《BUILDING AND ENVIRONMENT》：AI Agent-Enhanced Energy-Use Behavior Detection in Residential Buildings
编辑推荐：
摘要检测住宅建筑中的能源使用行为，例如与窗户和暖通空调系统操作相关的行为，可为行为感知型能源分析提供有关建筑运行状态的基本信息。近期研究表明，从室内环境与空气质量（IEQ-IAQ）信号中检测此类行为具有可行性。然而，现有方法主要针对单一类型的行为，或完全依赖数据驱动的学习方法
摘要
检测住宅建筑中的能源使用行为，例如与窗户和暖通空调系统操作相关的行为，可为行为感知型能源分析提供有关建筑运行状态的基本信息。近期研究表明，从室内环境与空气质量（IEQ-IAQ）信号中检测此类行为具有可行性。然而，现有方法主要针对单一类型的行为，或完全依赖数据驱动的学习方法，限制了其解决耦合的窗户-暖通空调动态的能力，而后者需要处理由通风与暖通空调效应同时发生导致的重叠IEQ-IAQ响应、延迟和弥散的信号传播、类别不平衡以及基于物理的可解释性不足等问题。本研究提出了一种AI智能体增强学习框架，利用IEQ-IAQ信号联合检测窗户-暖通空调运行状态——作为潜在能源使用行为的表征。该框架包含：(1) 一种具有滞后感知特征的局部状态似然估计器，用于捕捉延迟和弥散的响应；(2) 一种状态序列优化器，用于在类别不平衡条件下强制时间上且物理上可行的状态转换；以及 (3) 一种基于物理约束的AI智能体，结合检索增强的证据，进一步表征耦合的窗户-暖通空调动态，以优化状态序列并提供基于物理的解释。该框架在六个模拟住宅测试平台和一处真实住宅部署中进行了评估。在模拟案例中，其平均精确率和召回率分别为83.2%和86.2%，在真实部署中两项指标均达到89.9%，优于使用基于实例、基于序列和物理信息学习方法对比基线。该框架在跨季节和运行时间表下保持了可靠的泛化能力。实验结果表明，整合滞后感知特征、序列优化以及基于物理和证据驱动的AI推理，能够实现窗户-暖通空调运行状态的可靠且可解释的联合检测。
引言
建筑占全球能源消耗的重要份额。在建模建筑能源需求时，一个主要的来源不确定性来自于使用者的能源使用行为，而非仅仅取决于围护结构特性或系统规格 [[1], [2]]。在这些行为中，与窗户开闭和暖通空调系统开关操作相关的行为尤为具有影响力，因为它们直接调节空气交换速率和系统运行时间，从而影响传热、通风和整体能源使用 [[3], [4], [5]]。与主要影响内部得热（例如电器负荷和照明）的行为不同，这些能源使用行为会改变耦合的质热平衡过程的边界条件 [[6], [7]]，从而构成了建筑能源建模与预测中不确定性的主要来源和性能的主要驱动因素。因此，可靠地检测窗户和暖通空调的运行状态对于减少建筑能源分析中的行为不确定性具有重要意义。检测到的状态还可作为未来监督控制系统的输入，以在能源效率与使用者热舒适之间取得平衡 [[8], [9]]，尽管本研究侧重于检测而非控制实施。
室内环境与空气质量（IEQ-IAQ）测量为检测能源使用行为——特别是控制窗户和暖通空调操作的行为——提供了基于物理的、信息丰富的基础。这些测量直接反映了通风和热调节背后的耦合质热平衡过程：(1) 窗户开启会改变空气交换速率，从而影响由质量守恒控制的污染物传输和稀释动力学 [6,10]；以及 (2) 暖通空调系统循环会引入与能量平衡和水分传输过程相关的特征温度和湿度瞬态变化 [11,12]。因此，能源使用行为会在IEQ-IAQ信号中表现为可测量的、与过程一致的响应。经验证据支持这一物理基础。室内CO2浓度、温度、湿度和室外条件已被证明可以作为窗户状态转换的指示 [13,14]。同样，温度-湿度轨迹已被证明在不同建筑环境中可以作为暖通空调操作的可靠指标 [15,16]。
然而，尽管该领域的研究日益丰富，现有技术方法在从IEQ-IAQ测量中检测窗户和暖通空调运行状态方面仍存在局限，主要面临三大根本性挑战。首先，窗户操作和暖通空调循环的效果无法从IEQ-IAQ响应中唯一辨识 [13,17]。这两种过程均通过耦合的空气交换、传热和水分过程影响温度、湿度和污染物浓度。由于这些效应可能重叠，相似的IEQ-IAQ模式可能源于不同的操作行为，这导致将观测响应归因于其对应状态及其背后的潜在行为时产生歧义。其次，相对于较长的稳态条件，窗户和暖通空调状态的行为调整是偶发性的，导致状态表征中出现严重的类别不平衡。此外，当此类调整发生时，由于传输和混合过程，IEQ-IAQ响应会逐渐演化，在行为变化后产生延迟和弥散的信号特征。这种不平衡和弥散现象会阻碍学习模型（包括LSTM和GRU）有效地将行为变化与相应的IEQ-IAQ响应关联起来，从而使检测偏向于主导的稳态并降低对罕见调整的敏感性。第三，现有方法缺乏可解释的、基于物理的推理来支持运行决策 [9,18]。虽然已开发了许多数据驱动的检测模型，但它们通常作为黑箱运行，未明确将IEQ-IAQ动力学与潜在的通风或调节机制联系起来，限制了其在运行决策中的实用性。新兴的AI方法为推理提供了新的机会，但需要基于领域知识以确保物理一致性。
为应对这些挑战，本文提出了一种AI智能体增强学习框架，用于从IEQ-IAQ测量中检测联合窗户-暖通空调运行状态。如第3节"出发点：知识差距与贡献"和第4节"用于能源使用行为检测的AI智能体增强学习框架"中详述，该框架整合了 (1) 基于滞后感知的LightGBM局部估计，用于捕捉延迟和弥散的IEQ-IAQ响应，(2) 基于Viterbi算法的序列优化，用于解决类别不平衡问题并强制检测到的状态序列的时间一致性，以及 (3) 基于检索增强的、基于物理的推理的AI智能体优化，以进一步提高检测精度并提供可解释的解释。本文着重于介绍所提框架的方法细节以及用于评估其在模拟和真实测试平台中性能的评估方法。
章节片段
能源使用行为检测
窗户开闭和暖通空调开关操作是直接调节通风、室内条件和能耗的关键能源使用行为。先前的工作已开发了数据驱动方法，从IEQ-IAQ测量中检测这些行为。遵循Dai等人2020年的研究 [13]，现有研究可大致分为两种建模方式：(1) 基于行动的模型，预测使用者对IEQ-IAQ驱动因素的调控事件 [[19], [20], [21]]，以及 (2) 基于状态的
出发点：知识差距与贡献
尽管从IEQ-IAQ测量中检测能源使用行为的研究日益丰富，但现有方法主要依赖纯数据驱动的推理，并且通常将窗户和暖通空调操作视为独立任务。虽然这些方法证明了利用IEQ-IAQ信号推断运行状态的可行性，但在以下三个关键方面仍存在局限：(1) 难以解决由窗户和暖通空调耦合及重叠效应引起的不可辨识性问题
问题定义与公式化
所提框架采用聚合的分区级别表征进行联合窗户-暖通空调状态检测，这与现有的建筑建模方法一致。由单元式或集中控制暖通空调系统服务的住宅通常被建模为单一充分混合区，其中室内IEQ-IAQ条件以聚合方式表示 [[58], [59], [60]]。在此框架下，暖通空调操作和窗户驱动的通风均通过分区级别的
实验测试平台设计
设计了两种互补的测试平台以获得用于模型训练和评估的标注数据：基于物理的模拟环境（图3中的L1至L6），以及一处真实住宅公寓（图3中的L7）。模拟测试平台允许系统性地控制边界条件——如窗户操作、暖通空调状态和室外天气——同时通过预定义的活动时间表纳入使用者驱动的变异性。因此，纳入模拟测试平台
消融分析结果与讨论
表4展示了联合窗户-暖通空调状态检测的消融分析结果。所提模型（模型#0）在模拟和真实世界布局中均取得了最佳整体性能。在模拟环境（L1-L6）中，模型#0达到了83.2%的平均精确率和86.2%的召回率，证明了在不同空间配置和气流连通性布局下强大且一致的性能。在真实世界布局（L7）中，模型#0达到了89.9%的精确率和89.9%的
局限性
本研究提出了一种基于AI智能体的增强框架，用于从IEQ-IAQ测量中联合检测窗户-暖通空调状态。本研究的几个主要局限性应予注意。首先，该框架主要使用CONTAM模拟数据集在多种布局、季节和时间表下进行评估，并辅以一处真实世界部署。虽然模拟允许对框架进行广泛测试，能够系统地控制通风、占用情况和使用者活动，以及
结论与未来工作
本研究提出了一种基于AI智能体增强的机器学习框架，用于利用IEQ-IAQ测量进行联合窗户-暖通空调状态检测。所提框架整合了实例级概率建模、序列级优化以及基于检索增强的、物理约束的AI智能体，以解决联合运行状态推断中的关键挑战，包括延迟和弥散的IEQ-IAQ响应、通风-暖通空调签名重叠、类别不平衡以及检测
在稿件准备过程中生成式AI和AI辅助技术的声明
在本文准备过程中，ChatGPT被用于语法检查和写作风格增强。ChatGPT提供的任何建议均由作者手动审阅和修正。本文中的所有内容由作者原创，作者对其内容承担全部所有权和责任。
CRediT作者贡献声明
Kaiyu Huang： 写作–审阅与编辑，写作–初稿，可视化，验证，软件，方法论，调查研究，形式化分析，数据管理。Yunyang Ye： 写作–审阅与编辑。Kaijian Liu： 写作–审阅与编辑，写作–初稿，可视化，验证，指导，资源，项目管理，方法论，调查研究，资金获取，形式化分析，概念化。
Kaiyu Huang | Yunyang Ye | Kaijian Liu
研究生，纽约新泽西州霍博肯市1城堡角路，斯蒂文斯理工学院土木、环境与海洋工程系，邮编07030
