软件能耗并非全部环境足迹
建筑约占全球能源消耗的30%，论文指出其中很大一部分本可通过修复既有故障而避免。故障检测与诊断软件正是为了拿到这部分节省，但构建、训练和运行该软件本身也消耗能源。论文的核心论点是：仅凭FDD架构自身代码消耗的能源来评判它并不充分，因为漏检故障的方法会让本可避免的暖通空调能耗继续存在。
因此比较包含两个方面。一是诊断软件直接消耗的能源，包括模型创建或学习以及推理。二是被监测的暖通空调系统因故障被检出、漏检或误报而消耗的能源。论文构建了一个把两者结合起来的能耗模型，再用它在仿真中比较各架构族。
模型把检测率换算成能耗
能耗模型从暖通空调能耗出发：能源使用强度（每平方米每年无故障所需能源）乘以建筑面积，再乘以用于供暖或制冷的能耗占比。故障会带来额外浪费的能源，建模为该暖通空调能耗的一个比例；论文指出单个故障浪费的能源最高可达40%。
检测随后改变总量。真阳性带来的节省与年度真阳性率成正比，作用于浪费的能源。假阳性增加浪费的能源，与年度假阳性率成正比，但只作用于暖通空调总能耗的一部分。假阴性不需要单独一项，因为其浪费的能源已包含在故障项中。最终得到诊断后的暖通空调总能耗：基准暖通空调能耗加上故障浪费，减去检出故障带来的节省，再加上误报带来的惩罚。
一个关键的测量要点是，精确率、召回率和F1等常见分类指标不足以计算该模型。论文指出，假阳性率无法直接由这些数值推导，因此模型需要底层的混淆矩阵计数。
训练与推理能耗进入比较
论文把训练诊断方法和运行推理所需的能源纳入模型。这一点很重要，因为各架构族的计算需求差异明显：基于规则、基于模型、经典机器学习以及基于大语言模型的方法，其训练或推理成本并不相同。
模型的范围被有意限定。它采用一年时间跨度，并假设建筑、其暖通空调系统和所部署的诊断方法在此期间保持不变。它不建模部件老化及随之而来的故障概率增长，并把故障表示为年度浪费能源的聚合比例，而非单个故障的分布。它也只限于故障检测，不涉及故障识别或修复。
小型建筑中随机森林领先
在仿真中，计算高效的机器学习方法（如随机森林）在较小建筑中带来最大的净节省。原因在于小型建筑的暖通空调能耗基数不大，软件自身的能耗在总足迹中占相当比例。训练和运行成本低的方法能把这项开销保持在低位，同时仍能拿到与故障相关的节省。
这是基于从既有文献收集的性能与能耗数值构建的仿真结果，并非对已部署建筑的实测。论文称这些数值是估计值而非普遍精确的数字，这限定了该排序应被解读的确定程度。
建筑规模增大后微调大语言模型占优
随着建筑规模增大，微调大语言模型等资源消耗更高的方法变得更有优势。在较大建筑中，暖通空调能耗需求足够大，软件的训练与推理能耗只占总量的很小一部分，因此方法的诊断性能主导了比较。论文报告，对办公建筑而言训练和推理所需能源可忽略不计，此时微调大语言模型带来最大的净节能。
论文还报告，在其设定下微调大语言模型对独栋住宅也取得最大的节能，尽管由于供暖和制冷足迹较小，架构自身的能耗在那里更为重要。实验进一步表明，推理频率会影响软件架构的排序，也就是说诊断之间的观测间隔可能改变哪种方法胜出。
精度与算力的权衡随规模变化
结果表明，同时考虑FDD的计算能耗和准确率，会改变不同方法的相对收益。仅从算力看显得浪费的方法，如果其检测性能避免了更多浪费的暖通空调能耗，仍可能胜出；而廉价方法一旦建筑大到漏检故障的代价超过其节省的算力，就可能失去优势。
这正是论文把问题表述为两个因素组合而非单一排序的原因。相关的比较发生在诊断性能、训练与推理消耗的能源，以及被监测建筑的特征与运行方式之间。论文自身的结论是：没有哪种架构普遍最节能。
这些仿真排序的适用边界
这些发现来自使用既有文献数值的仿真实验，因此取决于模型的假设和这些输入数值的质量。一年时间跨度排除了长期变化，如建筑改造、暖通空调部件更换或退化，以及FDD系统更新。把故障聚合为单一年度损失比例，避免了对单个故障类型、严重程度、频率和持续时间的建模。
报告的训练能耗还排除了特征选择、超参数调优、提示设计、规则创建以及从第一性原理构建模型等活动，论文称这些活动难以在各架构间一致地量化。可推广性受所考虑的暖通空调子系统限制，研究聚焦于冷机和空气处理机组应用。因此作者呼吁在共同基准上评估这些架构，并把能耗模型应用于真实建筑数据。
决策取决于建筑规模
论文的实践重点是基于规模的比较，而非单一赢家。在暖通空调能耗基数较小的较小建筑中，决定因素是FDD软件自身的训练与推理需求，这有利于随机森林等计算高效的方法。在暖通空调能耗占主导的较大建筑中，诊断性能更重要，这有利于微调大语言模型，尽管其算力成本更高。
因此读者应关注的变量是建筑规模，以及推理频率，因为论文表明观测间隔可以改变排序。最有用的结论是：FDD架构应针对被监测具体建筑的规模和运行方式来选择，而不是依据哪种方法最环保的一般性说法。
本文引用的文献
Choosing an energy-efficient software architecture for building system diagnostic support
在使用既有文献性能与能耗数值的仿真中，随机森林等计算高效的机器学习方法在较小建筑中带来最大的净节能，而微调大语言模型随着建筑规模增大变得更有优势；没有哪种架构普遍最节能。