从DeepSeek探讨大语言模型在建筑及能源行业的应用趋势和技术方法_81页_6mb

从DeepSeek探讨大语言模型在建筑及能源行业的应用趋势和技术方法

核心内容

本报告围绕大语言模型（LLM）在建筑及能源领域的应用趋势和技术方法展开，重点分析了DeepSeek等模型如何推动AI发展，突破传统AI在能源领域的瓶颈，并探索LLM在科研、运维管理、数据挖掘、故障诊断等场景下的潜力与应用。

主要观点

1. 当下AI发展程度

• AI技术快速进步：2024年AI在多个领域取得重大突破，尤其在数学、代码编写、科学问题解答等方面，表现出接近甚至超越人类专家的能力。
• DeepSeek的突破：DeepSeek推动了中国AI热潮，标志着AI技术进入了一个新的发展阶段，不再局限于专家系统，而是向自我迭代和智能化发展。

2. 能源领域传统AI发展困境

• 依赖人工经验：传统AI系统高度依赖人工规则设计和知识库维护，导致其可扩展性和灵活性受限。
• 人力成本高：跨学科人才稀缺，且开发和维护成本高，难以适应复杂多变的需求。

3. DeepSeek等带来的新范式

• 降低对人工的依赖：通过大模型的自我学习和适应能力，AI可以自动完成数据预处理、特征选择、模型训练和解释等任务。
• 提升智能化水平：大模型可以实现更高效、更灵活的系统运行，例如自动化报告编制、能耗与碳排管控、辅助决策与趋势预测等。

4. 大语言模型应用的科研案例

• 负荷预测：通过与GPT的交互，实现建筑能源系统负荷预测的自动化编程。
• 运行数据分析：基于模板生成提示，实现对系统运行数据的自动化分析，包括数据预处理、特征选择、知识挖掘与解释。
• 故障检测与诊断：利用标注数据进行模型微调，结合SMOTE算法进行数据增强，提升诊断准确率。最终模型的平均诊断准确率较原模型提升了73.3%。

5. 临近奇点：AGI将带来颠覆

• AI与人类智力的转换关系：AI的算力和运算时长与人类的智力和工作时长建立了转换关系。
• AlphaGo Zero的启示：通过强化学习和自我对弈，AI展现出自我学习和优化决策的能力，为AGI的发展提供了范例。

6. 结论和展望

• 未来AI趋势：AI计算速度将更快，成本更低，算法能力更强，智能程度更高。
• 工业4.0与AI融合：AI将成为人、机、物互联互通的重要推动力，实现更高效的智能决策和自动化流程。
• AI民主化：大语言模型的普及降低了技术门槛，使AI技术更易于获取和使用。

关键信息

1. AI在能源领域的应用

• 自动化报告编制：实现巡检报告、能耗评估及故障追踪报告的自动撰写和智能校验。
• 智慧能耗与碳排管控：依托大模型和数字孪生，实现能耗预测、碳排溯源与节能优化的闭环。
• 辅助决策与趋势预测：通过大模型驱动的数据预测，提前预警潜在风险，为决策层提供科学策略参考。

2. 大语言模型的特性

• 工程化产物：大模型是基于现有技术的“大工业流水线式”工程化成果。
• 柔性制造：大模型在实现智能化的过程中，需要更灵活的开发与部署方式。

3. 大语言模型的应用场景

• 研发设计：参数化设计问答、方案辅助论证等。
• 生产制造：操作流程指导、生产状态问询等。
• 试验测试：测试方案分析、测试结果评估等。
• 运营管理：设备诊断问答、管理报表分析等。
• 运维服务：设备/产品维保问答、智能售后服务等。

4. 世界模型与数字孪生

• 世界模型的潜力：通过多模态输入训练，AI可以更真实地模拟现实世界，解决幻觉和逻辑缺陷问题。
• 数字孪生的辅助作用：提供低成本虚拟演练，提升模型的适应性和准确性。

5. 浙大EnergyX团队研究成果

• SCI论文发表：2024-2025期间共发表5篇大语言模型相关研究SCI论文，涵盖大数据分析、故障检测诊断、负荷预测等多个应用场景。
• 研究内容：
  • Generative pre-trained transformers (GPT)-based automated data mining for building energy management
  • Evaluation of large language models (LLMs) on the mastery of knowledge and skills in the HVAC industry
  • Automated data mining framework for building energy conservation aided by GPT
  • Domain-specific large language models for fault diagnosis of HVAC systems
  • Automated data-driven building energy load prediction method based on GPT

技术方法

1. 自动化数据挖掘分析

• 模板提示生成：基于模板格式自动填充内容，批量化生成用于大语言模型的提示词。
• 特征选择：通过Pearson相关系数选择最相关的特征变量。
• 知识挖掘：利用最大频繁项集挖掘方法提取系统运行模式，辅助故障检测与诊断。

2. 故障检测与诊断

• 数据匹配：将故障运行数据与正常运行数据进行对比，构建数据形式提示。
• 模型微调：基于标注数据，利用SMOTE算法合成新样本，提升模型的诊断准确率。
• 自适应调整：根据诊断准确率调整每类样本的提示量，实现模型的优化。

3. 世界模型/数字孪生

• 模拟现实世界：通过多模态输入训练，构建更真实的AI系统。
• 反馈机制：通过世界模型的反馈，AI可以学到因果关系，实现迭代进化。

应用前景

• AI民主化：降低技术门槛，使更多能源专业人士能够使用AI技术。
• 跨领域应用：大模型能够灵活应用于多个领域，如金融、医疗等。
• 智能决策流程：通过多角色协作与循环优化，实现从创意到实现的高效转化。

总结

大语言模型正在推动AI在建筑及能源领域的应用，从传统依赖人工的专家系统向自我学习与适应的智能体系转变。通过自动化数据挖掘、故障检测与诊断、智慧能耗管理等方法，大模型显著提升了系统的智能化水平和运行效率。同时，AI的算力、算法和数据的结合，使得未来AI在能源系统中的应用更加广泛和深入。