🤖 AI

WattCouncil: Context-Aware Household Energy Scenario Generation With Governed LLMs

本文介绍了 WattCouncil，这是一个利用受控大语言模型智能体议会来生成逼真的、具备上下文感知能力的家庭能源场景的框架，从而解决了智能电网研究中高分辨率、符合隐私合规要求的资料匮乏的问题。

原作者： Mohannad Takrouri, Nicolas M. Cuadrado A., Martin Takáč

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohannad Takrouri, Nicolas M. Cuadrado A., Martin Takáč

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

将电网想象成一座城市的巨大神经系统。目前，这个系统正受到一些冲击。我们正在屋顶上安装更多的太阳能电池板，并接入更多的电动汽车，这使得电力的流动变得波动且难以预测。为了解决这个问题，科学家们需要进行“假设”场景的练习，但他们不能直接窥探真实的人们的电费账单，因为那是违反隐私规定的。他们需要看起来和感觉起来与真实数据完全一致的虚构数据。

由此诞生了 WattCouncil。不要把它仅仅看作一个超级智能的机器人，而要把它想象成一个由 AI 智能体团队运行的微型、严格的市政厅会议。它不是由一个 AI 来猜测一个家庭的一天是如何度过的，而是将工作分配给不同的专家，在任何数据被记录下来之前，由他们进行辩论、检查并投票决定细节。

市政厅会议

WattCouncil 由一个“委员会”组成的 AI 智能体组成，每个智能体都有特定的职责，就像话剧中的演员一样，永远不会脱离角色：

生成器（梦想家）： 这个智能体是富有创造力的。它会说：“好吧，让我们想象一个住在爱尔兰独栋房屋里的四口之家。爸爸在办公室上班，妈妈在家办公，还有两个孩子。”它试图构思出一个日常作息。在这里它可以发挥一点创造力，就像作家构思创意一样。
文化审计员（当地专家）： 这个智能体检查故事是否符合当地文化。如果生成器说：“这个家庭在凌晨 2:00 吃晚餐，”文化审计员就会举起红旗。“不对，这不是爱尔兰家庭的生活方式，”它说道。它确保日程安排符合当地规范。
物理审计员（物理警察）： 这是最严格的成员。它检查数学逻辑和物理定律。如果生成器说：“这个家庭在爱尔兰炎热的夏季夏天打开了加热器，”物理审计员就会敲响法槌。“不可能！这违反了现实规则。”它会检查温度和能源使用量等数字，以确保它们没有撒谎。
控制员（市长）： 这个智能体倾听审计员的意见。如果故事很完美，它会说“批准”。如果有一个小错误，它会将任务发回给编辑来仅修复那一部分。如果整个故事一团糟，它会说“从头开始重新开始”。

整个过程分为三个阶段：首先，他们构建家庭；其次，他们创造天气；最后，他们模拟用电情况。

天气大测试

研究人员提出了一个重要问题：我们需要 AI 来发明天气，还是可以直接使用真实的天气数据？

他们进行了一项测试，让 AI 生成天气（温度、阳光、湿度）与使用标准的、真实世界的天气文件（称为 TMY，典型气象年）进行对比。

结果： AI 在猜测天气的总体形态方面表现尚可，但并不完美。当他们将 AI 生成的天气与真实的 TMY 数据进行比较时，相关性（匹配程度）表现尚可但并不完美——根据季节或天气类型（如温度或阳光）的不同，相关性在 0.43 到 0.99 之间波动。
教训： 论文指出，虽然 AI 可以尝试制作天气，但最好使用基于物理学的真实天气数据作为基础。AI 擅长处理人类行为部分（人们做什么），但在处理物理学部分（太阳如何运作）时并不是最好的。

虚构家庭表现真实吗？

团队通过创建 1,000 个虚构家庭档案来测试他们的 WattCouncil。他们将这些档案与来自 4,232 个真实爱尔兰家庭（来自名为 CER 的数据集）的真实数据进行了对比。

好消息： 虚构家庭掌握了正确的时间点。它们知道人们什么时候起床、什么时候出门上班以及什么时候开灯。每日模式与真实数据匹配得非常好，在不同季节和不同家庭类型下的相关性得分（衡量相似度的指标）在 0.57 到 0.84 之间。
坏消息： 虚构家庭在电量数值上出错了。虽然曲线的形状看起来是对的，但实际数值却有偏差。误差率（数值偏离程度）相当高，在某些情况下百分比达到了 72.76%、79.52% 甚至 93.98%。
结论： 论文表明，AI 非常擅长模仿人类的行为和日程，但在猜测精确的用电量方面却很吃力，因为它缺乏更具体的物理细节（例如冰箱到底有多高效，或者墙壁有多厚）。

严谨的代价

由于 WattCouncil 非常谨慎，因此运行速度较慢。为了生成仅仅一个虚构家庭全年的数据（检查所有季节和周末），该系统向 AI 模型发起了 52 次独立的调用。它耗时约 556.8 秒（大约 9 分钟），并处理了超过 190,000 个 token 的文本。

作者指出，这种“治理”（即检查和反复检查）是一种刻意的权衡。他们愿意通过等待更长时间来确保数据的安全性和逻辑性，而不是仅仅快速地吐出混乱的结果。

未来展望

该论文并不声称这是一个完美的解决方案或能解决一切问题的方案。相反，它建议 WattCouncil 是一个创建受控场景的强大新工具。它就像是电力系统的飞行模拟器：它不会告诉你特定飞机的燃油消耗量到底是多少，但它能让你在风暴中安全地练习飞行。

研究人员指出，为了获得准确的能量数值，未来的版本需要包含更多的物理细节，例如房屋的具体大小或加热系统的效率。在此之前，WattCouncil 仍然是一种生成关于人类如何使用能源的真实“故事”的绝佳方式，即便其精确的数字仍需物理学的进一步辅助。

技术摘要：WattCouncil

问题陈述

向低碳电力系统的转型以及表后技术（如屋顶太阳能、电动汽车）的激增，给电网带来了新的运营需求。虽然智能电网研究越来越多地依赖机器学习，但由于高分辨率家庭能源数据的匮乏，研究进展受到了阻碍。现有的数据集往往呈现碎片化、持续时间有限或地理范围狭窄，且缺乏必要的社会经济元数据，难以对居民消费的异质性进行建模。此外，传统的自下而上模拟模型通常依赖于僵化的假设，无法捕捉细微的行为和文化因素；而纯数据驱动的模型则在面对现实世界数据中的缺失值和空缺值时显得力不从心。因此，迫切需要能够生成受控且具有上下文信息（contextually informed）的合成消费数据的方法，以支持超越现有经验来源限制的探索性分析和场景推理。

方法论：WattCouncil 框架

作者提出了 WattCouncil，这是一个受控的多智能体大语言模型（LLM）框架，旨在生成结构化的合成家庭能源场景。该框架并非直接利用 LLM 进行预测或统计建模，而是将其作为在严格流水线内运行的受控生成智能体。

核心架构

该框架利用了一个由 LLMs 组成的“委员会”（Council），其中不同的模型被分配了固定的、互不重叠的角色，以确保一致性和上下文覆盖范围。生成过程被分解为三个阶段的流水线：

家庭结构生成： 根据家庭组成分配工作和居住模式。
天气剖面生成： 定义季节性天气范围并实例化每小时天气数据。（注：此阶段可以由外部典型气象年 [TMY] 数据替换）。
能源消费建模： 合成最终的家庭能源消费剖面。

治理与控制

其核心创新在于治理机制，该机制防止了标准 LLM 生成过程中可能出现的失控现象。流水线强制执行严格的任务分离和验证：

角色专业化智能体： 委员会包括一个生成器（提出结构化 JSON 输出）、文化审计员（评估是否符合社会规范）、物理审计员（验证数值一致性及是否符合物理约束）、一个编辑器（处理针对性的修正）、一个批准者（验证编辑结果）以及一个控制器（唯一的决策权威）。
决策流： 控制器根据审计报告评估生成器的输出。它可以执行 接受（ACCEPT）、触发 局部重新生成（REGENERATE PARTIAL，通过编辑器实现），或者在检测到严重违规时触发 全面重新生成（REGENERATE FULL）。
温度策略： 框架采用了非对称的温度设置。生成器使用较高的温度 ( $\tau=0.7$ ) 以鼓励对合理场景的创造性探索，而审计员和控制器使用较低的温度 ( $\tau=0.3-0.4$ ) 以优先保证精确度、一致性和约束遵循。
模块化： 该流水线是模型无关且模块化的。例如，天气生成阶段可以被替换为外部 TMY 数据，从而隔离天气合成对下游能源建模的影响。

主要贡献

论文概述了五项主要贡献：

WattCouncil 框架： 一种用于受控合成能源数据生成的基于多智能体 LLM 的系统。
阶段化流水线： 一个具有显式审计和有界重新生成过程的流程，以确保数据质量。
评估协议： 一种将生成的剖面与真实智能电表数据进行比较的严谨方法。
消融实验： 对流水线组件（特别是天气数据来源的影响）进行的分析。
开源： 发布了包含指令的代码库，以促进未来的研究。

实验结果

该框架针对 CER 电力数据（爱尔兰）进行了评估，该数据集包含超过一年、涵盖 4,232 个家庭的半小时负荷测量数据，并结合了社会经济调查数据。

性能指标

时间结构： 生成的剖面表现出与真实数据强有力的时间对齐性。不同家庭组和季节的日负荷形状的皮尔逊相关系数在 0.57 至 0.84 之间，表明该框架成功复现了真实的日间和季节性需求结构。
量级差异： 虽然消费剖面的形状是真实的，但在绝对量级上存在显著差异（平均绝对百分比误差 [MAPE] 范围约为 62% 至 94%）。作者将其归因于在缺乏详细建筑围护结构属性和电器额定功率的情况下，难以捕捉精确的物理规模。
天气来源消融研究：
- LLM 与 TMY 天气： LLM 生成的天气剖面与 TMY 数据表现出中等至高度的相关性（例如，大多数季节的 DHI 相关性 >0.90），尽管 LLM 在物理变量的极端精确度方面表现欠佳。
- 对消费的影响： 当比较使用 LLM 天气与使用 TMY 天气生成的能源剖面时，下游的需求模式保持稳健。天气来源的选择主要影响不确定性带的宽度，而非平均需求或峰值时刻，这表明行为建模对于天气来源具有稳定性。
治理开销： 治理机制引入了计算成本。单个家庭在四个季节的生成过程需要 52 次模型调用，执行时间约为 557 秒，其中生成器和物理审计员消耗了大部分 Token 和时间。

重要性与主张

论文将 WattCouncil 定位为生成受控合成场景的补充工具，而非物理模拟器或需求预测工具的替代品。

上下文合理性： 该框架成功地将文化、季节和行为背景整合到能源消费模式中，解决了传统模型往往忽略细微社会人口动态的问题。
可控性： 通过将宏观层面的场景规范（如家庭组成、季节）与微观层面的行为实现相分离，该框架提供了一种端到端生成方法中经常缺失的解释性和可控性。
对物理准确性的适度主张： 作者明确承认 LLM 生成的数据在复现基于物理的动力学方面面临固有挑战。他们指出，虽然框架能很好地捕捉时间和行为结构，但剩余的量级差距表明，“物理基础变量对于实现真实的绝对消费仍然至关重要”。
未来方向： 论文建议未来的迭代应纳入更强的物理决定因素（如热响应、HVAC 效率），并集成专门的气候模型（如 NVIDIA 的 Earth-2），以弥合上下文合理性与物理现实主义之间的差距。

总之，WattCouncil 证明了受控的多智能体 LLM 可以有效地合成具有上下文感知能力的家庭能源场景，当现实世界数据有限或受到隐私限制时，为智能电网分析提供了一种可行的生成方法。