目前,随着“大数据”、“人工智能”等热门前沿技术的迅猛发展,建筑能源领域也逐渐展开了智能控制方向的相关研究。一个完备的智能化建筑能源监测系统具备了众多监测物理量的传感器和庞大且复杂的传输网络以及数据管理平台。每一个正常工作的传感器都肩负着采集、传递和储存大量数据的重要任务,而稳定的网络环境也在控制系统中担任着至关重要的角色。但是由于传感器存在电源和存储容量较小的局限性,且易受到诸如强电磁环境等外界因素的干扰,以及在系统运行过程中通讯网络的波动和一些人为的错误操作,都有可能会导致监测数据随机地、不可预测地出现缺失现象。完整的实时数据库是保障建筑能源监测系统安稳运行的基础,每一时刻运行工况的调节都取决于前一时刻的数据反馈情况,一旦某时刻数据缺失使系统处于无应答状态,会影响建筑能源监测系统反馈调控、系统的安全运行和数据库的应用分析价值,导致不必要的能源浪费、环境舒适度降低以及设备性能损耗等。因此,建筑能源监测系统中缺失数据的重构和修补问题的研究在建筑能源智能控制领域愈发重要。本研究以建筑能源监测系统中的一次回风再加热系统和冷冻站系统为例,将系统中所有传感器监测数据为研究对象,经过对数据特性和缺失特性的研究分析后针对不同数据缺失工况设计相应的重构方法进行数据修补。同时考虑系统实际运行过程中传感器故障、监测数据漂移的情况,提出了校准与重构并行的研究思路,以避免多次使用历史数据产生的误差累加,确保数据重构的精准度;依据建筑能源监测系统具有个物理变量间的高度耦合性的特质建立解析模型,以避免直接利用监测历史数据拟合生成数学模型的方法对数据的高度依赖性。且由于模型中所有变量之间紧密联系,相互制约提高了预估数据的可靠性和准确性。填补数据方法的本质就是重构出与缺失数据点真实值最为接近的估计值对空白处进行填补。本研究采用贝叶斯推理,通过合理建立似然函数中的距离函数实现数据重构,并引入少量的历史数组减少对历史数据的依赖。本研究依据监测仪表的精度来设定贝叶斯推理中的先验分布,同时为了满足模型中多个自变量和未知变量,引用最大期望方法（Expectation-Maximization Algorithm,EM）和极大似然（Maximum Likelihood Estimation,MLE）方法逆向推演正态分布参数增加引入数据量,以解决模拟出的各种数据缺失类型进行数据填补和修复。本研究针对多种情况均能够保证预估值的准确性,且填补效率高、填补维度大,同时实现了历史数据的准确性和数据库的完整性,这对完善智能化的建筑能源监测系统具有十分重要的意义。