Das Potenzial von GPT

Das jüngste Aufkommen von ChatGPT (Chat Generative Pre-Trained Transformer) hat zahlreiche Experimente ausgelöst, um seine Fähigkeiten bei der Erledigung von Aufgaben zu testen, die traditionell von Menschen ausgeführt werden. In einer kürzlich von Forschern der Technischen Universität Eindhoven und dem chinesischen Institut für Kältetechnik und Kryotechnik an der Zhejiang-Universität durchgeführten Studie wurde GPT-4, die fortschrittlichste Version von ChatGPT, auf sein Potenzial bei der Automatisierung des Data Mining für das Energiemanagement von Gebäuden untersucht.

Die Studie ergab, dass GPT-4 Codes zur Energielastvorhersage generieren, Systemfehler diagnostizieren und Anomalien erkennen kann, und zwar auf eine Art und Weise, die der menschlichen Leistungsfähigkeit sehr nahe kommt. Dieser Fortschritt eröffnet entscheidende Möglichkeiten im Bereich des Gebäudeenergiemanagements.

Während des Tests demonstrierte GPT-4 die genaue Codegenerierung für Kühllastvorhersageaufgaben unter Verwendung von Betriebsdaten aus einem realen Bürogebäude. Es zeigte eine vielversprechende Leistung bei der Generierung von Python-Codes basierend auf Aufgabenanforderungen und Datensätzen. Allerdings erforderte die Komplexität der Aufgaben häufig Codeüberarbeitungen. GPT-4 erreichte eine hohe Genauigkeit bei der Vorhersage der Kühllast eines Bürogebäudes, generierte jedoch einfachere Codes für einfache Aufgaben im Vergleich zu komplexen.

Bei der Diagnose von Fehlern in HVAC-Systemen hat GPT-4 häufige Fehler in Lüftungsgeräten (AHUs), Kältemaschinen und Komponenten mit variablem Kältemittelfluss (VRF) erfolgreich und mit hoher Genauigkeit identifiziert. Es könnte auch die Faktoren erklären, die hinter den Ergebnissen stehen. Die Studie ergab, dass die Verwendung von Fehlerdaten, Normaldaten, Symptomen und Fehlerbezeichnungen in Eingabeaufforderungen die Genauigkeit und Konsistenz von GPT-4 bei der Fehlerdiagnose verbesserte.

Bei der Anomalieerkennung zeigte GPT-4 die Fähigkeit, abnormale Betriebsmuster in HVAC-Systemen zu identifizieren und deren Ursachen zu erklären. Allerdings konnten nur einige Anomalien genau identifiziert werden, während andere unentdeckt blieben. Durch die Integration von Assoziationsregeln in die Eingabeaufforderungen wurde die Genauigkeit von GPT-4 bei der Erkennung und Diagnose von Anomalien erheblich verbessert.

Trotz seiner beeindruckenden Fähigkeiten weist GPT-4 Einschränkungen auf. Seine geringe Stabilität beeinträchtigt die Zuverlässigkeit und Reproduzierbarkeit seiner Ausgaben. Es fehlt das Domänenwissen des Menschen im Bereich des Gebäudeenergiemanagements, was die Interpretierbarkeit von Lastvorhersagemodellen unzuverlässig macht. Es fällt ihm auch schwer, kausale Zusammenhänge zwischen Fehlern und Symptomen herzustellen und die normalen Bereiche von Anomalievariablen in HVAC-Systemen zu verstehen. Darüber hinaus sind die mathematischen Fähigkeiten von GPT-4 unzureichend, was zu Fehlern bei der Berechnung statistischer Merkmale von Zeitreihendaten führt.

Um diese Einschränkungen zu überwinden, schlugen die Forscher verschiedene Forschungsthemen für zukünftige Studien vor. Dazu gehören die Entwicklung automatischer Eingabeaufforderungsmethoden, das Training von GPT-4 für die Verwendung von Softwareplattformen und die Erstellung eines maßgeschneiderten Modells speziell für das Gebäudeenergiemanagement.