A Conversational Agentic Interface to Physics-Based Household Digital Twins for Residential Energy Decision Support
作者: Costas Mylonas, Titos Georgoulakis, Magda Foti
分类: eess.SY
发布日期: 2026-06-30
💡 一句话要点
提出对话式智能接口以支持住宅能源决策
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 对话式接口 家庭数字双胞胎 能源决策支持 自然语言处理 模拟工具 智能家居 可持续发展
📋 核心要点
- 现有的住宅能源决策支持工具存在高成本和缺乏个性化的问题，限制了其广泛应用。
- 本文提出了一种对话式智能框架，使用户能够通过自然语言与家庭数字双胞胎进行交互，简化了能源模拟过程。
- 实验结果表明，该系统在多个家庭和场景下表现出色，达到了96.1%的字段级F1和90.4%的值准确率。
📝 摘要（中文）
在住宅能源系统中，多个参与者需要可访问的决策支持工具。然而，现有方法存在局限性：专业审计成本高，经验估算缺乏家庭特异性，而高保真模拟工具需要专业知识。本文提出了一种对话式智能框架，通过自然语言交互使基于物理的家庭能源模拟变得可访问。该系统集成了基于GridLAB-D构建的家庭数字双胞胎（HDT），并通过REST微服务架构暴露，结合了两层大型语言模型（LLM）智能层，将用户请求转化为结构化的模拟负载。架构通过意图路由、特定领域知识库、模拟输出的确定性后处理和工具管理的执行策略来提高可靠性。实验结果显示该系统在45个复杂度逐渐增加的提示上实现了100%的模式一致性和95.6%的端到端模拟成功率。
🔬 方法详解
问题定义：本文旨在解决现有住宅能源决策支持工具的可访问性问题，现有方法如专业审计成本高、经验估算缺乏家庭特异性以及高保真模拟工具需要专业知识等痛点。
核心思路：论文提出的对话式智能框架通过自然语言处理技术，使用户能够轻松与家庭数字双胞胎进行交互，从而简化复杂的能源模拟过程。
技术框架：整体架构包括家庭数字双胞胎（HDT）、REST微服务架构和两层大型语言模型（LLM）智能层。用户请求通过意图路由和知识库处理，生成结构化的模拟负载。
关键创新：最重要的技术创新在于将对话式接口与物理基础的家庭数字双胞胎结合，显著降低了用户的使用门槛，同时保持了模拟的可靠性。
关键设计：系统设计中包括意图路由、领域特定知识库、模拟输出的后处理和工具管理的执行策略等关键组件，确保了高效和准确的模拟结果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该系统在45个不同复杂度的提示上实现了100%的模式一致性，字段级F1达96.1%，值准确率为90.4%，并且端到端模拟成功率高达95.6%。这些结果表明，该框架在实际应用中具有很高的可靠性和有效性。
🎯 应用场景
该研究的潜在应用领域包括住宅能源管理、建筑改造咨询和城市规划等。通过提供易于使用的决策支持工具，能够帮助家庭和专业人士更好地评估和优化能源使用，促进可持续发展。未来，该技术可能扩展到更广泛的智能家居和能源管理系统中。
📄 摘要（原文）
Multiple actors around residential energy systems require accessible decision-support tools: homeowners and tenants for dwelling-level retrofit choices, consultants and municipal planners for building and district-level intervention assessment, and retailers and aggregators for estimating residential flexibility and coordinating distributed energy resources. However, existing pathways remain limited, since professional audits are costly and static, rule-of-thumb estimates lack household specificity, and high-fidelity simulation tools require specialized expertise. This paper presents a conversational agentic framework that makes physics-based household energy simulation accessible through natural language interaction. The proposed system integrates a Household Digital Twin (HDT), built on GridLAB-D and exposed through a REST-based microservices architecture, with a two-tier large language model (LLM) agentic layer that translates user requests into structured, schema-compliant simulation payloads. To improve reliability, the architecture combines intent routing, a domain-specific knowledge base, deterministic post-processing of simulation outputs, and tool-governed execution policies. The system is evaluated on a curated dataset of 45 prompts with increasing complexity, covering multiple households, seasons, and override scenarios. Results show 100% schema conformance, 96.1% field-level F1, 90.4% value accuracy, and a 95.6% end-to-end simulation success rate. The findings indicate that conversational agentic interfaces can substantially lower the usability barrier of physics-based household digital twins while preserving the reliability required for residential energy decision support.