利用语言模型进行能耗预测
该研究旨在调查大型语言模型与建筑能源模型软件的创新整合,重点关注 ChatGPT 与 EnergyPlus 的融合。文献综述表明,大型语言模型在工程建模中应用日益增长,但在建筑能源模型中的应用研究有限。通过三个案例研究,证明了大型语言模型在自动化和优化建筑能源模型任务方面的潜力,并强调了人工智能在推进可持续建筑实践和能源效率方面的关键作用。研究结果建议未来人工智能研究采用跨学科的方法,并对其他专门工程建模领域有着重要影响。
Feb, 2024
近年来,大型语言模型(LLMs)在各个领域取得了快速进展和令人印象深刻的能力。本文探讨了 LLMs 在建筑能效和碳减排研究中的应用、影响和潜力。文章考察了 LLMs 在建筑能源领域的广泛能力,包括智能控制系统、代码生成、数据基础设施、知识提取和教育。尽管 LLMs 具有很大的潜力,但仍存在复杂和昂贵的计算、数据隐私、安全和版权、精细调整 LLMs 的复杂性以及自一致性等挑战。文章最后呼吁未来的研究集中在增强 LLMs 的领域特定任务、多模式 LLMs 和人工智能与能源专家之间的合作研究上。
Dec, 2023
本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为,并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响,实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%,最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布,识别国际冲突新闻的全球词嵌入,为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性,具有潜在的社会学和经济学影响。
Jan, 2023
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
本文探讨了用于减少 NLP 应用程序能源消耗的技术,其中包括衡量能源使用的技巧以及可以调节以减少训练和推理的能源消耗的不同硬件和数据中心设置,例如功率限制,可使基于变压器的语言模型训练的能源使用减少 15%。
May, 2022
利用大型语言模型在提取法律文件方面的新效率以及结合决策树框架的方法,为美国国家可再生能源实验室提供了一种自动化提取和分析地方法规的方法,以促进大规模能源政策研究的发展。
Mar, 2024
本文提出了一种利用文本新闻特征的长短期记忆网络(LSTM)来成功预测英国国家电力需求的确定性和概率任务。实验结果表明,带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上,相对于官方基准模型改进了近 10%。此外,该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。
Sep, 2023
使用大型语言模型进行基于语言的移动性预测已成为一种创新的方法。本文提出了一种基于信息熵的提示生成和链式思维等机制的提示细化的框架,旨在探索多样的提示设计策略,实验结果表明了我们提出的提示挖掘管道的优越性,为进一步推进基于语言的移动性预测提供了有希望的方向。
Mar, 2024