智能体AI管道用于设备级能源异常检测与LLM驱动的建议
本文提出一种端到端智能体管道，结合深度时间序列预测、变分异常检测和LLM推理，为办公楼设备级能源监控生成可操作的维护建议。系统使用混合SSA-LSTM预测模型和每设备LSTM VAE注意机制检测异常，并通过三阶段LangChain管道（上下文、诊断、报告智能体）生成诊断，配备动态检索减少上下文开销。在16个场景的基准测试中，最佳后端得分90.4/100，本地7B模型通过所有场景。
办公楼中的设备级能源监控常常产生大量嘈杂警报，非专业设施管理人员难以有效利用。为此，研究人员提出了一种端到端的智能体AI管道，该管道融合了深度时间序列预测、变分异常检测和基于大型语言模型的推理，旨在生成优先级明确且可操作的维护建议。
系统对七种常见办公设备进行跟踪，采用混合奇异谱分析（SSA）和长短期记忆（LSTM）网络的预测模型。对于异常检测，每个设备配备一个带有注意力机制的LSTM变分自编码器（VAE），用于标记异常的每日能耗事件。整个推理流程基于LangChain框架，分为三个阶段：首先，上下文智能体始终检索三个核心RAG来源（模型可靠性、每小时基线和专家知识），并根据事件特征有条件地添加最多三个额外来源（预测上下文、异常历史、全局基线），总推理步数不超过八步。然后，诊断智能体将收集到的证据转换为结构化的JSON诊断结果。最后，报告智能体生成人类可读的解释叙述。系统还包含一个反思性记忆层，用于整合操作员的反馈。
仪表板实时显示30分钟预测、日内能耗、前一天异常报告以及反馈表单。研究团队在包含持续尖峰、瞬时尖峰、意外关闭和系统性事件等16种场景的基准上评估了预测模型、异常检测器和LLM推理能力，比较了五种LLM后端在静态与动态检索下的表现。结果表明，动态检索在所有后端上均能达到与完全静态检索相同的性能，同时将每个事件的平均上下文来源从六个减少到三到六个。表现最佳的后端得分达到90.4/100（满分100），在70分阈值下通过率为100%；而一个完全本地的70亿参数模型也成功通过了全部16个测试场景。该论文已被IEEE CCNCPS 2026会议接收。