《ENERGY AND BUILDINGS》:Large Language Model-Driven Context-Aware Eco-Feedback Generation and Evaluation
编辑推荐:
•正式定义了情境感知型生态反馈机制。•提出了一个情境工程框架,用于生成情境感知型生态反馈。•进行了实证验证与组合分析。•通过该框架生成了准确、灵活且可行的生态反馈。•本研究推动了情境感知型人机交互的发展。引言住宅具有多重功能[1],既为居民提供日常生活所需的空间,营造出有助于舒适
- •
正式定义了情境感知型生态反馈机制。
- •
提出了一个情境工程框架,用于生成情境感知型生态反馈。
- •
进行了实证验证与组合分析。
- •
通过该框架生成了准确、灵活且可行的生态反馈。
- •
本研究推动了情境感知型人机交互的发展。
引言
住宅具有多重功能[1],既为居民提供日常生活所需的空间,营造出有助于舒适、健康和福祉的环境[2],必要时还能充当工作场所[3]。这些功能往往需要消耗能源,因此住宅成为最终能源消耗的主要来源之一[4],其能源使用模式也极为复杂多样[5]。近年来,随着太阳能板等分布式能源资源的普及以及电动汽车充电器等高能耗设备的日益广泛应用,这种复杂性进一步加剧。为应对住宅端能源需求的变化,电力公司越来越多地采用需求侧管理策略,比如分时电价制度[6]、[7]、[8],或是智能恒温器激励计划[9]、[10]、[11]。这一转变表明,家庭不仅是能源的消费者,更是能源生态系统中的积极参与者,他们在需求响应、电网灵活性提升以及能源效率改善方面发挥着重要作用。
然而,目前家庭所能获取的信息仍然非常有限[12]。例如,2024年北美地区超过82%的住宅都安装了智能电表[13],这些电表能够显示每日和每周的能源使用情况[14],进而可作为生态反馈(即向用户提供其能源使用相关信息的反馈)[15]。不过,这类数据通常缺乏针对不同家庭独特能源使用模式的个性化建议。目前另一种常见的生态反馈方式是每月发放的能源账单,但这些账单同样无法详细说明能源是在何时、何地以及如何被消耗的[16]。基于“家庭并未充分意识到自身行为对环境造成的影响”这一假设,生态反馈应当作为一种学习或实验工具,帮助家庭更好地理解自身的能源使用习惯,从而促使他们采取更可持续的行为方式[12]。但实际上,由于此类生态反馈缺乏个性化设计,也没有充分考虑家庭的偏好、便利性以及不可改变的日常习惯,导致家庭很难从中获得有效信息——而这些因素恰恰是决定生态反馈效果的关键[17]、[18]、[19]。
为家庭提供可行且有效的生态反馈一直是一项极具挑战性的任务,因为这需要具备一定的灵活性,同时也要考虑到不同家庭在采用相关措施时的偏好、约束条件及实际情况存在差异。以往的研究主要依靠界面中以图表、图形以及预先编写好的文本形式呈现的能源使用数据,来向用户提供个性化的生态反馈(例如[20]、[21])。不过,这类方法的深度和灵活性仍然存在局限。
本研究旨在探索生成更高级别生态反馈的潜力,即如图1所示,借助融入大型语言模型技术的框架,综合考虑家庭的能源使用模式及其所处的具体情境,从而生成情境感知型生态反馈。大型语言模型作为最先进的人工智能技术,因其能够在理解和生成自然语言方面展现出接近人类水平的能力而备受瞩目[22]。因此,我们推测,大型语言模型在生成生态反馈时,能够准确反映不同家庭的特点,而无需仅仅依赖家庭的能源使用数据。为验证这一假设,本研究利用实际的家用电器级能源使用数据、电力公司收费结构数据,以及经过综合处理但依然符合现实情况的特征,开展了两项互补的分析:一项是实证验证分析,另一项是基于多种场景的组合分析。这两项分析共同证明了该方法的准确性,以及其在不同家庭群体中的适用性。我们以情境工程框架作为方法论基础,该框架通过系统优化传递给大型语言模型的信息内容来实现相关功能[23]。如图2所示,这种全新的生态反馈生成机制有望促进数据整合与信息情境化处理,进一步提升住宅环境中生态反馈系统的灵活性。
章节概要
背景
本节介绍了以下方面的背景信息:(1)生态反馈的发展历程及其局限性;(2)大型语言模型在建筑能源管理任务与系统中的应用;(3)大型语言模型中情境工程的原理。这些内容共同构成了本研究的概念基础和技术基础,同时也指出了促使我们提出相应解决方案的不足之处。
研究方法
本节首先介绍了用于生成情境感知型生态反馈的概念框架(第3.1节),随后详细说明了用于验证该框架性能的两项分析(第3.2节),并展示了该框架在不同家庭情境下的应用方式(第3.3节)。我们的分析工作主要使用Python及其相关库来完成。
实证验证分析
表5汇总了来自三个家庭的性能指标测试结果。总体而言,所提出的框架生成的干预措施与参考方案高度一致,且能够频繁、准确地利用所提供的能源分析数据。参考方案匹配率在89.8%到95.9%之间,整体平均匹配率为92.0%,这一数据体现了该框架能够找到与参考方案一致的有效节能策略。各类家电的匹配率则在94.3%到100%之间。
讨论与局限性
本研究的结果表明,所提出的框架有望为提供更加灵活、有效且可行的家庭能源指导方案奠定基础。该框架的核心组成部分就是大型语言模型,它的优势在于能够准确理解那些包含不同类型家庭能源分析结果以及情境信息的结构化提示的语义含义。与仅依赖统计规律的不同,大型语言模型能够通过更高层次的推理能力来处理相关数据。
结论
本研究通过基于情境工程的框架,探索了生成情境感知型生态反馈的可行性,并通过系统的实证验证与组合分析,证明了该框架在准确性、数据利用效率以及适应性方面的优势。所有评估指标都显示出了非常出色的表现:由大型语言模型生成的生态反馈能够精准识别出高能耗家电,同时提出符合情境需求的合理节能建议。
关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文的过程中,作者们使用了ChatGPT 5、5.1和5.2版本,以及Claude Sonnet 4、4.5版本,用于校对句子内容以及编写用于分析和可视化处理的Python代码。在使用这些工具和服务之后,作者们会对内容进行必要的审核和修改,并对文章的内容承担全部责任。
CRediT作者贡献说明
Wooyoung Jung:撰写——审稿与编辑,撰写——初稿,可视化处理,验证工作,监督指导,软件使用,资源协调,项目管理,方法设计,研究实施,资金筹措,正式分析,数据整理,概念构建。Prosper Babon-Ayeng:方法设计,研究实施,正式分析,数据整理。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关联关系。
Wooyoung Jung|Prosper Babon-Ayeng