OccuEMBED：occupancy提取与建筑能耗分解融合，用于大规模以居住者为中心的运营管理

建筑占全球能源消耗和排放的很大一部分，因此高效运行建筑至关重要。随着电力电网因可再生能源渗透而变得更加波动，建筑必须提供灵活性以支持电网稳定。建筑自动化通过集中运行在提升效率和灵活性方面发挥关键作用，但必须优先考虑以居住者为中心的策略以平衡能源和舒适目标。然而，由于数据限制，将居住者信息纳入大规模集中式建筑运行仍具有挑战性。我们研究了利用全建筑智能电表数据推断居住状态和系统运行的可能性。将这些洞察整合到数据驱动的建筑能耗分析中，可以在大规模上实现更以居住者为中心的节能和灵活性。具体而言，我们提出了OccuEMBED，一个用于居住状态推断和系统级负荷分析的统一框架。它结合了两个关键组件：一个概率性居住状态画像生成器，以及一个由Kolmogorov-Arnold网络（KAN）支持的可控且可解释的负荷分解器。该设计将居住模式以及负荷-居住状态-天气关系的知识嵌入深度学习模型中。我们进行了全面评估，以证明其在合成和真实数据集上相对于各种居住状态推断基线的有效性。OccuEMBED在离散居住状态推断中始终实现了平均F1分数高于0.8，在连续居住状态比率中RMSE在0.1-0.2范围内。我们进一步展示了OccuEMBED如何与建筑负荷监控平台集成，以显示居住状态画像、分析系统级运行并指导以居住者为中心的策略。我们的模型为将以居住者为中心的建筑管理系统扩展到应对不断演进的能源系统的挑战奠定了坚实基础。