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

微信扫码，打开到小程序

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 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield Geoffrey E.Hinton "for foundational discoveries and inventions with artificial neural networks" THEROYALSWEDISHACADEMYOF SCIENCES Al 领域里程碑：研究者首获诺贝尔奖，开启智能科学新纪元 4/30 "for computational "for protein structure prediction" protein design" THE ROYALSWEDISHACADEMY OF SCIENCES THE NOBEL PRIZE IN CHEMISTRY2024 THE NOBEL PRIZE IN PHYSICS 2024 that enable machine learning Demis Hassabis John M. Jumper muwirotons nika s emenod David Baker hustralans; niklas emehed DeepSeek 横空出世，各项指标逼近或超越 ChatGPT o1 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 辅 助 决 策 与 趋 势 预 测 大模型驱动的数据预测能够提 前预 警 潜在风险，为决策层提 供精准、科学 的策略参考，助力管理优化 人 机 智 能 协 同 互 动 通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 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，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停 留在“展示大屏”阶段 口学术发表算法成果很多，实际应用 极少，落地“最后一公里”很难 智个 能 化 程 度 → 时 间 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 口有限的人力、物力和财力去应对复杂而多变的需求，最终的平衡点大多位于信息化阶段 可再生能源热力系统 燃煤电厂 区域供冷站 公共建筑空调 城市 / 区域集中供冷 / 热 建筑供热 工厂能动系统 太阳能供热 污水废水余热 余热驱动制冷 热电联产 16/80 范式困境主要原因二：多学科交叉、技术门槛高、木桶理论效应凸显 17/80 口多学科交叉人才极其稀缺，而且非常昂贵 口 普通人才天花板效应明显，最不靠谱的人 / 环节是整个项目的天花板 2025 年 2 月，麻省理工学院何凯明指出： Al 正在悄然重塑全球科研生态：“过去，不同学科间的交流 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 迭代 需求分析 运维算法设计 Al 模型开发 测试 升级 口碎片化 口长链条 口长周期 口难维护 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 20/80 口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理 链 条 人工 构 建 知识库 奔爱 报 告 提 纲 当下 Al 到了哪种程度 … … · 能源领域传统 Al 发展困境 … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 … … · 临近奇点： AGI 将带来颠覆 结论和展望 引爆这一轮人工智能的新范式：算法 + 数据 + 算力 22/30 ■ 新范式摆脱了对人类专家的大部分依赖，走向了自我迭代升级 2017 年 10 月， AlphaGo Zero 在 3 天内自我对 弈 490 万盘，以 100:0 击败 AlphaGo > 人工智能拥有了从无到有的学习能力，从基于规则的 专 家系统转向了自我学习与适应的智能体系。 1997 年深蓝战胜人类国际象棋冠军 这一阶段的人工智能主要依赖于预先设定的规则和 逻辑推理，强调专用算法设计实现特定任务。 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 24/30 口重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系 ! Al 智 力 工业 4.0 人、机、物 互联互通 服务的互联网 门车 的 皙箱中网 智 芎 T 厂 ◎ 物品的互联网 今天 Eh 文 人的智力 工业 3.0 应用电子信息技术， 进一步提高自动化 水平 电力 工业 2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 热力 工业 1.0 创造了机器工 厂的“蒸汽时 代 ” 1970 年代 初 20 世纪 初 18 世纪 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 25/30 口 未 来 Al 计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 2024 年 11 月 27 日，王坚《无尽的计算： Al 和研究范式变革》的演讲： “ 我们目前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力， 我们可以利用 Al 扩展人类的创造力，进一步探索世界。 " 新时代的核心动力： · 算力： 提 供 强大的计算能力，推动算法复杂性提升 · 算 法 ：更加精准、高效的智能算法，支持决策优化 · 数据： 数据规模和质量驱动模型训练与性能优化 传统模式的局限性： · 靠经验驱动，无法快速适应复杂变化 · 难以扩展，效率低，智能化程度受限 1. 人工智能民主化： Al 技术触手可及 · 简化使用：通过用户友好的界面和预训练模型，大语言模型使得 Al 技术更加易于获取和使用，即 使是没有深厚编程背景的能源专业人士也能轻松应用。 2. 解耦合开发与应用场景 · 灵活性增强： 大模型的架构允许开发者不必深入了解每个具体业务场景的复杂性，即可快速构建 适用的应用程序。 3. 碎片化应用的成本效益革命 . 减少定制成本： 大语言模型减少了为每个单独任务或小规模项目定制解决方案的需求，从而降低 了总体实施成本。 DeepSeek 支撑范式突破：实现能源人工智能个 性 化方案的 "3 D 打印 "! 26/30 大模型的特性： · 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：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键： · 工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 · 高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 面临的挑战： · 开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 · 规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题 解决路径： 口推动模型的柔性制造，实现更高效、更低成本的开发流程 口借助自动化、模块化和流水线技术，降低生产成本，提升部署速度 DeepSeek 支撑范式突破：降低开发难度，推动能源领域智力普惠 27/30 报 告 提 纲 当下 Al 到了哪种程度 … · 能源领域传统 Al 发展困境 … DeepSeek 等带来的新范式 大语言模型应用的科研案例 … · 临近奇点： AGI 将带来颠覆 结论和展望 研究一：基于大语言模型辅助的能源负荷预测方法 ( 能源领域第一篇 ) 30/80 口能源负荷预测：通过人工与 GPT 的交互，可以实现建筑能源系统负荷预测的任务的自动编程， 涉及数据预处理、特征工程、模型训练、模型评估、结果可视化和模型解释等环节 Prompt Cannot work or need modification Code Accuracy: Prediction Accuracy: Prediction results Python Consistency: Codes MAE,MSE,RMSE,MAPE, R2,CV-RMSE Evaluation Metrics: Humans GPT Energy waste patterns usually only correspond to specific device(s)or sub-system(s).It is not necessary to analyze the relationships among all available variables. Hence,GPT is utilized to select suitable features for various data mining tasks associated with different device(s)or subsystem(s). Input information Components of the target building energy system(x₁) Type of the target building energy system(x₂) Relations among components (x₃) Available variablcs in thc targct building energy system(x₄) Energy waste patterns that users are interested in(x₅) ·Series-devices-level tasks: Feature 1,Feature 2,.. ·Parallel-devices-level tasks: Feature 3,Feature 4, …. ·Device-level tasks: Feature 5,Feature 6, … Feature selection Proupting function="Thcrc arc [x₁] in a [x₂].[x₃].The following variables are available in this [x₂]:[x₄].Please select apprupriate variables for the purpose of identifying the [xs]of the [x₆].Plcasc don't sclcct variablcs which are not included in the available variables.Please don't select variables which are not associated with the [x₆]." Prompting function · Series-devices-level tasks ·Parallel-devices-level tasks ·Device-level tasks Device(s)or sub-system(s)associated with the target data mining tasks (x₆) 研究二：基于大语言模型辅助的运行数据的自动化分析方法 35/80 Feature selection for data mining tasks Generation of data mining tasks GPT · · A template-based prompt generation method is proposed to automatically generate feature selection prompts for GPT. A prompt of feature selection for the data mining task: There are 2 chillers (chiller 1 and chiller 2),and 2 chilled water pumps (chilled water pump 1 and chilled water pump 2)in a chilled water plant systcm.Chillers arc connccted in parallcl.Chilled watcr pumps arc connccted in parallel.Chillers and chilled water pumps are connected in series.The chilled water loop contains chillers and chilled water pumps.The following variables are available in this chilled water plant system:load rate of chiller 1, cooling water outlet temperature of chiller 1,chilled water outlet temperature of chiller 1,load rate of chiller 2, cooling water outlet temperature of chiller 2,chilled water outlet temperature of chiller 2,frequency of chilled water pump 1,frequency of chilled water pump 2.Please select appropriate variables for the purpose of identifying the improper control,device faults,and sensor faults of the chiller 1.Please don't select variables which are not included in the available variables.Please don't select variables which are not associated with the chiller 1. I function select appropriate variables for the purpose of isentifing the [x₅]of the [x₆].Please don't select variables which are not included in the available variables.Please don't select variables which are not associated with the [x₆]." 研究二：基于大语言模型辅助的运行数据的自动化分析方法 36/80 Prompting function There are [xl]in a[x2].[x3].One ope ration pattern is extracted from t