基于大语言模型与事件挖掘的建筑能耗分析方法及系统与流程

本发明涉及建筑信息技术与能源管理交叉领域，尤其涉及一种基于大语言模型与事件挖掘的建筑能耗分析方法及系统。

背景技术：

1、目前，行业内主流的建筑节能管理方案，主要依赖于部署在建筑物内部的能源管理系统或集成在楼宇自控系统中的能耗监测模块。这些系统的基本工作原理是：通过在建筑的各用能环节（如空调系统、变配电、照明、给排水等）安装智能电表、水表、热量表等计量设备和各类传感器，实时采集并回传包括电力、水、燃气、制冷量、制热量等各类能耗数据。获取数据后，系统会对这些结构化的时间序列数据进行处理分析，包括：

2、（1）统计分析：计算特定时间周期内的能耗总量、峰值、谷值、平均值等基础统计指标。

3、（2）对比分析：对能耗数据进行同比（与去年同期对比）、环比（与上一统计周期对比）分析、将实际能耗与历史基线或预设的能耗定额进行比较等，以观察其变化趋势。

4、（3）规则告警：系统预设一系列逻辑规则和能耗阈值，例如，工作时间单位面积能耗不得超过x，夜间待机能耗不得高于y。一旦监测数据触发了这些规则，系统会自动生成异常告警，通知管理人员。

5、通过上述技术手段，管理人员能够基本实现对建筑运行状态的实时感知，并能及时发现能耗是否存在异常超标等问题。

6、现有技术存在的问题和缺点

7、尽管现有技术在能耗数据的监测和异常发现方面取得了一定进展，但在异常事件的深层次归因分析上仍存在技术瓶颈，从“发现问题”到“定位原因”的环节效率低下：

8、（1）归因分析过程依赖人工，信息获取与处理难度比较大：当系统告警或数据分析师发现非周期性、非设备故障，例如传感器读数正常但总用电量异常飙升的能耗波动时，诊断过程便进入了低效模式。分析人员需要凭借个人经验，猜测可能的原因，然后手动去搜集各种信息进行佐证。例如，需要查询分析周期内的天气记录以排除极端天气影响，搜索市政官网确认有无停水、停电、道路施工等通知，了解建筑内部是否举办了大型活动，或者查阅新颁布的地方节能政策等。这个过程耗费大量的人力成本和时间成本，并且如何解读这些文本并判断其对能耗的潜在影响，缺乏客观统一的标准，主观判断性强，难以保证分析的可靠性，导致归因结果存在较大的不确定性。

9、（2）现有技术体系中，内部结构化的能耗时序数据与外部非结构化的事件文本数据之间比较割裂。系统缺乏一套自动化的数据融合分析工具，无法在二者之间建立有效的关联模型。特别是在系统无法有效剥离常规周期性波动的影响时，如工作日与周末、季节性空调负荷变化等，难以从能耗曲线中区分出由偶然性、突发性外部事件所引发的异动。这导致分析的信噪比低，常常将常规现象误判为异常，无法定位到真正的异常原因。

10、（3）在完成一次人工归因后，其分析过程和结论通常以非标准化的文档形式存在。这导致报告的格式、深度和质量参差不齐，难以形成可复用的知识库。

技术实现思路

1、因此，本发明的目的在于提供一种基于大语言模型与事件挖掘的建筑能耗分析方法及系统，其核心思想是利用大语言模型（llm）的自然语言理解和推理能力，自动挖掘与建筑相关的外部事件信息，判断其对能耗的潜在影响，并与实际能耗数据变化进行关联匹配，从而智能化地锁定导致能耗异动的关键原因，并生成结构化的归因分析报告。

2、为了实现上述目的，本发明提供的一种基于大语言模型与事件挖掘的建筑能耗分析方法，包括以下步骤：

3、s1、获取目标建筑的多源建筑信息，所述多源建筑信息包括目标建筑的属性信息和历史能耗数据，并设定待分析的时间周期；

4、s2、提取所述时间周期内的结构化数据，基于多源建筑信息和所述结构化数据建立基础预测模型，计算所述目标建筑在所述时间周期内的理论基础能耗值，并计算实际能耗值与所述理论基础能耗值之间的差值，作为能耗残差；

5、s3、基于所述目标建筑的地理位置和所述时间周期，构建web搜索查询并从互联网获取候选事件文本；将所述候选事件文本输入大语言模型，应用预设的多维语义免疫规则对所述候选事件文本进行过滤，输出通过免疫规则的事件及其对能耗影响的预测方向；

6、s4、将通过免疫规则的事件转化为结构化的量化特征评分，将所述量化特征评分作为干预特征，输入残差拟合模型，对所述能耗残差进行拟合训练，输出残差预测值；

7、s5、将所述大语言模型输出的能耗影响的预测方向与实际能耗变化趋势进行方向一致性校验，保留方向一致的事件；将保留的事件与预设的常规周期性事件知识库进行比对，剔除属于常规周期性波动的事件，锁定关键归因事件；

8、s6、将所述关键归因事件及其影响分析、所述能耗残差数据整合，生成结构化的归因分析报告。

9、进一步优选的，在s2中，所述基于所述结构化运行数据建立基础预测模型，其中，结构化运行数据包括气象数据和时间特征数据；建立基础预测模型包括如下步骤：

10、s201：获取目标建筑的历史能耗数据及对应的结构化运行数据，依据温度工况划分为制冷场景数据集和供暖场景数据集；

11、s202：分别对所述制冷场景数据集和所述供暖场景数据集提取特征变量，所述特征变量包括平均温度、温度平方项、温度与建筑使用天数的交互项、以及是否为节假日的日期特征；

12、s203：分别针对制冷场景和所述供暖场景，以所述特征变量为输入，以对应的历史能耗数据为输出目标，采用线性回归算法进行训练，拟合出所述特征变量与能耗之间的线性关系权重系数，得到针对制冷场景的基础预测子模型和针对供暖场景的基础预测子模型；

13、s204：将待分析时间周期内的气象特征和日期特征输入对应的基础预测子模型，输出所述目标建筑在所述时间周期内的理论基础能耗值。

14、进一步优选的，在s3中，所述多维语义免疫规则包括：

15、（1）物理承受实体隔离规则：指导所述大语言模型识别事件文本中动作的真实物理承受实体，若所述目标建筑在事件文本中仅为动作发出方而实际物理建设发生在第三方，则触发免疫，判定该事件对所述目标建筑的能耗无影响；

16、（2）时间轴隔离规则：指导所述大语言模型判定事件文本中核心事件的实际发生时间，若所述实际发生时间不在所述时间周期内，则触发免疫；

17、（3）实质物理干预甄别规则：指导所述大语言模型识别事件文本中是否包含实质性的物理设备改造或能耗相关行政事件，若无实质物理干预内容，则触发免疫。

18、进一步优选的，在s3中，将所述候选事件文本输入大语言模型，应用预设的多维语义免疫规则对所述候选事件文本进行过滤，输出通过免疫规则的事件及其对能耗影响的预测方向；具体包括如下步骤：

19、将所述候选事件文本与所述目标建筑的建筑标识共同输入所述大语言模型，并强制应用所述多维语义免疫规则进行逐条判定；

20、针对通过上述各条免疫规则过滤后保留的事件，所述大语言模型基于预设的影响特征词库，识别所述事件中与能耗变化相关的特征表述，输出该事件对所述目标建筑能耗的预测影响方向及对应的判断理由，所述预测影响方向至少包括能耗上升、能耗下降和无明显影响。

21、进一步优选的，还包括将经所述多维语义免疫规则过滤后的事件进行去重：将过滤后的事件再次输入所述大语言模型，识别其中描述同一物理事件或同一改造项目的多个事件文本，将其合并为单一条目。

22、进一步优选的，将过滤后的事件再次输入所述大语言模型，识别其中描述同一物理事件或同一改造项目的多个事件文本，将其合并为单一条目；具体包括：

23、所述大语言模型提取各事件文本中的物理实体标识信息和时空属性信息，所述物理实体标识信息包括改造项目名称、设备名称、工程地点、建设单位，所述时空属性信息包括工程起始时间、工程结束时间、事件发生地理位置；

24、所述大语言模型对各事件文本的所述物理实体标识信息和所述时空属性信息进行语义相似度比对，当多个事件文本的所述物理实体标识信息指向相同的物理设备或相同的改造工程，且所述时空属性信息在预设的容差范围内重叠或连续时，所述大语言模型判定所述多个事件文本描述的是同一物理事件；

25、所述大语言模型将判定为同一物理事件的多个事件文本合并为单一条目，并保留其中信息完整度最高的事件文本作为合并后的条目内容，丢弃其余冗余事件文本；

26、所述大语言模型输出合并后的单一条目，并标记该条目的物理唯一性标识，以保障该物理事件在后续残差拟合过程中仅被赋予单次干预权重。

27、进一步优选的，在s4中，具体包括以下步骤：

28、量化转换步骤：将经去重处理后输出的各事件条目，依据所述大语言模型判定的预测影响方向，将所述事件条目映射为数值型的影响量化特征评分，所述影响量化特征评分包括事件上升因子得分和事件下降因子得分；

29、特征拼接步骤：将所述事件上升因子得分和所述事件下降因子得分作为外部干预特征，与所述基础预测模型使用的基础特征进行特征拼接，构建包含外部事件变量的残差拟合输入特征向量；

30、拟合训练步骤：建立极端梯度提升树模型，将所述残差拟合输入特征向量作为输入变量，将所述能耗残差作为拟合目标变量，采用极端梯度提升树算法进行回归拟合训练，学习所述事件量化特征与所述能耗残差之间的非线性映射关系；

31、残差预测输出步骤：利用训练完成的所述极端梯度提升树模型，输出所述待分析时间周期内的残差预测值，并通过分析所述极端梯度提升树模型的特征重要性评分，计算各事件对所述能耗残差的边际贡献值，以量化单个事件对建筑能耗波动的具体影响数值；

32、基准修正步骤：将所述残差预测值与所述理论基础能耗值相加，得到引入外部突发事件变量后的最终能耗修正基准值。

33、进一步优选的，在s5中，将保留的事件与预设的常规周期性事件知识库进行比对，剔除属于常规周期性波动的事件，锁定关键归因事件，具体包括：

34、获取所述大语言模型输出的各事件对所述目标建筑能耗的预测影响方向，所述预测影响方向包括能耗上升、能耗下降和无明显影响；同时获取所述能耗残差的实际变化方向；将各事件的所述预测影响方向与所述能耗残差的所述实际变化方向进行逐事件比对，仅当所述预测影响方向与所述实际变化方向均为能耗上升或均为能耗下降时，判定该事件通过方向一致性校验并予以保留；当所述预测影响方向为无明显影响或与所述实际变化方向相反时，判定该事件未通过方向一致性校验并予以丢弃；

35、预先构建并存储常规周期性事件知识库，所述常规周期性事件知识库中记录有法定节假日、寒暑假、换季过渡期、周末与工作日的交替周期在内的已知规律性波动因素，及各波动因素对应的历史能耗影响特征模板；

36、将通过所述方向一致性校验后保留的各事件，与所述常规周期性事件知识库中记录的所述波动因素进行特征匹配；若某事件的特征与所述常规周期性事件知识库中的任一波动因素的特征匹配度超过预设阈值，则判定该事件属于常规周期性波动引起的背景噪声，予以剔除；

37、将经过所述方向一致性校验保留且未被剔除的事件，锁定为引发所述目标建筑在所述待分析时间周期内能耗异常波动的关键归因事件，并输出所述关键归因事件及其对应的预测影响方向。

38、本发明还提供一种基于大语言模型与公共事件挖掘的建筑能耗变化分析系统，包括：数据接入与初始化模块，用于获取并存储目标建筑的属性信息及历史能耗时间序列数据，并接收用户设定的分析时间周期；

39、能耗趋势分析模块，提取所述时间周期内的结构化数据，基于多源建筑信息和所述结构化数据建立基础预测模型，计算所述目标建筑在所述时间周期内的理论基础能耗值，并计算实际能耗值与所述理论基础能耗值之间的差值，作为能耗残差；

40、外部事件并行检索模块，用于基于所述目标建筑的地理位置和所述时间周期动态构建web检索指令，从互联网获取候选事件文本；

41、基于免疫规则的大语言模型语义解析模块，其内部预设有多维语义免疫规则，用于将所述候选事件文本输入大语言模型，应用预设的多维语义免疫规则对所述候选事件文本进行过滤，输出通过免疫规则的事件及其对能耗影响的预测方向；将通过免疫规则的事件转化为结构化的量化特征评分，将所述量化特征评分作为干预特征，输入残差拟合模型，对所述能耗残差进行拟合训练，输出残差预测值；

42、关联过滤与关键事件识别模块，其内部设置有常规周期性事件知识库，用于校验事件影响方向与实际能耗变化趋势的一致性，并比对所述常规周期性事件知识库以剔除常规周期性波动事件，锁定关键归因事件；

43、报告自动生成模块，用于提取所述关键归因事件及其影响分析、所述能耗残差数据，填充至预设的结构化报告模板中，输出归因分析报告。

44、优选的，所述基于免疫规则的大语言模型语义解析模块中还设有去重单元，所述去重单元用于将经所述多维语义免疫规则过滤后的事件再次输入所述大语言模型，识别其中描述同一物理事件或同一改造项目的多个事件文本，将其合并为单一条目。

45、本技术公开的基于大语言模型与事件挖掘的建筑能耗分析方法及系统，相比于现有技术至少具有以下优点：

46、1、本发明预设物理承受实体隔离、时间轴隔离、实质物理干预甄别三条免疫规则，强制大语言模型逐条判定，能够有效过滤干扰事件，从根本上解决了通用大语言模型在建筑能耗归因场景中“读不懂物理归属、分不清时间先后、辨不明虚实改造”的行业共性难题。

47、2、本发明利用大语言模型对描述同一物理改造项目的多个报道进行同一性识别与合并，确保单一物理事件在后续残差拟合中仅被赋予单次干预权重，有效避免媒体报道重复导致的特征权重叠加问题，该机制与免疫规则共同构成大语言模型语义解析的完整质量保障体系。

48、3、本发明将大语言模型输出的事件影响方向转化为数值型量化特征评分，通过xgboost模型拟合能耗残差并结合特征重要性分析，能够精确计算出每个事件对能耗波动的具体贡献；通过线性回归与xgboost串联的混合建模架构，线性回归负责解释天气、节假日等常规因素，xgboost负责捕捉外部突发事件的非线性影响，两者叠加形成引入外部变量的最终能耗修正基准。该架构通过“基础模型剥离常规因素+残差模型捕捉异常因素”的分层解耦设计，使大语言模型的输出能够有效融入传统的物理建模框架，实现了人工智能技术与建筑物理模型的协同增效。