1.一种基于人工智能的智能家居控制系统，其特征在于，包括：

能耗监测模块，所述能耗监测模块用于对智能家居进行能量消耗的持续监测，实时监测智能家居使用情况数据，并获取用户历史智能家居使用情况数据；

待机分析模块，所述待机分析模块与能耗监测模块数据连接，用于根据智能家居的电能消耗信息判断智能家居的真实待机状态，并计算待机时间；

预测模块，所述预测模块与能耗监测模块数据连接，用于根据能耗监测模块的历史监测数据预测智能家居的使用时间以及使用能耗；

家居控制模块，所述家居控制模块与待机分析模块和预测模块数据连接，用于根据待机分析模块的计算结果和预测模块的预测结果对智能家居执行相关操作。

2.如权利要求1所述一种基于人工智能的智能家居控制系统，其特征在于：所述能耗监测模块监测或获取的历史智能家居使用情况数据包括，智能家居使用能耗信息、智能家居使用时间点信息和智能家居类型信息。

3.如权利要求1所述一种基于人工智能的智能家居控制系统，其特征在于：所述待机分析模块包括判断单元、待机能耗监测单元和待机时间监测单元；

所述判断单元根据能耗监测模块监测到的智能家居历史运行时间数据，通过对运行时长设定阈值进行判断，对智能家居设备进行分类，包括持续运行类和非持续运行类，应急类型智能家居设备统一分类为持续运行类；

所述待机能耗监测单元用于对判断单元中，非持续运行类智能家居的实时电能能耗信息进行分析，判断当前智能家居是否处于待机状态；

所述待机时间监测单元基于待机能耗监测单元判断出处于待机状态的家居设备对其进行待机计时，将待机时间传输给家居控制模块。

4.如权利要求3所述一种基于人工智能的智能家居控制系统，其特征在于：所述待机能耗监测单元通过聚类算法来判定来除去待机状态下家居设备的正常能耗波动导致的判断错误；

收集设备的能耗数据样本{E1,E2,Ed,...,}；

通过肘部法则来确定设定聚类的数量，使得每个数据点Ed到其所属簇中心Fj的欧几里得距离最小，因为能耗数据是一维数据，所以欧几里得距离变为：(Ed,Fj)＝|Ed-Fj|

其中，d是能耗数据样本的索引，j是分类的簇中心的样本索引；

在判断设备是否处于待机状态时，观察能耗数据所属的簇，若设备的能耗数据在指定时间内一直属于某一个特定的簇，且簇中心的能耗样本数据最小，则判断设备处于待机状态。

5.如权利要求1所述一种基于人工智能的智能家居控制系统，其特征在于：所述预测模块包括时间平滑处理单元、预测模型建立单元和家居使用预测单元；

所述时间平滑处理单元用于处理时间序列数据中的趋势和周期性特征，发现周期性规律和总体变化趋势，为家居使用预测单元提高预测的精准性；

所述预测模型建立单元基于经过时间平滑处理单元处理后的历史智能家居使用数据建立决策树预测模型；

所述家居使用预测单元用于根据用户智能家居使用情况数据对用户未来使用的智能家居的时间点进行预测。

6.如权利要求5所述一种基于人工智能的智能家居控制系统，其特征在于：所述时间平滑处理单元首先根据待机分析模块获取某一智能家居设备，用户使用其时间点的历史数据；

设对于这个智能家居设备，用户对于其开启的行为顺序记为t，第一次开启即t＝1，第二次开启即t＝2；

设一系列按行为顺序t记录的，用户开始使用设备的时间点数据，将这些时间点转换为一个统一的数值度量，将每天的时间点转换为分钟数，形成一个分钟数值{y1，y2，yt，...}；

初始化参数：选择平滑参数α、β和γ，这些参数的取值范围在0到1之间；

同时，初始化t＝1时水平Lt、趋势Ht和周期长度c的值，对于初始化水平L1的值，取在对应初始时间实际观测到的数据y1；对于T1初始化为0；对于周期长度c设定为包括但不限于三天、一周或半个月内开启智能家居设备的次数；

水平方程：

Lt＝α(yt-Kt-c)+(1-α)(Lt-1+Ht-1)Lt表示在t次的平滑后去除周期性因素后的基本水平估计值，在预测用户设备使用时间点时，它是一个基础的时间点参考值，不包含周期性波动，平滑参数α用于控制对当前数据与历史趋势的权衡；Kt-c表示前一个完整周期，周期长度为c对应的周期因素，yt是实际记录的用户在第t次使用设备的时间点；

趋势方程：

Ht＝β(Lt-Lt-1)+(1-β)Ht-1

Ht表示在t的趋势值，它表示行为顺序的增长或下降趋势，对于用户设备使用时间点，体现为时间点是逐渐提前还是推迟的趋势；β用于控制对当前趋势变化与历史趋势的权衡；

周期性方程：

Kt＝γ(yt-Lt)+(1-γ)Pt-m

其中，Kt表示在t的周期因素估计值，用于捕捉数据中的周期规律，包括用户在每周的同一天或每天的同一时段有相似的设备使用时间点，γ用于控制对当前周期性变化与历史周期性规律的权衡；

按照上述计算，随着t的不断增加，最后平滑后的分钟数值{y1，y2，yt，...}用{L1，L2，Lt，...}来表示原始时间序列，这些平滑后的水平值去除了周期波动和部分噪声的干扰，作为后续预测模型建立单元的基础数据。

7.如权利要求5所述一种基于人工智能的智能家居控制系统，其特征在于：所述预测模型建立单元首先根据历史数据平滑后的{L1，L2，Lt，...}构建决策树；

对于{L1，L2，Lt，...}，即用户开始使用设备的时间点，首先计算其信息熵S(Lt)，信息熵公式：其中,n表示Lt取值的类别i的总数，若将一天按每10分钟为一个区间划分，n最大为143，是Lt属于第i个类别的概率，通过统计在过去数据中时间点落在各个区间的频率来得到，这个信息熵值反映了目标变量在未进行特征划分前的不确定性程度；

提取出Lt中衍生特征作为输入特征，包括t的值、t所在的周期Kt和趋势值Ht；将这三项数据作为Lt中的特征X，条件熵的计算公式为：其中，m是特征X的取值个数，r是特征X的索引；

然后计算信息增益IG(Lt,X)：

IG(Lt,X)＝S(Lt)-S(Lt|X)

选择信息增益最大的特征作为当前划分的最佳特征，在根节点进行划分，将数据集分成不同的子集，不断重复此过程，计算所有的历史数据构建决策树，达到最后的子集即是叶节点，用于存储Lt对应的时间点yt。

8.如权利要求5所述一种基于人工智能的智能家居控制系统，其特征在于：所述家居使用预测单元利用构建好的决策树进行预测；

计算针对未来特定时间点的输入特征向量X，将特征向量输入到已经构建好的决策树中，从根节点开始，根据根节点存储的不同的子集，选择对应的分支，依次类推，直到到达一个叶节点；

叶节点即存储的时间点，以分钟数表示，就是预测的用户在该特定时间点使用设备的时间点。

9.如权利要求1所述一种基于人工智能的智能家居控制系统，其特征在于：所述家居控制模块包括能耗计算确认单元和执行单元；

所述能耗计算确认单元根据待机分析模块计算得出的，非持续运行类智能家居待机时长计算能量消耗，并提供操作界面供用户设定待机能耗阈值，超过阈值时，自动将非待机状态的智能家居关闭；

所述执行单元根据预测模块对用户未来使用的智能家居的时间点预测结果进行提前响应，开启能耗计算确认单元所关闭的非持续运行类智能家居。