Потенциальный GPT

Недавнее появление ChatGPT (генеративного предварительно обученного преобразователя чата) послужило толчком к многочисленным экспериментам по проверке его возможностей в выполнении задач, традиционно выполняемых людьми. В недавнем исследовании, проведенном учеными из Технологического университета Эйндховена и Китайского института холода и криогеники при университете Чжэцзян, GPT-4, самая продвинутая версия ChatGPT, была изучена на предмет ее потенциала в автоматизации интеллектуального анализа данных для управления энергопотреблением зданий.

Исследование показало, что GPT-4 может генерировать коды прогнозирования энергетической нагрузки, диагностировать сбои системы и обнаруживать аномалии способом, очень похожим на человеческие способности. Это достижение открывает важные возможности в области управления энергопотреблением зданий.

В ходе тестирования GPT-4 продемонстрировал точную генерацию кода для задач прогнозирования охлаждающей нагрузки с использованием эксплуатационных данных из реального офисного здания. Он показал многообещающую производительность при создании кодов Python на основе требований задач и наборов данных. Однако сложность задач часто требовала доработок кода. GPT-4 достиг высокой точности в прогнозировании охлаждающей нагрузки офисного здания, но генерировал более простые коды для простых задач по сравнению со сложными.

При диагностике неисправностей систем отопления, вентиляции и кондиционирования GPT-4 с высокой точностью успешно выявляет распространенные неисправности в вентиляционных установках (AHU), холодильных машинах и компонентах с переменным потоком хладагента (VRF). Это также могло бы объяснить факторы, стоящие за такими результатами. Исследование показало, что использование данных о неисправностях, нормальных данных, симптомов и меток неисправностей в подсказках повышает точность и последовательность GPT-4 при диагностике неисправностей.

При обнаружении аномалий GPT-4 продемонстрировал способность выявлять ненормальные режимы работы в системах отопления, вентиляции и кондиционирования и объяснять их причины. Однако он смог точно идентифицировать лишь некоторые аномалии, тогда как другие остались незамеченными. Благодаря включению правил ассоциации в подсказки точность GPT-4 в обнаружении и диагностике аномалий значительно повысилась.

Несмотря на свои впечатляющие возможности, GPT-4 имеет ограничения. Его низкая стабильность влияет на надежность и воспроизводимость результатов. Ему не хватает знаний человека в области управления энергопотреблением зданий, что делает интерпретируемость моделей прогнозирования нагрузки ненадежной. Он также изо всех сил пытается установить причинно-следственные связи между неисправностями и симптомами и понять нормальные диапазоны аномальных переменных в системах HVAC. Кроме того, математические способности GPT-4 плохие, что приводит к ошибкам при расчете статистических характеристик данных временных рядов.

Чтобы преодолеть эти ограничения, исследователи предложили различные темы исследований для будущих исследований. К ним относятся разработка методов автоматического быстрого ввода, обучение GPT-4 использованию программных платформ и создание индивидуальной модели специально для управления энергопотреблением зданий.