AI大模型技术在电力系统中的应用及发展趋势-香港中文大学（深圳）-2025.6.10_43页_5mb

报告题目: 大语言模型与智能体技术在电力系统中的应用及发展趋势

报告人

赵建华
单位: 香港中文大学(深圳)

时间: 2024年5月10日

---

一、大语言模型与智能体技术概述

• 发展历程:
  人工智能从决策式AI到生成式AI，大模型技术的出现带来革命性突破，从逻辑推理向复杂思维活动演进。大模型技术的核心要素包括“大规模数据”、“大模型”和“大算力”。

• 语言模型简介:
  LLM（Large Language Model）是一种基于自监督学习，通过处理海量无标注文本训练出的语言模型，其核心在于预测语言分布，贴近人类语言习惯。整体模型构建包括预训练、微调等重要环节。

• 智能体（Agent）技术:
  通过LLM Agent可实现自主环境感知、任务分解与试错、长期记忆以及自主学习等关键能力。智能体时代是获得模型能力的新范式，能够结合多种模型实现复杂任务。

• 智能体的技术配置:
  包括提示优化（Prompt Engineering）、检索增强生成（RAG）、增量学习、强化学习（RLHF）等关键技术。

---

二、大语言模型在电力系统中的潜在应用场景

• 机器替代（Machine Replacement）：
  应用于巡视、客服、公文写作等，降低人工负担。

• 工作流重构：
  面向调度运行规划，实现流程自动化和智能化。

• 信息-物理-社会系统（CPSSE）仿真与融合:
  将大语言模型融合到仿真环境中，实现非结构化数据的整合分析与多模态数据融合，证明其在负荷预测、动态建模方面的有效性。

---

三、融合多模型的技术路径分析

• 智能体框架下的融合技术:
  利用 Agent 实现因果模型、大语言模型、符号串模型（SPT）和小型模型的融合。

  • 大模型负责高层次规划与推理；
  • 小模型和因果模型负责精确可靠的局部判断；
  • 神经网络和混合动态仿真结合。

• 挑战与不足:
  因果模型仍需提高其稳定性和适应性；
  神经网络架构尚未完全成熟，可解释性弱；
  在关键任务中仍需人工介入决策以确保准确性和可靠性。

---

四、代表性应用案例分析

负荷预测（高适应性）

• 提出基于LLM Agent的智能文本分析负荷预测方法（ITA-LF），利用新闻事件分析对电价波动提供预测。
• 在多种场景中性能优于传统LSTM、SARIMA、Reformer等方法，MAPE进一步降低至4.65%。

调度与市场行为建模

• 初步构建调度行为大语言模型（DispatchLLM），支持调度语音、文本、经济调度等多业务场景。
• 电力市场均衡分析中，结合多代理系统，提升多主体博弈建模的灵活性和适应性。

---

五、大语言模型与智能系统（Al4S）展望与结语

• 融合人工智能、高性能计算和先进数学工具，Al4S（人工智能增强科学）正在推动科学与工程领域的复杂问题解决。
• 大模型为解决电力系统中的挑战提供了新路径，但尚未完全取代专业模型，现阶段仍以混合智能（Human-AI Hybrid）为主。
• 未来应加强大模型与因果建模、符号串模型的融合，开发更高可解释性强、稳定性强的AI框架，确保电力系统运行安全与高效。同时需推进多智能体框架下的模型集成与迭代优化。

---

结论
基于大语言模型的智能系统已在多个电力应用场景展现良好前景，但仍面临泛化性不足、可靠性与可解释性等问题。未来应朝着提高决策鲁棒性、优化人机协同方向发展。