智慧體AI管道用於裝置級能源異常檢測與LLM驅動的建議
本文提出一種端到端智慧體管道，結合深度時間序列預測、變分異常檢測和LLM推理，為辦公樓裝置級能源監控生成可操作的維護建議。系統使用混合SSA-LSTM預測模型和每裝置LSTM VAE注意機制檢測異常，並透過三階段LangChain管道（上下文、診斷、報告智慧體）生成診斷，配備動態檢索減少上下文開銷。在16個場景的基準測試中，最佳後端得分90.4/100，本地7B模型透過所有場景。
辦公樓中的裝置級能源監控常常產生大量嘈雜警報，非專業設施管理人員難以有效利用。為此，研究人員提出了一種端到端的智慧體AI管道，該管道融合了深度時間序列預測、變分異常檢測和基於大型語言模型的推理，旨在生成優先順序明確且可操作的維護建議。
系統對七種常見辦公裝置進行跟蹤，採用混合奇異譜分析（SSA）和長短期記憶（LSTM）網路的預測模型。對於異常檢測，每個裝置配備一個帶有注意力機制的LSTM變分自編碼器（VAE），用於標記異常的每日能耗事件。整個推理流程基於LangChain框架，分為三個階段：首先，上下文智慧體始終檢索三個核心RAG來源（模型可靠性、每小時基線和專家知識），並根據事件特徵有條件地新增最多三個額外來源（預測上下文、異常歷史、全域性基線），總推理步數不超過八步。然後，診斷智慧體將收集到的證據轉換為結構化的JSON診斷結果。最後，報告智慧體生成人類可讀的解釋敘述。系統還包含一個反思性記憶層，用於整合操作員的反饋。
儀表板即時顯示30分鐘預測、日內能耗、前一天異常報告以及反饋表單。研究團隊在包含持續尖峰、瞬時尖峰、意外關閉和系統性事件等16種場景的基準上評估了預測模型、異常檢測器和LLM推理能力，比較了五種LLM後端在靜態與動態檢索下的表現。結果表明，動態檢索在所有後端上均能達到與完全靜態檢索相同的效能，同時將每個事件的平均上下文來源從六個減少到三到六個。表現最佳的後端得分達到90.4/100（滿分100），在70分閾值下透過率為100%；而一個完全本地的70億引數模型也成功透過了全部16個測試場景。該論文已被IEEE CCNCPS 2026會議接收。