前沿研究：《Energy & Buildings》论文提出大模型建筑运维信息查询新范式
前沿研究丨未来已来！大型语言模型如何重塑建筑运维生态？
南京邮电大学等机构研究者在《Energy & Buildings》发表论文，提出基于大模型的建筑运维信息查询新范式，其自测执行准确率达95.5%。该范式以Qwen-32B为基础，融合知识图谱、检索增强生成技术微调得到Op8MainGPT模型，在自建评估集上表现优于GPT-4等主流模型。研究团队称该范式已应用于南京智能办公楼运维系统，可提升查询效率、降低部署成本。
原创 智慧建筑未来 2025-03-20 11:05 北京
在智能建筑领域，运维是实现能源优化和确保舒适度的关键。研究者们提出了一种基于“大型语言模型（LLM）”的建筑运维信息查询新范式，不仅大幅提升了查询效率，还实现了高达95.5%的执行准确率，甚至超越了GPT-4等顶尖AI模型！
在智能建筑领域，运维是实现能源优化和确保舒适度的关键。然而，随着建筑系统日益复杂，数据量激增，传统的运维信息查询方法显得力不从心——复杂的查询流程、对数据标准和建筑结构的高要求，以及现有AI技术交互性和准确性的不足，都让运维工作变得低效且繁琐。有没有一种更智能、更便捷的方式来解决这些问题？
最近，一篇发表在Energy & Buildings期刊上的论文给出了答案。研究者们提出了一种基于“大型语言模型（LLM）”的建筑运维信息查询新范式，不仅大幅提升了查询效率，还实现了高达95.5%的执行准确率，甚至超越了GPT-4等顶尖AI模型！这项研究到底是如何做到的？它能为智能建筑运维带来哪些革命性变化？
标题：基于大型语言模型的建筑运维信息查询
A large language model-based building operation and maintenance information query
作者：Yan Li a, Minxuan Ji a, Junyu Chen a, Xin Wei a,b,c, Xiaojun Gu c, Juemin Tang c
单位：a南京邮电大学通信与信息工程学院；b安徽省智能建筑与建筑节能重点实验室，安徽建筑大学；c南京长江都市建筑设计有限公司
关键词：建筑运维、信息查询、大型语言模型、知识图谱、检索增强生成
1. 研究背景与挑战
随着智能建筑系统复杂性的提升，传统运维方法面临数据异常处理、多源异构数据整合、自然语言查询转化等核心挑战。现有AI技术存在准确性不足、交互性差等问题，难以满足实时决策需求。本研究提出融合大型语言模型（LLM）与知识图谱（KG）的新型范式，旨在提升运维信息查询效率与准确性。
2. 方法论框架
在建筑运维中，信息查询任务的目标是通过提取和分析有关能耗和环境因素的所需信息来管理能源设备状态并维持环境舒适度。如图1所示，所提出的基于LLM的建筑运维信息查询范式包括四个步骤：数据处理、运维LLM微调、知识增强和对齐微调。首先，数据处理的目标是清理原始的建筑运维数据，并使用GPT对清理后的数据进行结构重建设计。其次，在运维LLM微调步骤中，专门为建筑运维场景构建了查询-SQL对，并对Qwen进行微调以增强其Text2SQL能力。第三，在知识增强步骤中，构建了基于运维的知识图谱（KG）和示例集。搜索相关知识以为微调后的原始运维LLM在执行任务时提供支持。值得注意的是，RAG功能的引入支持了搜索过程，使原始运维LLM能够更好地适应各种建筑环境中的多样化信息查询需求。第四，对齐微调的目标是提高知识增强的运维LLM对用户意图的理解。它涉及吸收运维工程师常用的术语和实践，以确保生成的响应更准确地反映运维场景。此步骤产生了一个名为Op8MainGPT的模型。在这里，使用Python实现这一基于LLM的建筑运维信息查询范式，并使用Qwen-32B作为基础LLM。
1）数据处理
• 异常检测：采用孤立森林算法识别传感器数据异常值，通过路径长度计算异常分数，可视化分析提升异常识别效率。
• 数据结构重构：利用GPT-4对156个异构数据表进行智能整合，生成设备信息、环境数据、水电消耗四大结构化表，降低LLM理解难度。
2）运维LLM微调
• 基于Qwen-32B模型，使用混合数据集（CSpider通用语料+自建运维查询-SQL对）进行监督微调。
• 采用QLoRA轻量化微调技术，仅更新低秩适配矩阵，保持原模型参数不变，实现高效领域适应。
3）知识增强
• 运维知识图谱构建：扩展Brick Schema框架，建立"建筑-楼层-区域-传感器-标准规则"多层关系网，支持结构化知识检索。
• 检索增强生成（RAG）：结合束搜索与剪枝算法（图6），从KG中提取相关三元组，通过模板转换生成知识增强提示（图7），提升查询上下文关联性。
4）对齐微调
• 收集工程师反馈构建偏好数据集，训练奖励模型（RM）评估响应质量。
• 引入KL散度惩罚项，采用PPO算法优化策略，生成兼具准确性与实用性的运维响应。
3. 实验结果
1）性能对比
• 在自建评估集上达到95.5%执行准确率，显著优于GPT-4（89.2%）、Llama-70B（86.7%）等主流模型（图12）。
• 知识增强使Text2SQL准确率提升23.6%，KG检索效率提高40%。
2）实际应用验证
• 20名工程师使用测试显示：平均查询响应时间缩短至2.3秒，复杂查询处理效率提升68%。
• 用户满意度调查中，87%认可系统交互友好性，92%认为显著降低SQL编写负担。
4. 创新价值
（1）技术融合创新：首次将LLM微调、KG检索、RAG技术系统集成于建筑运维场景，突破传统方法的知识表达局限。
（2）工程实用性：构建可迁移的运维知识框架，支持不同建筑结构的低成本适配，实测降低30%系统部署成本。
（3）人机协作优化：通过人类反馈强化学习实现领域术语自适应，使生成报告的专业度提升42%。
5. 应用前景
该范式已成功应用于南京智能办公楼运维系统，未来可扩展至智慧园区、工业设施管理等场景。研究为建筑数字化提供了可解释性强、适应性高的智能决策支持方案，推动运维管理向自动化、智能化转型。
请前往爱思唯尔下载论文原文：
https://www.sciencedirect.com/science/article/abs/pii/S0378778825002452
来源：智慧建筑未来 · mp.weixin.qq.com