1.一种低功耗电力自组网的能效优化方法，其特征在于，所述方法包括：基于电力智能传感器网络，构建能量收集模型和信噪比模型；所述电力智能传感器网络包括主传感器网络和次用户网络，所述主传感器网络包括基站和M个主传感器，所述次用户网络由用于设备到设备通信的N对次传感器构成；所述能量收集模型用于表征在第n对次传感器处收集的能量；所述信噪比模型用于表征第n对次传感器的信噪比；根据所述能量收集模型和所述信噪比模型，以最大化网络能效为目标构建目标函数，并设置所述目标函数的约束条件；构建多面体模型，利用独立同分布不完美信道状态的样本数据对所述多面体模型进行学习，输出信道增益信息；根据所述信道增益信息，基于所述目标函数的约束条件，求解所述目标函数，确定每对次传感器在不同子信道上的分配功率和每对次传感器对子信道的二进制选择信息，得到资源分配方案。
2.根据权利要求1所述的方法，其特征在于，所述能量收集模型通过以下公式(1)进行表示：公式(1)中，P M 、α和β均为常数，P M 表示实际能量收集电路达到饱和时的最大收获功率，α和β由实际能量收集电路的特性决定； 表示第n对次传感器的输入功率，通过以下公式(2)进行表示：公式(2)中，θ表示功率分配因子， 表示第n对次传感器在占用第m个主传感器的子信道上的发射功率， 表示第m个主传感器在子信道上的信道增益， 表示第n对次传感器到第m个主传感器的信道增益， 表示主传感器的信道增益。
3.根据权利要求2所述的方法，其特征在于，所述信噪比模型通过以下公式(3)进行表示：公式(3)中， 表示第n对次传感器在占用第m个主传感器的子信道上的发射功率， 表示第m个主传感器在子信道上的信道增益， 表示第n对次传感器到第m个主传感器的信道增益， 表示主传感器的信道增益；α i，m 为第i对次传感器与第m个主传感器之间的用户关联因子，当α i，m ＝1时，表示第i对次传感器占用第m个主传感器的信道，当α i,m ＝0时，表示第i对次传感器不占用第m个主传感器的信道；σ 2 表示噪声功率。
4.根据权利要求3所述的方法，其特征在于，所述目标函数通过以下公式(4)进行表示：公式(4)中， 表示第n对次传感器在占用第m个主传感器的子信道上的发射功率； 表示次用户网络中的数据速率，通过以下公式(5)进行表示：公式(5)中， 第n对次传感器的信噪比；所述目标函数的约束条件包括信噪比约束条件、能量收集限制条件、次传感器功率限制条件以及子信道约束条件；其中：所述信噪比约束条件通过以下公式(6)进行表示：公式(6)中，γ th 为设定阈值；所述能量收集限制条件通过以下公式(7)进行表示：E min ≤E eh (7)；公式(7)中，E min 为次传感器所需的最小能量；所述次传感器功率限制条件通过以下公式(8)进行表示：公式(8)中，P max 为次传感器的功率限制值；所述子信道约束条件通过以下公式(9)进行表示：公式(9)中，α n，m 为第n对次传感器与第m个主传感器之间的用户关联因子。
5.根据权利要求1所述的方法，其特征在于，所述多面体模型通过以下公式(10)进行表示：公式(10)中， 表示多面体的中心；λ>0，表示多面体的尺寸大小， 表示从独立同分布不完美信道状态的样本数据学习的不确定信道状态区域；通过所述多面体模型输出的信道增益信息为 和 表示第n对次传感器到第m个主传感器的信道增益； 表示主传感器的信道增益。
6.根据权利要求5所述的方法，其特征在于，所述利用独立同分布不完美信道状态的样本数据对所述多面体模型进行学习，输出信道增益信息，包括：将独立同分布不完美信道状态的样本数据划分为两个部分，得到第一样本数据和第二样本数据；利用所述第一样本数据来近似高概率区域的形状，并通过所述第一样本数据的样本平均值设置多面体的中心，确定 参数值和 参数值；利用所述第二样本数据校准多面体的尺寸大小，确定λ参数值；将确定的参数值所述所述多面体模型中，确定并输出信道增益信息 和
7.一种电力系统，其特征在于，所述电力系统中设置有电力智能传感器网络，所述电力智能传感器网络包括主传感器网络和次用户网络，所述主传感器网络包括基站和M个主传感器，所述次用户网络由用于设备到设备通信的N对次传感器构成；所述次传感器基于如权利要求1至6中任意一项所述的方法所确定的资源分配方案进行资源配置。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
