DeepSeek在建筑及能源行业的应用趋势和技术方法

汇 报 人 ： 赵 阳 浙江大学能源学院制冷与低温研究所2025.2.14 当下Al到了哪种程度 能源领域传统Al发展困境 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 Al领域里程碑：研究者首获诺贝尔奖，开启智能科学新纪元 DeepSeek横空出世，各项指标逼近或超越ChatGPTo1 口核心意义：打破AI垄断，带来AI平权，尤其是中文Al普惠，激发大众创造力 DeepSeek对行业带来的新技术思路(部分) 自 动 化 报 告 编 制 多 源 数 据 深 度 挖 掘 当下Al到了哪种程度 能源领域传统AI发展困境 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但实际应用有限，尤其难以突破落地应用的瓶颈 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 口有限的人力、物力和财力去应对复杂而多变的需求，最终的平衡点大多位于信息化阶段 范式困境主要原因二：多学科交叉、技术门槛高、木桶理论效应凸显 口多学科交叉人才极其稀缺，而且非常昂贵口普通人才天花板效应明显，最不靠谱的人/环节是整个项目的天花板 2025年2月，麻省理工学院何凯明指出：Al正在悄然重塑全球科研生态：“过去，不同学科间的交流像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言"。 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 口需要多个团队深度长期协作，难度大成本高 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 当下Al到了哪种程度 能源领域传统Al发展困境 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 引爆这一轮人工智能的新范式：算法+数据+算力 ■新范式摆脱了对人类专家的大部分依赖，走向了自我迭代升级 1997年深蓝战胜人类国际象棋冠军 2017年10月，AlphaGoZero在3天内自我对弈4 9 0万 盘 ， 以1 0 0 : 0击 败AlphaGo 这一阶段的人工智能主要依赖于预先设定的规则和逻辑推理，强调专用算法设计实现特定任务。 >人工智能拥有了从无到有的学习能力，从基于规则的专家系统转向了自我学习与适应的智能体系。 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 口重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系! Al智力 人的智力 电力 工业3.0应用电子信息技术，进一步提高自动化水平 工业4.0人、机、物互联互通 热力 工业2.0 将人类带入分工明确、大批量生产的流水线模式和“电 工业1.0创造了机器工厂的“蒸汽时 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 口未来Al计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 新时代的核心动力： 传统模式的局限性： ·算力：提供强大的计算能力，推动算法复杂性提升·算法：更加精准、高效的智能算法，支持决策优化·数据：数据规模和质量驱动模型训练与性能优化 ·靠经验驱动，无法快速适应复杂变化·难以扩展，效率低，智能化程度受限 2024年11月27日，王坚《无尽的计算：Al和研究范式变革》的演讲： “我们目前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力，我们可以利用Al扩展人类的创造力，进一步探索世界。" DeepSeek支撑范式突破：实现能源人工智能个性化方案的"3D打印"!26/30 1.人工智能民主化：Al技术触手可及 ·简化使用：通过用户友好的界面和预训练模型，大语言模型使得Al技术更加易于获取和使用，即使是没有深厚编程背景的能源专业人士也能轻松应用。 2.解耦合开发与应用场景 ·灵活性增强：大模型的架构允许开发者不必深入了解每个具体业务场景的复杂性，即可快速构建适用的应用程序。 3.碎片化应用的成本效益革命 .减少定制成本：大语言模型减少了为每个单独任务或小规模项目定制解决方案的需求，从而降低了总体实施成本。 DeepSeek支撑范式突破：降低开发难度，推动能源领域智力普惠 大模型的特性：·工程化产物：大模型是基于现有技术的“大工业流水线式”工程化成果 ·柔性制造：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键：·工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 ·高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 面临的挑战：·开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 ·规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题 解决路径：口推动模型的柔性制造，实现更高效、更低成本的开发流程 口借助自动化、模块化和流水线技术，降低生产成本，提升部署速度 当下Al到了哪种程度 能源领域传统Al发展困境 DeepSeek等带来的新范式 大语言模型应用的科研案例 临近奇点：AGI将带来颠覆 结论和展望 研究一：基于大语言模型辅助的能源负荷预测方法(能源领域第一篇)30/80 口能源负荷预测：通过人工与GPT的交互，可以实现建筑能源系统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 研究二：基于大语言模型辅助的运行数据的自动化分析方法 Energywastepatternsusuallyonlycorrespondto specific device(s)or sub-system(s).It isnotnecessarytoanalyzetherelationshipsamongallavailablevariables.· Hence,GPTisutilizedtoselectsuitablefeaturesforvariousdataminingtasksassociatedwithdifferentdevice(s)orsubsystem(s).· 研究二：基于大语言模型辅助的运行数据的自动化分析方法 Atemplate-based prompt generation method is proposed to automatically generate featureselectionpromptsforGPT. A prompt of featureselection for the data miningtask: Thereare2chillers(chiller1andchiller2),and2chilledwaterpumps(chilledwaterpump 1andchilledwaterpump2)inachilledwaterplantsystcm.Chillersarcconncctedinparallcl.Chilledwatcrpumpsarcconncctedinparallel.Chillers and chilledwaterpumps are connected in series.The chilled water loop contains chillers andchilledwaterpumps.Thefollowingvariablesareavailableinthischilledwaterplantsystem:loadrateof chiller1,coolingwateroutlettemperatureofchiller 1,chilledwateroutlettemperatureofchiller 1,load rateofchiller2,coolingwater outlettemperature ofchiller2,chilledwater outlettemperature ofchiller2,frequency ofchilledwaterpump1,frequencyof chilledwaterpump2.Pleaseselectappropriatevariablesforthepurposeof identifyingtheimpropercontrol,devicefaults,andsensorfaultsofthechiller 1.Please don't select variableswhicharenotincludedin theavailable variables.Pleasedon'tselect variables whicharenotassociatedwiththechiller1. 研 究 二 ： 基 于 大 语 言 模 型 辅 助 的 运 行 数 据 的 自 动 化 分 析 方 法 Thetemplate-basedpromptgenerationmethodisappliedtoautomaticallygenerateknowledgeinterpretationprompts for GPT. Promptingfunction Knowledgeinterpretation results Thereare[xl]in a[x2].[x3].One operation pattern isextractedfrom theoperationaldataofthe[x6].Itisdescribedasfollows:[x7]|Pleaseanalyzetheaboveoperationpatterntofigureoutwhetherthe[x6]has/have[x5].Ifthe[x6]has/have[x5],pleasefurthertellmewhat[x5]happen/happens... Theoperationpatternofchiller7indicatespotentialimpropercontrolandsensorfaults.1.ImproperControl:Thechilled water valveswitchstatusofchiller7isoff.This is abnormal because thechillerison... Insert the maximal frequent itemset into theslot[x₇]. 研究二：基于大语言模型辅助的运行数据的自动化分析方法 313maximalfrequentitemsetsareextractedbytheknowledgediscoverymethod.· GPT-3.5and GPT-4 are utilized to analyze the 313 maximal frequent itemsets.· Thedetectionaccuracy ofGPT-4 is89.17%for energy waste patterns and99.48%foroperationpatterns.normal Confusion matrixes of (a)GPT-3.5 and (b)GPT-4. ZhangChaobo,Zhang Jian,Zhao Yang,Lu Jie.Automated data mining framework for building energy conservation aided by generaive pre-transformers(GPT).EnergyandBuildings2024:113877. 研究三：基于微调大语