现如今,智能楼宇被越来越多的专家学者所关注。然而,在不同类型智能楼宇负荷建模方面,在考虑热力效应和动态电价机制后,负荷建模复杂性提高,传统建模方法和现有方法难以满足不同类型智能楼宇建模准确性的要求。其次,在含智能楼宇的工业园区不同类型负荷预测方面,在考虑天气因素影响和动态电价博弈机制后,工业园区内智能楼宇负荷和电动汽车负荷的预测往往被忽视,导致楼宇内居民满意度较低。最后,在智能楼宇能源优化调度和多目标优化方面,在考虑热力效应,动态电价博弈机制,天气因素影响和电气连接作用后,多目标优化问题变得越来越复杂。本文针对上述问题,提出相应的解决方法。在不同类型智能楼宇负荷建模方面,引入基于先验条件验证改进的WGAN-GP,即Conditional WGAN-GP,对考虑热力效应和动态电价机制影响的不同类型智能楼宇建模。算例分析表明,在对写字楼、居民楼和商用楼的建模准确性上,比原算法提高了3.6%,4%,3.8%。在含智能楼宇的工业园区不同类型负荷预测方面,构建了基于动态贝叶斯网络（dynamic bayesian network,DBN）结构注意力机制下的长短期记忆网络（attention-long short term memory,Attention-LSTM）算法,该算法基于相关性理论与结构,提高了各类负荷尤其是小数量级负荷的预测准确性。算例分析表明,在预测园区总负荷、高耗能工业负荷、智能楼宇负荷以及电动汽车负荷时,本文算法准确率分别为93.2%,93.2%,94.2%和93.9%。在智能楼宇能源优化调度和多目标优化方面,提出了一种智能楼宇中多能源优化的新方法。首先,加入了分布式可再生能源调节评估指标-参数（transfer-retention ratio,TRR）。其次,通过自适应加权和、邻近均分轴线法和马氏距离双基点法对法线边界交叉（normal boundary intersection,NBI）算法改进,形成了改进的法向边界交叉（improved normal boundary intersection,INBI）算法。采用参数TRR和INBI算法解决智能楼宇群中多目标优化问题,提高调控效率。为了满足决策者对评价指标的需求方面,采用参数TRR与未采用的情况相比,平均偏差降低了60%。算例分析表明,该方法在三个优化目标上均优于现有算法,三个优化目标中,设备成本、供电成本和居民舒适度分别降低8.2%、7.6%和1.6%。本文基于智能楼宇的需求响应方面对智能楼宇及含智能楼宇的工业园区供需关系分析,从负荷建模,负荷预测和多目标优化方面对相应算法改进,分别提高了各自的准确性,使基于供需关系的智能楼宇调控更加有效。