面向设备能耗异常检测与维护建议的Agent流程

办公楼中的设备级能源监控会产生噪音警报，非专业设施管理人员很难使用。本文提出了一种端到端的代理管道，它结合了深度时间序列预测、变分异常检测和基于 LLM 的推理，以生成优先的、可操作的维护建议。该系统使用混合奇异谱分析 (SSA) 和长短期记忆 (LSTM) 预测模型来跟踪七种办公设备，并应用每个设备的 LSTM 变分自动编码器 (VAE)，采用注意力机制标记异常的每日能耗事件。三阶段 LangChain 管道从上下文代理开始，上下文代理始终检索三个核心 RAG 源（模型可靠性、每小时基线和专家知识），并根据事件特征有条件地添加另外三个源（预测上下文、异常历史记录、全局基线），上限为 8 个推理步骤。诊断代理将证据转换为结构化 JSON 诊断，报告代理呈现人类可读的叙述。反射存储层包含操作员反馈。仪表板显示实时 30 分钟预测、盘中消耗、前一天异常报告和反馈表。我们在 16 个场景基准上评估预测模型、具有特定于设备阈值的异常检测器和 LLM 推理，包括持续和瞬态峰值、意外关闭和系统事件，比较静态与动态检索下的五个 LLM 后端。动态检索与所有后端的完全静态检索相匹配，同时将每个事件的平均上下文源从六个减少到三到六个。最好的后端得分为 90.4/100，在 70 分阈值下通过率为 100%，并且完全本地的 7B 参数模型通过了所有 16 个场景。