记为"B区",并生成相应的区域划分图，方便管理者进行决策。[0025]本实施例中，参阅图4,为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：根据楼宇能耗动态分布图谱对低频移动区域进行高能耗用电识别，标记空转能耗对空转能耗区进行人员最高移动频率计算，生成空转区最高移动频率值；计算所述空转能耗区的当前电源能耗；根据所述当前电源能耗及空转区最高移动频率值进行最低用电阈值预测，生成空转区最低能耗阈值；基于空转区最低能耗阈值进行最低用电功率调控，生成空转区电源能耗优化控制[0026]本实施例中，使用楼宇能耗动态分布图谱，识别低频移动区域。这些区域在人员活动上表现出较少的移动频率，可能指示设备在空转或低效运行。分析图谱中各区域的能耗与人员活动的关系，确定低频移动区域的具体位置。例如，通过对比低频移动区域的能耗特征，识别出某些区域(如会议室或闲置办公室)能耗较高而人员活动频率较低。对识别出的局及使用情况，为后续分析提供基础。对空转能耗区进行人员移动频率的统计分析。可以通过监测系统记录在一定时间内(如一周)的人员进出频率，以获得该区域的最高移动频率值。例如，统计发现某会议室在一周内的最高人员移动频率为每小时3次，这一数据将用于后续的能耗阈值预测。记录并生成空转区的最高移动频率值，作为后续电源能耗分析的重要参考指标。此数据分辨出人员活动的潜在高峰时段，有助于优化能耗管理。例如，标记会议室的最高移动频率为3次/小时，确保这一信息在电源优化策略中得到应用。通过热成像传感器或电力监测设备实时监测空转能耗区的电源能耗。计算当前电源能耗的公式为：当前能耗(kWh)=瞬时功率(W)×时间(小时)/1000。例如，若会议室在某一时段的平均瞬时功率为500W,则当前电源能耗为0.5kWh。记录当前空转能耗区的能耗数据，并与历史数据进行对比，识别能耗变化趋势。这为判断设备是否处于空转状态提供了依据。例如，若会议室的当前能耗在过去一周内均保持在0.5kWh,则说明该区域能耗较高且人员活动不足。根据当前电源能耗及空转区最高移动频率值，建立最低用电阈值预测模型。可以使用线性回归或其他统计方法，根据历史能耗数据与人员活动频率的关系，预测最低能耗阈值。例如，设定公式：最低用电阈值(kWh)=当前能耗×(1-最高移动频率/参考频率),以此计算得出最低用电阈值。计算并生成空转区的最低能耗阈值。该阈值将用于指导后续的能耗优化控制策略，确保在人员活动不足的情况下，能耗保持在合理水平。例如，若当前能耗为0.5kWh,最高移动频率为3次/小时，参考频率设定为10次/小时，则最低能耗阈值预测为0.4kWh。基于最低能耗阈值，设计最低用电功率调控策略。这一策略应包括在人员活动低的情况下，如何减少能耗、降低设备运行功率。例如，设定在会议室人员活动低于某一频率时(如每小时2次),自动调整照明和空调的功率，降低至50%。实施优化控制策略，使空转区的能耗得到有效管理。通过智能控制系统，实时调整设备功率，确保在人员活动频率较低时，能耗保持在最低能耗阈值以下。例如，当会议室检测到人员活动频率低于2次/小时时，系统自动将空调功率降至30%,照明功率降至50%,以避免不必要的能源浪费。在实施优化控制策略后，持续监测空转能耗区的能耗变化，并根据反馈数据进行策略调整。确保能耗管理能够灵活应对人员活动的变化。例如，定期分析会议室的能耗数据，若发现实际能耗仍高于预测[0027]本实施例中，步骤S4包括以下步骤：对高频移动区域进行深度能耗时空特征分析，标记能耗活动关键点；根据所有用电设备监测参数对能耗活动关键点进行用电行为挖掘，提取用电行为特征向量；识别所述用电行为特征向量的用电时长、功率变化曲线及空间分布特征；对所述用电时长、功率变化曲线及空间分布特征进行用电行为模式多层级聚类，从而生成区域常态化用电模式；根据楼宇能耗动态分布图谱对区域常态化用电模式进行能耗谐波相关性分析，得到行为-能耗深层关联规律。[0028]本实施例中，利用楼宇内的多通道电力监测节点，收集高频移动区域的能耗数据。这些区域通常是人员活动频繁的地方，如会议室、开放办公区等。记录的参数包括电压、电流、瞬时功率和累计能耗等。设定数据采集频率为1Hz,确保能够捕捉到能耗变化的细节。数据应覆盖高频移动区域的一整天，以便进行全面的时空特征分析。通过分析收集到的能耗数据，识别出能耗活动的关键点。关键点可定义为能耗变化显著的时刻，例如能耗峰值或快速下降的时刻。例如，若某会议室在上午9:00至10:00期间的能耗急剧上升，可以将此时段标记为“关键点”,以便后续分析。针对标记的能耗活动关键点，参数，挖掘用电行为。此过程包括识别在关键时间段内哪些设备在运行及其对应的功率水平。例如，若关键点发生在会议室的9:00,分析该时段内的设备(如投影仪、灯光和空调),记录其功率及运行时间。根据挖掘到的用电行为，提取行为特征向量。特征向量应包含用电时长、功率变化、设备类型及其空间分布等信息。例如，若会议室在9:00至为200W,灯光功率为100W,空调功率为250W,则特征向量可以表示为：特征向量=[用电时长，投影仪功率，灯光功率，空调功率],对提取的用电行为特征向量进行分析，识别用电时长、功率变化曲线及空间分布特征。可以使用统计分析方法如均值、标准差等来描述特征的分布情况。例如，分析在不同时间段内的用电时长和功率变化，记录其变化趋势，形成图表以便于可视化。将提取的用电行为特征向量进行多层级聚类分析，使用K-means或层次聚类等算法，识别出区域内的常态化用电模式。聚类的结果将揭示出相似用电行为的设备组合和使用习惯。例如，通过聚类分析，发现某些设备组合(如会议室的灯光和空调)在特定时间段经常同时使用，这一发现将有助于优化能耗。根据聚类结果，生成区域常态化用电模式。这些模式应详细描述在不同时间段内的用电特征及其相应的设备组合，为后续优化提供依时开启的组合。利用楼宇能耗动态分布图谱，对区域常态化用电模式进行能耗谐波相关性分析。通过时间序列分析方法，识别能耗波动与人员活动的关系。收集常态化用电模式期间的能耗数据，结合人员活动记录，准备进行相关性分析。采用相关性分析方法(如皮尔逊相关系数)评估用电行为与能耗之间的深层关联规律，识别出哪些用电行为对能耗波动影响显著。例如，通过分析发现，当会议室使用频率超过5次/小时时，能耗通常会增加20%以上。这一发现将帮助管理者制定更有效的用电策略。最后，根据分析结果生成行为-能耗深层关联规律的报告。该报告应总结出用电行为对能耗的影响规律，并提出相应的优化建议。例如，建议在高峰用电时段(如上午9:00-10:00)调整空调的设置，以降低能耗，同时确保舒适[0029]本实施例中，步骤S5包括以下步骤：基于分布式环境感知器阵列获取楼宇内多维度环境监测数据；计算所述多维度环境监测数据的温度、湿度、光照对所述温度、湿度、光照及空气质量进行多指标舒适度量化分析，以生成多维楼宇舒适度指标流；根据多维楼宇舒适度指标流进行楼宇区域舒适度状况评估，以得到不同区域的舒适度状况；根据楼宇能耗动态分布图谱对不同区域的舒适度状况进行深度舒适平衡度挖掘，提取能效-舒适度平衡关键点。[0030]本实施例中，选择适用于楼宇环境监测的多维度环境感知器，包括温度传感器、湿度传感器、光照传感器和空气质量传感器。确保感知器的精度和响应时间满足实时监测需求，比如温度传感器精度为±0.5℃,湿度传感器精度为±3%RH。在楼宇内合理布置这些传少安装一个环境感知器，并在高使用频率的区域增加传感器的数量以提高数据的准确性。配置数据采集系统，设定数据采集频率为1分钟一次，以便实时获取温质量数据。确保所有传感器能够通过无线或有线网络将数据传输到中央处理系统。例如，设置每个传感器在每分钟记录当前的温度(单位℃)、湿度(单位%RH)、光照强度(单位1x)和空气质量指数(AQI),确保数据的完整性和实时性。在中央服务器或云平台上设置数据库，存储所有环境监测数据。确保数据以时间戳格式记录，便于后续分析和查询。可采用关系型测数据进行预处理，包括去除异常值和噪声。可以采用统计方法，如Z-score或IQR(四分位距)方法，识别并剔除异常数据点。例如，若某传感器在短时间内记录到异常高的温度(如超过50℃),则将其视为异常值，并进行处理。根据预处理后的数据，计算各个区域的平均温指标的具体数值。例如，计算某办公室内的平均温度为22℃,湿度为45%RH,光照强度为3001x,空气质量指数为50,确保这些数据能够反映区域的环境状况。根据温度、湿度、光照和空气质量数据，建立综合舒适度量化模型。可以采用加权平均法，将各个指标按其重要性进行加权，以生成综合舒适度指标。例如，设定温度权重为0.4,湿度权重为0.3,光照权重为0.2,空气质量权重为0.1,计算综合舒适度指标(CSI)为：CSI=(0.4×温度)+(0.3×湿度)+(0.2×光照)+(0.1×空气质量),依据计算出的各个区域的舒适度指标，生成多维楼宇舒适度指标流。该指标流应包含时间序列数据，反映不同时间段内各区域的舒适度变化。例如，记录某办公室在不同时间段(如早上9:00、下午3:00)的舒适度指标，生成一个动态舒适度流，便于后续分析。根据生成的多维舒适度指标流，对各个区域进行舒适度状况评估。可以5001x之间，空气质量AQI应低于100。例如，若某办公室的CSI计算结果为75,符合设定的舒中，形成各区域的舒适度评估报告。报告应包括每个区域的舒适度指标、评估结果及相应的宇能耗动态分布图谱，对不同区域的舒适度状况进行深度分析，挖掘能效与舒适度之间的平衡关系。可以使用线性回归或相关性分析方法来识别二者之间的关系。例如，分析发现当某区域的舒适度CSI值达到80时，其能耗通常低于特定阈值，表明此时的能效与舒适度达到最佳平衡。根据分析结果，提取能效-舒适度平衡的关键点。这些关键点将帮助管理者识别在不同环境条件下的最佳操作模式，以优化能耗。例如，记录下在特定温度和湿度下(如22°C和50%RH),能耗与舒适度达到最佳平衡的具体参数，用于后续的能效优化策略制定。[0031]本实施例中，步骤S6包括以下步骤：基于行为-能耗深层关联规律及能效-舒适度平衡关键点进行多层级电源需求预对楼宇能耗动态分布图谱进行实时能耗时序波动分析，标记周期性能耗波动节基于所述能耗波动节点进行能耗波形分解，提取长短期能耗趋势分量；根据长短期能耗趋势分量进行能耗态势预测，以得到多个时间点的能耗态势预测根据最优电源需求预测及多个时间点的能耗态势预测值进行电源能耗调度，生成能耗调度智能控制策略；对能耗调度智能控制策略及空转区电源能耗优化控制策略进行自学习拓扑优化，构建楼宇电源能耗调度智能体网络。[0032]本实施例中，收集楼宇内的行为数据与能耗数据，包括人员活动记录、环境监测数据及电力消耗数据。确保数据覆盖多个时间段(如周、月),并进行清洗和预处理，去除异常值和噪声。采用机器学习模型(如随机森林或长短期记忆网络LSTM)进行多层级电源需求预行为对能耗的影响。将数据集划分为训练集和测试集，使用训练集对模型进行训练，并通过测试集验证模型的预测准确性。评估指标可以使用均方根误差(RMSE)和平均绝对百分比误差(MAPE)来衡量模型性能。例如，若模型的RMSE为5kW,说明在能耗预测中存在5kW的误差，需进一步调整模型参数以提高预测精度。在训练好的模型基础上，使用最新的行为和环境数据进行电源需求预测。生成的预测结果应覆盖未来的多个时间点(如接下来的24小时),以便于后续的能耗调度。例如，预测结果显示未来24小时内的电源需求分别为50kW、55kW、60kW等，构成电源需求预测曲线。利用已部署的监测系统，持续收集楼宇据，生成实时的能耗动态分布图谱。确保监测频率为1分钟，以获取详个监测点的瞬时功率，并将其转换为能耗数据，形成实时的能耗波动信息。对收集到的实时能耗数据进行时序波动分析，识别出周期性的能耗波动节点。这些节点代表能耗变化显著的时刻。例如，若发现周一上午9:00至10:00期间能耗通常会出现波动峰值，则将该时间段标记为“周期性能耗波动节点”。基于所标记的能耗波动节点，采用小波变换或傅里叶变换等技术将能耗波形进行分解，提取长短期趋势分量。长短期分量有助于识别能耗的周期性和随机性成分。例如，长期趋势可能表现为逐渐上升的能耗，而短期波动则可能与人员活动高峰有关。利用提取的长短期能耗趋势分量进行能耗态势预测。可以使用时间序列分析方法(如ARIMA模型)来预测未来多个时间点的能耗值。例如，若短期趋势显示未来几小时能耗将上升，则需在调度策略中考虑这一变化。根据最优电源需求预测和多个时间点的能耗态势预测值，设计电源能耗调度策略。该策略应包括在高需求时段如何合理分配电源，确保能效与舒适度的平衡。例如，若预测显示在下午3:00至4:00期间