大模型智能体在低碳电力系统中的应用探索

大语言模型与智能体技术简介

• Agent（自主智能体）定义：能够自动感知环境、在环境中自主行动、通过环境反馈自主学习。
• 典型实例：EmbodiedQA，FAIR，2018。
• LLMAgent关键能力：
  • 使用工具：如搜索引擎、计算器等。
  • 任务分解与试错：通过Trial and Error优化任务执行。
  • 长期记忆：可读写性，区别于RAG的可读性。
  • 自主学习：包括微调模型权重、优化提示词、改进代码库、反思等。

LLMAgents在电力系统研究中的应用思考

• 大模型核心能力：推理、泛化、多模态数据融合。
• LLMAgent潜在应用领域：
  • 机器代人：机巡、客服、公文写作等。
  • 工作流重构：调度运行规划。
  • 信息-物理-社会系统（CPSSE）仿真：多模态数据融合。
  • 数学化服务：电力系统机理研究（AI4S）。
• 技术路线：因果模型+大模型+符号串模型（SPT）+小模型融合。
• 人机协同新范式：人类价值与问责为核心，AI的速度与规模为引掌，逐步实现“例行自动—异常监督—危机协同”的运行范式。

LLMAgents的应用初探

• 基于大语言模型实现高适应性负荷预测（ITA-LF）：
  • 传统方法局限：难以应对特殊事件、无法适应新场景、无法基于文本数据预测。
  • ITA-LF框架：LLM基于语言处理多源数据，提升预测适应性和精确度。
  • 预测效果：优于现有方法，在不同时间和地理维度适应性强。

新型电力系统下调度运行面临的挑战

• 挑战：控制对象快速增加、运行场景灵活多变、市场合规运营压力增大。
• AI+电力调度挑战：通用大模型训练数据缺少调度专业知识。
• 调度大模型研究背景：将调度、市场行为以大语言模型形式建模，实现调度行为的理解、推理、操作序列生成等目标。
• 调度大模型数据处理：领域数据集、大模型训练数据集、业务场景支持。
• 调度大模型评价指标：围绕事实性、逻辑性、稳定性、公平性、安全性、表达能力六大类二十四个子维度展开评估。

推动AI与调度运行深度融合

• 多智能体协同、大小模型协同架构：消除知识壁垒，提升调度效率。
• 智能体类型：
  • 问答智能体：梳理调度知识库，实现知识一键归纳整合。
  • 问数智能体：构建知识图谱，提升AI对专业数据的检索、理解与计算能力。
  • 报送智能体：自动生成15种报表，覆盖各调度岗位。
  • 语音智能体：应用于三险联动、告警信号处置、智能安监场景。
  • 安监智能体：初步建立对调度电话业务的监护能力。
  • 操作智能体：通过强化学习提升AI对拟票规则理解能力。
  • 决策智能体：秒级完成电网风险分析、生成处置方案，提升调度安全性与效率。

市场仿真-大模型经济学仿真的潜力

• 大模型技术应用：
  • 推理能力：处理复杂问题和理解复杂语境。
  • 泛化能力：快速适应市场动态变化。
  • 代理模拟：模拟市场中player行为或策略。
• 基于大语言模型的市场仿真结构：市场主体、市场环境和规则、市场外部性。
• 电力市场应用：
  • 日前市场交易行为建模：提示词工程（PromptEngineering）、RAG技术、专家混合MoE模型集群。
  • 基于思维树（Tree-of-Thought）市场自动建模与仿真。
• 碳市场均衡分析：
  • 均衡的重要性：企业确定供需平衡点，政策制定者优化政策设计。
  • 现有研究局限性：依赖数学模型、计算复杂、泛化性差。
  • 大语言模型优势：精确理解市场动态、强大推理与适应能力、多主体策略模拟与优化。
  • 核心技术：多代理模型、指令工程、工具调用。

AI4S是未来的蓝海

• AI4S定义：结合人工智能、高性能计算及先进数学工具的通用计算框架或系统。
• AI4S优势：融合现代智能技术，推动科学研究和工程领域复杂问题的高效解决。
• 电力系统建模与分析：物理机理转型，主网计算规模庞大，需重构基础理论。
• 大模型辅助机理研究：未来重要发展趋势，解决新型电力系统核心理论问题。

结语

• 大模型及智能体技术在多个领域颠覆基础研究与工业应用。
• 在电力系统中有广泛应用场景，机器代人场景较易落地。
• 多智能体框架可实现多类别模型有效融合。
• 信息-物理-社会系统的仿真、运行、规划仍面临诸多挑战。
• AI4S是解决新型电力系统核心理论问题的希望。