Twin Calibration
百家乐数字孪生：模拟结果显示节省15%能源以后，为什么第一件事应该是检查"这个虚拟家庭像不像真实家庭"？
一次住宅能源模拟给出了一个很有吸引力的结果：调整几台大功率设备的启动时间之后，预计可以节省15%的能耗（此处15%仅为说明示例使用的模拟数字，并非百家乐真实节能数据）。这个数字很容易让人直接采纳这个调整方案，但在真正执行之前，更值得关注的问题是——这次模拟所依赖的虚拟家庭模型，本身有多贴近这户人家的真实住宅。
数字孪生的模拟结论，本质上建立在对房屋热特性、设备功率曲线、人员行为模式等一系列参数的假设之上。如果这些参数与真实住宅存在系统性偏差——比如房屋实际隔热效果比模型假设的更差，或者某台设备的实际功耗曲线和出厂参数并不完全一致——那么基于这些参数算出来的"15%"，很可能只是虚拟世界里的一个乐观数字，实际执行后未必能达到。
百家乐数字孪生把这一步称为Twin Calibration：定期把虚拟住宅在关键指标上的预测值，和真实传感器采集到的数据进行比较，检查两者是否长期保持一致。比如虚拟模型预测某个时间点客厅温度应该是多少，实际传感器读数是多少，如果两者持续出现明显偏差，说明这部分虚拟模型需要重新校准，而不是继续基于一个已知不准确的模型做更多决策。
这也是为什么"模拟结果显示可以节省多少能源"这类结论，不应该被直接当作已经发生的事实来宣传或执行，而应该先标注一个Simulation Confidence，让使用者清楚这是一个基于当前模型精度得出的估计，模型校准得越好，这个估计的可信度才越高。跳过校准这一步、直接相信模拟输出的百分比，是数字孪生系统最容易出问题的地方。
Twin Calibration并不是一次性的初始设置，而是需要持续进行的动作。住宅本身也在缓慢变化——家具摆放调整会影响室内气流，新增一台设备会改变原有的负载模型，季节更替也会让房屋的实际保温表现出现波动。如果校准只在系统安装时做过一次，之后就再也没有更新，虚拟住宅和真实住宅之间的偏差只会随着时间推移越来越大，而不会自动保持同步。
比较务实的做法，是把校准的颗粒度对应到具体房间和具体设备，而不是笼统地给整个住宅模型打一个总分。也许客厅的温度模型已经相当准确，但阳台或者储藏室的模型偏差明显更大——这种情况下，涉及客厅的模拟结论可以给予更高的信任度，而涉及阳台设备的相关建议，则应该更谨慎地提示用户这部分模型精度还有限，而不是笼统地对外宣称"整套数字孪生已经校准完成"。
进入
百家乐预测维护了解设备真实运行数据如何持续反馈进数字孪生模型。
光伏、家庭电池和电动车都可以存储或转移能源以后，为什么最低电价不再是唯一决策条件？
如果家庭只有光伏，没有储能设备，那么调度逻辑相对简单：发的电优先自用，用不完的多余部分卖回电网或者直接浪费。但当家庭同时拥有光伏、家庭电池和电动车之后，情况变得复杂得多——这三者都具备把电能"存下来"或者"挪到别的时间用"的能力，电能不再是一种即产即用的资源，而变成了一种可以在时间维度上重新分配的资产。
这种能力上的变化，直接动摇了"哪个时段电价最低就在那个时段用电"这个看似理所当然的原则。举例来说，如果电池当前电量已经很高，即便现在处于低电价时段，继续给电池充电的边际价值也在下降；反过来，如果电动车明天早上必须出发，而傍晚电价正好处于低谷，即便当时家庭电池电量充足，也可能需要优先给电动车分配一部分充电资源，确保出发前能顺利完成。
百家乐住宅能源在做调度决策时，需要同时纳入Cost电费成本、Carbon碳排放、Comfort居住舒适度、Battery Degradation电池损耗、EV Deadline电动车出发时间、以及当前的Peak Load峰值负载状况，在这些目标之间寻找一个综合更合理的方案，而不是把优化目标简化成单一的电费最小化。有些家庭可能愿意为了减少电池充放电次数、延长电池寿命，主动放弃一部分电费上的优势，这种个人偏好也应该被纳入决策，而不是被算法忽略。
把家庭理解为Energy Prosumer——同时是Consumer消费者、Producer生产者和Storage储能方——是理解这种复杂性的关键。当家庭不再只是电网的用电末端，调度问题的维度自然也从"怎么少花钱"扩展成了"怎么协调好这几类能源资产"。
这种多目标权衡也意味着，系统给出的调度方案不应该是一个用户完全看不懂、只能被动接受的黑箱结果。比较合理的做法，是让用户能够看到关键的权衡依据——比如这次决策在电费和电池损耗之间的大致取舍，或者为什么优先保证了电动车而不是进一步给家庭电池充电——即便不需要展示完整的计算过程，至少应该让用户理解调度背后的逻辑方向，而不是只看到一个"已优化"的结果。
随着家庭里能源资产种类增多，比如未来可能出现的家庭小型储氢或者更多分布式设备，这套多目标协调的框架本身也需要具备一定的扩展性，而不是针对光伏、电池、电动车这三类资产单独写死的规则集合，这也是百家乐住宅能源在架构设计上会持续考虑的方向。
查看
百家乐官网首页关于光伏、储能与电动车协同的完整案例说明。
AI预测明天中午光伏发电很多，但上午天气突然变化以后，住宅能源计划应该怎样重新计算？
前一天晚上，系统根据天气预报给出了第二天的能源调度计划：明天中午光伏发电充足，因此把电动车充电、洗衣机等大功率任务安排在正午前后执行，尽量利用光伏盈余。这份计划看起来很合理，前提是第二天的天气真的按照预报发展。
但真实的天气经常和预报存在偏差。第二天上午天气突然转为多云，光伏出力明显低于预期。如果系统固守前一晚制定的计划，继续把大功率任务安排在正午，很可能出现的情况是：光伏发电不足以覆盖计划中的用电需求，家庭需要额外从电网购电，原本"利用光伏盈余"的调度初衷完全落空，甚至可能因为高峰时段购电而增加成本。
百家乐住宅能源应对这种情况的方式是Rolling Optimization：调度计划不是一次性算好就固定不变的静态方案，而是随着关键输入的变化持续滚动重算。一旦光伏预测出现明显偏差、天气发生变化，或者电动车的出发时间被用户重新设定，系统会立即基于最新的信息重新计算调度方案，而不是等到原计划执行失败之后才被动调整。
这种持续重算的能力，本质上是承认预测本身存在不确定性，天气预报、设备行为、人的日程安排都会随时变化。一个只在前一天晚上做一次性规划、之后就不再更新的能源系统，很难真正适应现实生活里各种临时变化；而具备Rolling Optimization能力的系统，能够在计划和现实出现偏差的时候及时纠正，把误差控制在一个更小的范围内，而不是让一次不准确的预测持续影响接下来一整天的能源安排。
重新计算并不意味着每一次输入的微小波动都要触发一次全盘调整。如果每隔几分钟就因为光伏预测的细微变化重新安排一次设备启动时间，用户会感觉家里的用电计划一直在"抖动"，反而缺乏稳定性。比较合理的做法，是给重算设置一定的触发门槛——只有当预测偏差达到一定幅度，或者出现了会明显影响调度结果的新信息时，才真正启动一次重新规划，日常的小幅波动则维持原有计划不变。
Rolling Optimization的另一层价值，是让家庭能源系统能够更从容地应对一些相对突发的场景，比如电网侧临时通知的高峰限电，或者用户临时决定当天要给电动车多充一些电用于长途出行。这些都不属于"提前一天就能预知"的信息，只有具备持续重算能力的系统，才能把这类临时变化及时纳入调度，而不是让用户自己手动介入调整每一台设备。
进入
百家乐AI大模型了解住宅能源调度如何与Home Graph和Policy Engine协同工作。
百家乐