大型语言模型智能体捕获共享办公空间建筑能耗模拟中的异质性 occupant 行为

《Building and Environment》：Large language model agents capture heterogeneous occupant behaviors in building energy simulation of shared office spaces

　　

大型语言模型智能体捕获共享办公空间建筑能耗模拟中的异质性 occupant 行为 摘要：在占全球能源消耗约30%的建筑部门中，供暖、通风与空调系统（heating, ventilation, and air conditioning，HVAC）通常消耗超过40%的运行能耗。尽管先进的模拟系统能够精确计算复杂的热力学和多目标权衡，但其预测精度常因 occupant 行为而受损。occupant 行为固有的不确定性和随机性可能导致运行能耗产生两倍以上的差异，即使在物理属性完全相同的建筑中也是如此。值得注意的是，个体在热舒适偏好、心理预期和节能意愿方面存在天然异质性，这使得预测自主 occupant 行为及其潜在生成机制极具挑战性。此外，在共享办公空间中，个体的自适应行为通常会触发群体间的行为交互。为了应对这一关键空白，本研究提出了一种新颖的耦合框架，用于共享办公空间的 HVAC 能耗模拟。该框架包含三个核心模块：基于 EnergyPlus 的物理环境模拟模块作为客观物理世界的基础，提供热力学计算并输出环境状态反馈；由大型语言模型（large language model，LLM）驱动的 occupant 行为决策模块作为认知引擎，利用 LLM 的逻辑推理能力将个体生理需求和社会学属性转化为 occupant 行为意图；Python 构建的动态耦合编排模块则负责控制离散时间步进推进，执行跨模态数据转换——提取数值化物理状态并将其转换为 LLM 可读的语义提示，随后对 LLM 返回的语义决策进行严格解析和物理验证，最终映射为数值化控制指令并传输至仿真引擎。通过这种数值到语义再到数值的双向循环转换，三个模块紧密集成，实现了以动态环境响应和实时逻辑推演为特征的完整闭环控制流。模拟结果揭示了共享空间控制权长期被少数个体主导的现象，并阐明了微观层面的个体认知差异如何内生性地塑造宏观层面的建筑能耗轨迹。该方法有效弥合了微观个体认知差异与宏观建筑能耗轨迹之间的鸿沟，为共享办公空间中异质性 occupant 行为的可靠建模提供了新的技术路径。

大型语言模型智能体驱动下的共享办公空间建筑能耗模拟：异质性 occupant 行为的建模与影响分析

1. 研究背景与问题提出

建筑部门约占全球能源消耗的30%，其中供暖、通风与空调系统（HVAC）的运行能耗占比通常超过40%。建筑能耗模拟（BES）作为识别节能机会的核心手段，相较于传统建筑规范可实现约20%至60%的节能效果。然而，BES 的预测精度严重受制于 occupant 行为的不确定性与随机性，即使物理属性完全相同的建筑，其运行能耗也可能因 occupant 行为差异而产生两倍以上的偏差。现有模拟方法面临两大困境：其一，传统的固定时间表模型无法刻画 occupant 行为的动态性；其二，即便引入马尔可夫链等概率模型或强化学习（RL）算法，这些方法仍缺乏对个体社会心理因素（如社会地位、人格特质、节能意识）的表征能力，难以模拟真实世界中复杂的群体行为交互与持续的人-环境反馈回路。特别是在共享办公空间中，occupant 行为不仅受物理环境影响，还受到社会约束、人格特质及他人行为反馈的共同塑造。因此，亟需一种能够融合异质性个体特征、实现动态人-环境双向反馈的新型建模框架。

2. 研究方法与技术路线

研究人员构建了一个由三大模块组成的闭环耦合仿真框架：

（1）物理环境模拟模块：基于 EnergyPlus 平台，通过 OpenStudio 建立共享办公空间的几何拓扑与热工参数配置，生成标准能量模型（IDF 格式）。随后利用 EnergyPlusToFMU 工具将该模型封装为功能样机单元（FMU），明确定义输入接口（接收 occupant 行为指令）与输出接口（反馈环境状态），使静态物理模型具备外部动态操控能力。

（2）occupant 行为决策模块：引入大型语言模型（LLM）作为认知引擎。首先通过半结构化访谈，从舒适偏好、节能意识、社会地位和人格特质四个维度获取异质性 occupant 的特征描述，并重构为结构化自然语言文本形成 occupant 行为档案。随后利用 LLM 将这些文本描述实例化为具体的 occupant 智能体，使其具备情境感知与逻辑推理能力。在每个决策时刻，统一的提示词引导 LLM 在热舒适、节能、社会约束和人格特质四个因素间进行动态权衡，各因素的权重满足归一化约束。

（3）动态耦合编排模块：由 Python 编写，负责控制离散时间步进推进。在每个触发步骤，该模块从 EnergyPlus 提取数值化物理状态，将其转换为语义提示供 LLM 处理；随后对 LLM 返回的语义决策进行解析与物理验证，最终映射为数值化控制指令回传至仿真引擎，实现完整的“数值→语义→数值”双向闭环。

3. 研究结果

3.1 异质性 occupant 智能体的逻辑一致性验证

研究人员设计了包含不同社会地位、人格特质和节能意识的 occupant 档案，并通过多轮仿真测试其决策逻辑。结果表明，LLM 驱动的智能体能够始终如一地依据其预设档案做出符合逻辑的行为选择：高节能意识的 occupant 倾向于减少 HVAC 调节频率，而低舒适耐受阈值的 occupant 则更频繁地发起温度调整请求。社会地位较高的 occupant 在群体决策中表现出更强的主动性，而内向型人格的 occupant 则更倾向于被动容忍。

3.2 群体交互的动态演化模式

通过长时间尺度仿真，研究人员发现共享办公空间中的 HVAC 控制权呈现显著的“少数主导”现象：仅有一小部分 occupant（通常为社会地位较高或性格强势者）持续主导着温度设定点的调整决策，而大多数 occupant 则采取跟随或默许策略。这种非对称的权力结构并非预先设定，而是在群体交互过程中自发涌现的，反映了真实社交场景中的层级约束。

3.3 异质性行为对建筑能耗的内生性影响

对比同质化 occupant 模型与异质性模型的能耗输出，研究人员发现后者能捕捉到更丰富的能耗波动特征。异质性模型中，由于少数 occupant 的频繁干预，HVAC 系统的启停次数和负荷变化率显著增加，导致总能耗较基准情景上升约12%-18%。更重要的是，这种能耗差异并非由单一因素决定，而是舒适偏好、社会地位和人格特质三者非线性耦合的结果，揭示了微观个体差异如何内生性地塑造宏观建筑能耗轨迹。

4. 讨论与结论

研究表明，将 LLM 作为 occupant 智能体的认知引擎，能够有效突破传统概率模型和规则基智能体在认知推理能力上的局限，成功模拟出具有社会意识、情感波动和策略交互能力的复杂 occupant 行为。所提出的耦合框架不仅实现了对异质性 occupant 行为的高保真建模，还首次在 BES 领域揭示了群体交互中“少数主导”现象的涌现机制及其对能耗的定量影响。

研究结论：本研究提出的耦合 EnergyPlus-LLM 框架成功实现了共享办公空间中异质性 occupant 行为的动态、逼真建模。通过将 LLM 嵌入 occupant 行为决策模块，智能体能够基于个体身份档案和环境反馈做出符合逻辑的差异化决策，并在群体层面自发产生复杂的社会交互模式。模拟结果证实，occupant 异质性会内生性地重塑 HVAC 能耗轨迹，且共享空间的控制权往往被少数个体长期主导。这一发现强调了在建筑能耗模拟中纳入异质性 occupant 行为模型的必要性，并为未来开发更具适应性的 HVAC 控制策略提供了理论依据。