面向可持续校园设施管理的AI驱动数字孪生：基于功能类型泛化与LLM空间交互的冷水需求预测框架

《Architecture》：AI-Powered Digital Twin for Sustainable Campus Facility Management

　　

高校校园建筑通过冷水（CHW）系统消耗大量能源，然而设施与能源管理人员缺乏无需编程专业知识即可将传感器数据转化为可操作的、具有空间落地性的决策工具。本研究提出BearcatAI，这是一个在辛辛那提大学（UC）开发的端到端分析平台，它统一了机器学习需求预测、大语言模型（LLM）对话式界面以及基于地理信息系统（GIS）数据构建的交互式三维校园可视化。所有模型均在UC建筑组合采集的271天日尺度计量数据（2025年6月至2026年2月）上训练与评估；十年月度CHW记录（2015年7月至2025年7月）仅提供长期背景。XGBoost与随机森林（Random Forest）模型的集成在由UC公用工程团队确定的优先建筑DAAP（设计、建筑、艺术与规划学院）上取得样本内²=0.988、平均绝对百分比误差（MAPE）=20.4%（因冬季接近零的读数而被抬高）以及归一化平均偏差误差=?0.3%。在建筑特定模型之外，研究人员引入按功能类别（学术、科研、行政、住宿、文体、医疗）汇集的用能类型模型，且不含任何建筑特定身份特征。留一建筑交叉验证（LOBO）表明，科研类型模型可泛化至未见过的科研建筑（中位数），学术模型在训练期间未见过DAAP的情况下对其取得相应性能，而医疗与医院类型无法泛化，证明在研究数据集范围内功能类型模型作为校园尺度基准工具的可行性。由BearcatGPT（UC托管的GPT-4.1实例）驱动的自然语言界面允许公用工程管理人员通过对话查询异常、请求预测并生成建筑图表。异常建筑在覆盖UC主校区、医学校区与Digital Futures的三维校园模型中被自动高亮。研究结果限于单一校园与观测时段；用户评估与处于开发中的机器人巡检模块仍属未来工作。

**研究背景与问题**：建筑性能驱动设计研究在建筑、工程、施工与运营（AECO）行业由来已久，建筑信息模型（BIM）将性能导向方法延伸至设施管理，数字孪生技术进一步通过连接物理资产与数据流拓展该框架。冷水（CHW）系统是高校校园最大的可变能耗支出之一，其异常检测、需求预测与同类建筑基准比较在理论上可由分项计量楼宇自控数据支撑，但多数公用工程与设施团队在操作层面无法获取。研究缺口不在数据可得性，而在于缺乏无需编程即可将数据转化为具空间语境、可解释决策的工具。既有校园数字孪生研究多展示数据集成、可视化或资产级异常检测，较少量化预期用能模式向未参与建模建筑的可迁移性；校园能耗基准多将实测能耗强度与同类分布比较，而非预测受天气与日历条件约束的日尺度期望并在留出建筑上检验；面向建筑信息与能源管理的LLM界面已有演示，但很少与预测分析和校园尺度空间模型整合于同一工作流。据此提出两个研究问题：RQ1，功能建筑类型模型能否将CHW需求预测泛化至同校园同类未见建筑，从而在无建筑特定训练数据条件下实现校内基准比较；RQ2，自然语言与空间界面如何整合进校园尺度数字孪生框架以支撑建筑性能分析与设施管理。

**研究内容与结论**：研究人员在UC开展BearcatAI第一阶段研究，检验该方法的可行性。结论表明：在UC数据集内，CHW消费模式可在特定建筑类别间迁移——科研（中位数）与学术建筑（0.726；DAAP为相应值）、行政（0.860）与住宿（0.778）建筑泛化较强，医疗与医院基础设施类型（?1.720与?61.6）表现出显著建筑特定行为而无法泛化，提示不同建筑类别需不同建模策略，并为校园尺度基准、异常检测与性能评估提供实用框架。建筑层面，建筑特定模型对DAAP的样本内²为0.988、NMBE为?0.3%、月度CV(RMSE)为1.8%。RQ2方面，研究通过LLM工具调用、三维视图建筑语境注入与高亮异常建筑的结构化UI动作，演示了自然语言交互与空间可视化在校园尺度数字孪生环境中的整合。研究意义在于将性能驱动建筑设计传统延伸至建筑生命周期运营阶段，把运营数据与空间语境及决策过程相连接。

**关键技术方法**：数据来自UC公用工程管理提供的日尺度数据集UC_CHWusage_2025-2026（2025年6月1日至2026年2月28日，271天，含逐建筑日读数与天气观测），十年月度CHW记录仅用于探索性分析；预处理将宽表转长表并构建天气特征（最高/最低/平均温度、65°F基准CDD与HDD、室外空气焓）、日历特征（星期、周末指示、月份、周序、周期正弦/余弦编码）、逐建筑滞后特征（lag1、roll7）及按总建筑面积（GSF）归一化的强度目标（ton-hr/kSF）。模型包括Ridge回归、随机森林（400棵树）与XGBoost（800轮），建筑身份与类型作独热编码，按逐建筑留出测试集RMSE选取前二模型平均集成后在全期重训；异常检测采用逐建筑残差z分数，定义单日告警与连续日运行告警。评估指标含²、MAPE、偏差、绝对误差及遵循ASHRAE Guideline 14的CV(RMSE)与NMBE。用能类型模型按功能类别汇集建筑、不含身份编码但保留GSF连续特征，采用留一建筑交叉验证（LOBO）度量向未见建筑的迁移。系统架构含数据管道、ML预测与异常评分层、FastAPI后端与LLM工具调用（六个ML工具及dispatch_robot）、PlayCanvas三维前端。

**研究结果**：（1）用能类型模型与校内基准——LOBO结果显示科研类型中位数为0.911、学术为0.726、行政为0.860、住宿为0.778、文体为0.491，医疗与医院基础设施分别为?1.720与?61.6；DAAP由其余19栋学术建筑训练的ACA模型复现季节轮廓但全期高估15.0%（NMBE为相应值，LOBO MAPE为相应值），12月与1月相对差距最大，表明DAAP单位面积CHW消费低于同等规模UC学术建筑平均水平，构成直接基准结果；在42栋模型指标均有效的建筑中，用能类型模型在20例（47.6%）优于建筑特定模型、12例（28.6%）在2个百分点内持平、10例（23.8%）劣于后者，RES类型优势最稳定（8栋科研建筑中5栋更优、3栋持平，MAPE改善2.5至19.8个百分点）。（2）建筑类型差异解释——研究人员基于文献提出与数据一致的解释性假设：科研建筑以100%新风通风、冷却负荷受天气主导故泛化最佳；行政与学术负荷随占用变化且共享学期日历；住宿与文体受搬入搬出及活动影响而迁移较弱；医院全天候运行且能耗强度约为其他商业建筑2.6倍，由设备与临床运行主导，且每折训练建筑过少。（3）建筑层面样本内评估——56栋建筑纳入评估，DAAP集成模型全期²为0.988、MAPE为20.4%、偏差为相应值（净高估，NMBE为?0.3%）；月度CV(RMSE)为1.8%、NMBE为?0.3%，处于Guideline 14月度标准（15%与±5%）之内；6至10月预测与实测月总量偏差在1.1%以内，11月在2.6%以内；冬季百分比误差较大源于接近零分母效应，12月至2月合计仅占该期CHW用量的6.4%。（4）近零读数与指标选择——MAPE在实测值趋零时任意增大，属指标假象而非模型失效，故以²为首要指标并辅以按全序列均值归一化的CV(RMSE)与NMBE；56栋建筑按²与MAPE分为四个性能层级，第3层²强但MAPE受近零读数抬高，第4层为真实模型失效、多归因于训练分布未充分代表的异常运行模式。（5）与既往研究比较——DAAP月度样本内误差处于Guideline 14月度标准之内，但属对观测期的拟合，不可与多数预测研究的样本外误差直接比较，本文样本外证据来自LOBO；相较Francisco等以38栋建筑15分钟电力数据做时段分段回归归一化日EUI基准、ENERGY STAR以年度EUI对比全国同类，BearcatAI针对CHW、预测受天气与学术日历约束的日尺度类型期望并在排除建筑上检验；与迁移学习研究一致，负荷由共享因素驱动（科研靠天气、学术靠日历）的类型迁移成功，临床类型失败；与West Cambridge及智慧校园数字孪生类似链接建筑与运营数据，但双向链接尚未自动化，且不同于He与Jazizadeh，尚未在系统化查询集上评估响应准确率。（6）部署现状——系统运行于UC校园网，BearcatGPT免费提供消除商业API计费障碍，工作流已端到端演示（校园三维模型、建筑清单查询、异常建筑列出并高亮、选定建筑自然语言摘要、图表请求、含异常指标的实测对预测图），但尚未开展用户可用性评估；计划部署于JetStream2学术云以便任意网络访问并供其他机构测试。

**讨论与结论**：讨论部分指出当前实现的物理至数字更新为按请求的手动批量导出、数字至物理交换无自动化，按Kritzinger等分类处于数字模型与数字影子之间，位于Deng等阶梯的较早层级，但因其三维模型中每栋建筑为与计量记录、预测模型及异常状态按标识符绑定的持久数字对应体、表征由物理系统测量更新、架构面向计划中的双向链接，故仍称为数字孪生框架；与三维GIS可视化分析平台的区别在于几何与预期行为模型的耦合——后者展示存储属性，前者在 prevailing 天气与日历条件下按应然行为评估每栋建筑并向自然语言查询开放结果。局限性包括：模型仅在单一温带气候校园开发评估，第一阶段刻意使用初始数据集，更长记录留待下一阶段；建筑层面结果为同一9个月训练期样本内，LOBO按建筑为样本外但覆盖同一时期，真正样本外评估待2026年3月以后数据；训练用月度气候学焓估计、评估用插补值替代Open-Meteo无法提供的实测值，在潮湿夏季引入近似误差；八栋建筑缺GSF记录，数据集无占用人数、运行时间表、HVAC或CHW系统类型、安装年份与机组配置，故类型差异解释为阐释而非检验效应；部分建筑读数以零为主，提示计量故障，系统仅标记不校正，17.3%的可能建筑日缺失或被剔除；所有模型使用前一日实测用量，仅预测一日 ahead 且依赖近期计量数据，部分精度反映CHW用量的日间持续性；LLM与三维界面仅作技术实现评估，未开展设施管理人员可用性研究或响应准确性系统测试；机器人sim-to-real的物理验证仍在进行。结论部分译述如下：本研究将性能驱动建筑设计传统延伸至建筑生命周期运营阶段，通过整合数字孪生技术、建筑性能分析与空间决策支持工具，BearcatAI展示了校园尺度建成环境如何通过统一信息框架被监测、基准比较与解释；超越预测建模，其主要贡献在于连接运营数据与空间语境及决策过程，使设施管理人员与校园利益相关者能将建筑性能信息转化为支持可持续目标与长期建筑资产管理的可操作洞见。就RQ1而言，结果表明在UC数据集内CHW消费模式可在特定建筑类别间迁移：LOBO评估显示科研（中位数）与学术建筑（0.726；DAAP为相应值）、行政（0.860）与住宿（0.778）泛化较强，提示功能建筑类型共享天气与占用驱动的共性运行特征；医疗与医院相关设施（?1.720与?61.6）表现出显著建筑特定行为而泛化不佳。这些发现提示不同建筑类别可能需要不同建模策略，并为校园尺度基准、异常检测与性能评估提供实用框架。建筑层面，建筑特定模型以样本内²为0.988、NMBE为?0.3%、月度CV(RMSE)为1.8%复现DAAP的CHW用量。就RQ2而言，研究通过LLM工具调用、三维视图建筑语境注入与高亮被标记建筑的结构化UI动作，演示了自然语言交互与空间可视化如何整合进校园尺度数字孪生环境以支撑建筑性能分析与设施管理工作流；预测分析、自然语言交互与校园尺度可视化的结合为改善建筑性能信息获取与支持运营决策提供了有前景的途径。然而本研究限于单一机构采集的数据，建筑层面评估仍受现有数据集约束，需用未来运营数据与其他校园数据集进一步验证以评估更广泛适用性，同样需要与设施管理人员的正式可用性研究来评估所提界面与工作流的有效性。本研究经实证展示的结果为四类建筑用能类型模型的校内泛化、建筑特定模型的样本内拟合，以及预测分析、LLM界面与三维校园模型的技术整合；前瞻性预测精度、UC以外迁移、对设施管理人员的效益、自动化双向数据交换、云部署与机器人巡检均未获演示，仍属未来工作。更广泛而言，本工作凸显建筑表征、建筑性能分析与运营数据系统的日益融合；随着数字孪生日益整合进复杂建成环境管理，设计阶段评估与入住后运营的界限持续消解，通过将空间模型、性能数据与以人为本的决策支持链接于单一框架，本研究贡献于建筑作为持续监测与自适应系统的新兴愿景，使运营知识既能指导当前设施管理实践也能影响未来设计决策。