能源系统人工智能方法 第一章 绪论.pptVIP

运维管理现状只要设备设施能够运行，满足室内冷热要求即可忙于跑冒滴漏、冷热失调、设备失灵等低水平故障，无能力顾及节能问题不考虑节能问题，即便回收期很短也不进行节能改造为了节能，不开新风机组限制冷水机组开启的台数*****基于GPT辅助的建筑负荷预测的初步尝试通过人工与GPT的交互,可以实现建筑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.评估指标：代码的正确性：预测精度：一致性：MAE、MSE、RMSE、MAPE、R2、CV-RMSE*基于GPT辅助的建筑负荷预测的初步尝试*基于GPT辅助的建筑负荷预测的初步尝试*GPT在能源负荷预测任务上的性能GPT-4能够自动的通过编写程序实现数据预处理到模型解释的全部过程预测精度GPT生成模型解释方法代码GPT在负荷预测任务上的不足无法正确选择合适的特征变量GPT-4更倾向于首先选择室外空气温度、室外空气相对湿度和历史冷负荷作为模型输入，与时间相关的变量通常会被忽略。缺少对于时间相关变量的选择无法正确利用python包进行模型解释应用LIME来解释分类任务，而不是解释回归任务。GPT模型对特定领域的理解还不够深入，或者在理解和应用Python库时还存在缺陷。GPT在负荷预测任务上的不足基于GPT的空气处理机组故障诊断故障编号故障类型1排气风门卡住（完全打开）2排气风门卡住（完全关闭）3回风机卡在固定转速4回风机完全失灵5室外空气风门泄漏6室外空气风门卡住（完全关闭）7冷却盘管阀卡住（完全打开）8冷却盘管阀正向卡住（部分打开）9冷却盘管阀被卡住（完全关闭）10冷却盘管阀被反向卡住（部分打开）11加热盘管阀泄漏12送风机后空气处理机组管道泄漏13送风机前空气处理机组管道泄漏14冷却盘管阀控制不稳定以空气处理机组（AHU）为例，从ASHRAERP-1312项目中收集故障数据和正常数据，并考虑14种故障类型，用以评估GPT性能。每次评估用相同的Prompt和GPT-4进行5次独立对话。Case1:仅提供故障数据和潜在故障的列表,GPT可否正确诊断?Case2:提供故障时候的数据和故障列表,以及无故障时候的数据,GPT可否正确诊断?Case3:提供故障时候的数据,以及无故障时候的数据,GPT可否正确诊断?提供无故障数据的描述已知一个夏季运行的空气处理机组在某一天稳定运行时相关参数如下：相关变量的平均值如下：加热盘管阀位置0.0%；冷却盘管阀位置41.92%；……相关变量的标准差如下：送风温度0.26℃；送风机转速3.24%；……提供潜在故障的范围根据以上提供的数据，分析判断当天AHU是否出现故障。如果有，请给出故障类型并做出解释。可选的故障类型如下：故障1排气风门卡住（全开）故障2排气风门卡住（全关）故障3回风机卡在固定转速故障4……提供故障数据的描述已知一个夏季运行的空气处理机组在某一天稳定运行时获得的故障数据如下：相关变量的平均值如下：冷却盘管阀位置41.92%；……相关变量的标准差如下：冷却盘管阀位置10.78%；……Prompt示例：基于GPT的空气处理机组故障诊断*基于GPT的空气处理机组故障诊断*基于GPT的空气处理机组故障诊断*基于GPT的空气处理机组故障诊断*基于GPT的空气处理机组故障诊断不使用故障列表，回答自由度提高，某些故障诊断能力提升（如故障10），但稳定性有所下降。使用故障和正常数据和故障列表，诊断正确率与推理正确性均得到提高，但还是无法诊断某些故障。仅使用故障数据，在某些故障上效果很好，但有相当一部分故障无法被诊断。评价指标：诊断正确率：在m次对话中，统计GPT正确诊断故障的次数。推理正确率：在m次对话中，统计GPT正确解释诊断结果的次数。基于GPT的空气处理机组故障诊断GPT在故障诊断上的不足部分情况下,不理解故障和征兆之间的关系GPT无法理解某些故障下关键变量的变化关系。GPT-4无法理解“冷却盘管阀卡死（部分打开）”的故障下关键征兆的变化，导致误诊。GPT在故障诊断上的不足由于知识过多，存在过拟合现象(混淆知识点)GPT-4认为为了节能而关闭排风阀门是正常的。因此，它无法正确诊断“排风阀门卡住（完全关闭）”故障。GPT-4学习了过多的知识，但是又没有精准理解知识之间的关系,因此其推理可能会过度拟合。*GPT对脑力劳动的革命:生成式AI(AIge