報(bào)告人：趙俊華單位：香港中文大學(xué)(深圳)

時(shí)間：2025年10月26日個(gè)報(bào)告題目：大模型智能體在低碳電力系統(tǒng)中的應(yīng)用探索香港中文大李(深明)TeChiweUhmyungng9naen01大語言模型與智能體技術(shù)簡介你好。人類你好

。語言模型一個(gè)前綴輸入你

好

。給定相同前綴，語言模

型是輸出能近似人類語

言分布的模型。你也好。V

我50。真實(shí)分布你也好。V

我50。預(yù)測分布什么是語言模型建

模Agent(自主智能體)考古學(xué)：通用定義自主智能體能夠自動感知環(huán)境能夠在環(huán)境中自主行動能夠通過環(huán)境反饋?zhàn)灾鲗W(xué)習(xí)DeepMind

Lab,2016典型實(shí)例QA,FAIR,2018---Maes(1995)WiKIPEDIA

TheFeeEncycopediaEmbodiedObservationsActionsTellTwitterTrendingInstructionnAnswerHumanResultTwitterTrendingis1.HotWeather2.NBAPLAYOFFS

3....常用

工

具

：API搜索引擎爬蟲代碼繪圖LLM

Agent:

關(guān)鍵能力一使用工具FoundationCallAPI

Model1.HotWeather2.NBAPLAYOFFS

3.….Tool任務(wù)

搭建一張床子目標(biāo)

子目標(biāo)

子目標(biāo)

子目標(biāo)燃Describe,Explain,PlanandSelect:InteractivePlanningwithLargeLanguageModesEnables

Open-Worid

Mult-Task

Agentse'usc-n-j

-:2二rl

-kL

i-LLM

Agent:

關(guān)鍵能力一任務(wù)分解與試錯Trialand

Error2

o

0

戰(zhàn)

2]

A問l2

v09SIo

gType

by

contentDefinitionExamplesEpisodicmemoryStores

experienceGenerative

agents[Park

et

al.,2023]SemanticmemoryStores

knowledgeProceduralmemoryStores

skillsVoyager

[Wang

et

al.,2023]ActionObservationDH

WOW!

B

影IGOT

IT

NwWAIT.WHATWAS

ITHINKINSABOLT?16u

6

snTHETRAGEDYOFATHREESECOND

MEMORY感覺蔬息(視/能/嗅/味/期)(sensory

input)遭忘短期記惚/工作記惚(shortterm

memory/working

memory)

推編碼(encoding)儲存(storage)長期記懂(long

term

mmory)Long-term

Memory與

RAG

區(qū)別

：

可

讀

寫

性與Human

Brain

Mapping:WriteReadInstruction:

…

.

Thought:..Action:..Obs:...Thought:...Along-term

memory●

Read

and

write·Stores

experience,knowledge,skills,..·Persist

over

new

experienceLLMAgent:關(guān)鍵能力—Long-term

Memory提取(retrieval)LLMAgent:

關(guān)鍵能力一自主學(xué)習(xí)●

Fine-tuning

model

weights(the

most

obvious)-

FireAct●Optimizingpromptsacross

tasks-LLM

are

Human-level

Promptengineers●Improvetheagent’s

own

codebase-SWE-

agent●Write

down

examples/events

to

retrieve

later-

GenerativeAgent●

Append

self-reflection

to

prompt

to

try

again-

Reflextionstream-1l

tuValti

y

tt*gtif!一

----日上二三untochroa04-LMMu.0P4dbInferenceGtAt-MnyAgent-Computer

InterfaceLM-friendycommands2TerminalNovgaerpo

PSearch

fieVewfe

edtinesklearn!LM-friendlyervironment

feedback●活foctemDilara

Soylu

Christopher

Potts

Omar

KhattabStanford

University

Generative

agents,2023Rufio2023Fine-Tuningand

Prompt

Optimization:Two

GreatSteps

that

Work

Better

TogetherCombine

multiple

approachesu

u

Mamory0.What

are

you

leoking

themost

rightnow?LageLanggModis

An

Hmanial

Prong

Engiren.2027uli

neced

PamgbCexamples/DREADMErstesahauont

甲2AFm*t -

Mulu

tank

Qwstions后

Filesystem回

Fine

tunisgtQuuan

34雪

LMAgenttg0hSWE-agent,20249oXSWE-agentFireAct,2023Computerfrs

nfforward

toLL

輛nutTnebk4.LetomCm-1ilraca,-

--香

港

中

文

太

李

(

深

城

)TeChineLaivurayeflngkong,Sunden02

LLM

Agents在電力系統(tǒng)研究中的應(yīng)用思考9101010

Hi!100101

Hello!Mathematical

Modeling數(shù)學(xué)建模與公式推導(dǎo)大模型的核心能力自然語言與常識理解代碼生成邏輯推理LLM

Agent在新型電力系統(tǒng)中的應(yīng)用思考LLM

Agent的潛在應(yīng)用領(lǐng)域：·

機(jī)器代人(機(jī)巡、客服、公文寫作等)·

工作流重構(gòu)(調(diào)度運(yùn)行規(guī)劃)·信息-物理-社會系統(tǒng)(CPSSE)仿真·

多模態(tài)數(shù)據(jù)融合(數(shù)字化服務(wù))·

電力系統(tǒng)機(jī)理研究(AI4S)●在調(diào)度運(yùn)行等核心領(lǐng)域，大模型的推理可靠性與“幻覺”問題，決定了大模型尚不能完全替代人工。●已經(jīng)應(yīng)用良好的各種基于因果模型的工具無需替代。●可以考慮采取因果模型+大模型+符號串模型

(SPT)+

小模型融合的技術(shù)路線。薛禹勝，

新型能源體系(CP

SS

-EEE)的多目標(biāo)協(xié)調(diào)規(guī)劃，

https://mp.weixin.qq.com/s/fodienZxB24j9MRX6qFa9w趙俊華，文福拴，黃建偉，等.基于大語言模型的電力系統(tǒng)通用人工智能展望：理論與應(yīng)用[J].電力系統(tǒng)自動化，2024,48(6):13-28.業(yè)務(wù)數(shù)據(jù)文本數(shù)據(jù)

業(yè)務(wù)數(shù)據(jù)

圖像數(shù)據(jù)微調(diào)/訓(xùn)練

微調(diào)

訓(xùn)練

微調(diào)大模型/領(lǐng)域小模型

大模型

領(lǐng)域小模型大視頻模型多模態(tài)融合·

適用于誤決策代價(jià)比較小的簡單機(jī)器代人場

景；·

不適用于需要對電力系統(tǒng)精確量化的場景；·

適用于需要引入文本、視頻等多種模態(tài)數(shù)據(jù)，且誤

決策代價(jià)較小的場景；在Agent

的框架下實(shí)現(xiàn)多類模型的融合文本數(shù)據(jù)微調(diào)大語言模型深度融合/聯(lián)合推理·

實(shí)現(xiàn)推理與計(jì)算的統(tǒng)一；·

較好的模擬因果模型背后的物理機(jī)理；·

神經(jīng)網(wǎng)絡(luò)架構(gòu)尚有待探索；·

可解釋性不足；業(yè)務(wù)數(shù)據(jù)訓(xùn)練PINN在Agent

的框架下實(shí)現(xiàn)多類模型的融合文本數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)符號數(shù)據(jù)微調(diào)/RL

訓(xùn)練

訓(xùn)練大語言模型

PINN

因果模型符號模型(SPT)知識表示

快速數(shù)值

因果分析/可

符號推理計(jì)算

靠數(shù)值計(jì)算知識融合/決策·推理大模型作為“大腦”,主要負(fù)責(zé)問題的規(guī)劃、任務(wù)的分解與高層次推理；·PINN

可在盡量保留因果模型準(zhǔn)確性的前提下，大幅提高計(jì)算速度；·

因果模型可在部分必要場景下，保證決策結(jié)果的可靠性；·符號模型可以在推理中提取形式化知識，保證智能體整體框架的可解釋性；推理大模型反饋/自學(xué)習(xí)問題規(guī)劃/任務(wù)分解/高層次推理在Agent

的框架下實(shí)現(xiàn)多類模型的融合文本數(shù)據(jù)

業(yè)務(wù)數(shù)據(jù)

符號數(shù)據(jù)微調(diào)/RL

訓(xùn)練

訓(xùn)練大語言模型

PINN

因果模型

符號模型

(SPT)知識表示

快速數(shù)值

因果分析/可

符號推理計(jì)算

靠數(shù)值計(jì)算知識融合/決策·必要的場景中，可以將人引入多智能體框架中；·人可以向智能體提供反饋，并作為最終決策者判定決策質(zhì)量；·決定人什么時(shí)候介入是一個(gè)待解決的課題；YCao,H

Zhao,YCheng,TShu,YChen,GLiu,GLiang.JZhao.JYan,Surveyonlarge

language

model-enhanced

reinforcementlearning

Concept

taxonomyandmethods.IEEETransactionson

Neural

Networksand

LearningSystems,2024.推理大模型問題規(guī)劃/任務(wù)分解/高層次推理人機(jī)協(xié)同在Agent

的框架下實(shí)現(xiàn)多類模型的融合反饋/自學(xué)習(xí)核心理念：“人類價(jià)值與問責(zé)為核心，Al的速度與規(guī)模為引擎”,逐步實(shí)現(xiàn)“例行自動一異常監(jiān)督一危機(jī)協(xié)同”的運(yùn)行范式。推演層潮流/N-1仿真、優(yōu)化求解感知層SCADA/EMS/

天氣/市場數(shù)據(jù)編排層多Agent

協(xié)作、工具鏈調(diào)度認(rèn)知層LLM+RAG、規(guī)程/案例解釋執(zhí)行與門控層指令生成、人類審批、流程審計(jì)優(yōu)化C.迭代反饋(人機(jī)對話，方案優(yōu)化)構(gòu)建“感知-認(rèn)知-推演-編排-執(zhí)行”的全鏈路協(xié)同閉環(huán)，讓人類專家聚焦于高價(jià)值的決策、監(jiān)督與異常處置?！救藱C(jī)協(xié)同】新范式與參考架構(gòu)B.并行協(xié)作(人機(jī)分工，并行處理)D.

例行自動(常規(guī)任務(wù)，AI自主)人機(jī)協(xié)同理念與模式A.

監(jiān)督模式(AI執(zhí)行，人監(jiān)督)技術(shù)架構(gòu)圖香港中文大拳(深明)TheCnwtadvmyoflkngkong

fuhen03

LLM

Agents的應(yīng)用初探17基于大語言模型實(shí)現(xiàn)高適應(yīng)性負(fù)荷預(yù)測(多模態(tài)數(shù)據(jù)融合)·

傳統(tǒng)方法局限：1.難以應(yīng)對特殊事件發(fā)生時(shí)，短期電力負(fù)荷的快速變化或極端波動；2.不能適應(yīng)超出歷史數(shù)據(jù)涵蓋

范圍的新場景；3.無法基于文本數(shù)據(jù)(新聞事件)進(jìn)行預(yù)測推理?！?/p>

提出IntelligentText-AnalyticLoadForecasting(ITA-LF):LLM能夠基于語言有效處理、整合非結(jié)構(gòu)化及海量

多源數(shù)據(jù)，通過Agent篩選實(shí)時(shí)相關(guān)新聞并理解文本邏輯，顯著提升預(yù)測的適應(yīng)性和精確度。FlexibilityITA-LFComprehensivenessTlmeSerlesDataGeographicLocationTypicalDayWeatherlaputlaputlupatlapatInput:predictthedailyloadconstmption

in

thenext

day.Historicalload

data

is:(historieal

tine

series).·Historical

Data

covers

(I

dan}

and

the

data

frequency

is(30

mnates

)

perpoint.·The

region

is{NSF/QLD/S4/TSA/VIC);·The

date

of

prediction

is

(date)that

is

{weekday/reekend),and

itis

(holideynane/nora

holideyy:·Theweatherofpredictiondate:{ninimmtenperatime,mczrimarm

tenperature,huanicdin,wind

pover,andpresstre);·Newsbeforetheprediction:/Nenvaritlel./briefaanmaryl(publication

timej./catgory.(fill

article}).Output:

(Timeseriesof

actiallondinthe

prediction

date).SupplyRealttimeNewsDatabaseSelectMost

RkevantNewsIaputLI.MsAgent

ReasoningNews

Categories:1.BreakingNewsI1.Political

&CrimeⅢL

Courts&LawIV.Lifestyle

TechnologyV.FinanceVL

WeatherVII

Public

Health

IssueFiaetuneTestTestSetLargeLanguageModel(LLM)PredictPredictedLoadPrompt

Procedure·Initial

Reasoning·Ranking·Selection·Reflection新

聞+地

理+歷

史

負(fù)

荷+氣

象

數(shù)

據(jù)+典

型

天VaidationPredietion

ValidathenResults

Set預(yù)訓(xùn)練模型能夠整合廣泛

的社會、經(jīng)濟(jì)和技術(shù)知識LLM

Agent智能優(yōu)化用于

負(fù)荷預(yù)測相關(guān)新聞的選擇ITA-LF框架圖LLMs

擅長解析和理解非結(jié)構(gòu)化數(shù)據(jù)IntelligenceLLM

AgentSTLF

with

LLMsApplyGrouadTnch☆Cae4Testual

PromptwithFilered

New魯

Case

3Textual

Prompt

wath

Non-filiered

News-●Case

2Textual

Prompt

withourNews★

CaseIOnlyNemericPrompt012243648TimeIndex基于大語言模型實(shí)現(xiàn)高適應(yīng)性負(fù)荷預(yù)測

新聞事件相關(guān)的文本數(shù)據(jù)的引入，有效提升在特定事件發(fā)生時(shí)負(fù)荷預(yù)測精確度。

LSTMaSARIMAReFormerInformerAutoFormerITA-LF(Case

1)ITA-LF(Case

3)ITA-LF(Case

2)ITA-LF(Case

4)481006.30475200.06169355.11216422.27224497.31154388.74107780.7489334.6766818.94693.55689.35411.53

465.21

473.81

392.92

328.30

298.89258.49523.23

421.82

283.97

331.17

323.89

216.56

182.54

166.27144.6821.25%

82.08%

11.61%

89.93%

11.26%

89.93%11.91%88.65%11.93%89.20%6.71%93.92%6.09%94.70%5.42%

95.06%

4.65%95.61%Load

Newx

Apowroutugeucpected

to

afect

elachiciy

load(kWh)

wthadropinconuompticn.12000

—

Tra

atNoNm

hoiled二

WNew1100010000900080007000(c)0

20406080Dcnaasingnasidentialelacmiciyiceloadngt

higherpowerload

churingpeakhoun

…一

AutueMelmb

WMw50004500400020406080加m

commerrial

and

meshial

enagyucage…AaalthheNoNimiWdNew10000900080007000(a)

0

2040

6080基于新聞和負(fù)荷數(shù)據(jù)的ITA-LF預(yù)測效果普遍優(yōu)于現(xiàn)有方法：TABLEIPERFORMANCEMETRICSOFDIFFERENTMODELS·

Agent

對新聞事件的篩選，在提升大模型輸入token

效率的同時(shí)增強(qiáng)預(yù)

測

精

確

度

：Model

MSE

RMSE

MAE

MAPE

Accuracy疫情封城

商業(yè)活動帶來居民用電量上升Load

Newr

Sdhey's

bocklon

epected

to

dacraaseshortLoadNewr

(kWh)5500900085008000750070006500600055005000(kWh)1200011000區(qū)域大停電DemandPrediction(kW)(b)

0·d澳大利亞不同典型天日前負(fù)荷預(yù)測SARIMA

LSTM

ReformerInfornerAutoformerAchualValuePredictedVales這

0

480

4

24基于LLM

的負(fù)荷預(yù)測顯著提升準(zhǔn)確性和可靠性，優(yōu)化對突發(fā)變化的應(yīng)對，

突出了語言處理在整合非結(jié)構(gòu)化信息中的作用，

標(biāo)志負(fù)荷預(yù)測及時(shí)序決策研究范式的轉(zhuǎn)變。澳大利亞不同地區(qū)日前負(fù)荷預(yù)測SARIMALSTMReformerInforner40

4

024

是5X

Wang,M

Feng,J

Qiu,JGu,J

Zhao,From

news

to

forecast

Integrating

event

analysis

in

llm-based

time

series

forecasting

with

reflection,

The

Thirty-Eighth

AnnualConference

on

Neural

Information

Processing

Systems(NeurlPS)2024.ITA-LF(Ours)4824485

24基于大語言模型實(shí)現(xiàn)高適應(yīng)性負(fù)荷預(yù)測·

預(yù)

測

效

果

普

遍

優(yōu)

于

現(xiàn)

有

方

法，

在

不

同

時(shí)

間

和

地

理

維

度的

適

應(yīng)

性

強(qiáng)，顯

著

提

升

預(yù)

測的

適

應(yīng)

性

和

精

確

度

：4PredictedValues

WeekdayWeckendHolidayCovid-19

Lockdown484ActualValues

NSWVICQLD5AIAS電網(wǎng)規(guī)模擴(kuò)大運(yùn)行場景多變電力市場改革解決方案系統(tǒng)運(yùn)行變化趨勢數(shù)字化調(diào)控一體化網(wǎng)絡(luò)發(fā)令電子化數(shù)智化AI賦能調(diào)度新型電力系統(tǒng)下調(diào)度運(yùn)行面臨的挑戰(zhàn)隨著新型電力系統(tǒng)建設(shè)與電力現(xiàn)貨市場改革的深入，當(dāng)前廣東省調(diào)度運(yùn)行面臨控制對象快速增加、運(yùn)行場景靈活多變、市場合規(guī)運(yùn)營壓力增大的

痛點(diǎn)，傳統(tǒng)調(diào)度依靠人工進(jìn)行大量數(shù)據(jù)分析并且依靠經(jīng)驗(yàn)進(jìn)

行調(diào)度的模式已不能滿足系統(tǒng)運(yùn)行需要，亟需開展智能化升級。“Al+電力調(diào)度”面臨的挑戰(zhàn)電力調(diào)度業(yè)務(wù)具有專業(yè)性強(qiáng)、安全第

一

、快速響應(yīng)和綜合全面的特點(diǎn)，給電力調(diào)度的Al+轉(zhuǎn)

型

帶

來了巨大挑戰(zhàn)。神經(jīng)網(wǎng)絡(luò)的輸出空間99%1%←—安全決策

—→—

危險(xiǎn)決策

—→通用大模型訓(xùn)練數(shù)據(jù)缺少調(diào)度專業(yè)知識“先見得多，后識得廣”概率性輸出易突破電網(wǎng)安全底線“萬無一失，

一失萬無”讓大模型決策5次99%×99%X99%×99%X99%Il95%廣東裝機(jī)情況?我不掌輝具體情況。如如果需要計(jì)算，請?zhí)峁┦裁词浅绷饔?jì)算?影陽計(jì)算

Power

PawCakcuaton)

庭行電壓分6落電氣參數(shù)《

業(yè)

務(wù)

指引

》《本地?cái)?shù)據(jù)》《

調(diào)

度

規(guī)

程

》《

操

作

規(guī)

程

》通

用

知識庫本地

知識庫--

----

----------多方信息在調(diào)度匯集“

眼

觀

六

路，

一

錘

定

音

”拓?fù)涠{(diào)度指令信號電力調(diào)度業(yè)務(wù)具有專業(yè)性強(qiáng)、安全第一、快速響應(yīng)和綜合全面的特點(diǎn)，給電力調(diào)度的Al+轉(zhuǎn)型帶來了巨大挑戰(zhàn)。←發(fā)生→水事故處理黃金窗口

事故后果擴(kuò)大一→

設(shè)備情況調(diào)度決策需要快速生成“多輪迭代，貽誤戰(zhàn)機(jī)”“Al+電力調(diào)度”面臨的挑戰(zhàn)現(xiàn)場訴求

電話系統(tǒng)狀態(tài)系統(tǒng)

風(fēng)險(xiǎn)G

70分3

80分事件

A提

示提

示CB調(diào)度大模型研究背景基于前期研究，我們發(fā)現(xiàn)可以將調(diào)度、市場行為以大語言模型的形式建模

(語言模型化),解決傳統(tǒng)調(diào)度支撐體系中調(diào)度行為沒有

有效建模工具的問題。我們希望實(shí)現(xiàn)調(diào)度行為數(shù)據(jù)(包含語音、拓?fù)浣Y(jié)構(gòu)、文本等多模態(tài)數(shù)據(jù))、調(diào)度規(guī)程及系統(tǒng)工況等數(shù)據(jù)的統(tǒng)一表

示

，基于大語言模型多智能體實(shí)現(xiàn)調(diào)度行為的理解、推理、操作序列生成、智能博弈策略生成、市場波動響應(yīng)及決策優(yōu)化等目標(biāo)，

提高調(diào)度安全性與效率。更適應(yīng)復(fù)雜開放場景自動學(xué)習(xí)和處理復(fù)雜調(diào)控任務(wù)事故處置橋助決障ICr世.-

量地失知五決黑輔助年建立基于大模型智能體的調(diào)

度行為語言模型化與調(diào)度

決策智能生成的技術(shù)框架更可靠在線決策實(shí)現(xiàn)調(diào)度與市場決策推

理與智能生成能力支撐復(fù)雜開放場景下的調(diào)度決策推理與智能生成建模

iLL

M電力調(diào)度與市場

行為大語言模型解決調(diào)度及市場行為缺少

有效建模工具更安全生成操作序列調(diào)度操作序列生成系統(tǒng)

工具調(diào)用優(yōu)化a業(yè)務(wù)成效性能提升6

◎人類調(diào)度與

市場行為調(diào)度多模態(tài)數(shù)據(jù)(日志、語音)目

標(biāo)目

標(biāo)■

領(lǐng)域?qū)υ拞柎饠?shù)據(jù)集“instructien°:"Descrlbe

the

suin

r65en

for

ulndisg

fallure

in

elektrical

transformers.","input"!"cnainout,"outpat:Tinsulationdeterieration,oftecaasedtymoisture,overheating,vibration,oltageseges,aechanlcal

stressduringtrmsforsee

through

faults,is

thesajorreasan

fer

winding

fallure.""Instruction":%plalnthegotentialcausesoftsthangerfallarsintransforsers.","input'i."cnoinput

,outpot:1echengeetaileresccaosedtbyalfanction

of

themechunical

sitchinemechann,higresistance

loud

contacts,inulationtracking,oerheating,rcontimlnationofthetnsulatingoll.""instructlon";Whatae

thegole

reusonsfor

traniforaer

bupingfalluresr,“inpot"tcnoirput"."output";posibleresonfotramforterbushingfalluresinclukegeneralaging,contaslntiom,cracking,intermalsoisture.losofoil,vandali,dexternalflnhovercaonetbyanimals."1,“instruction°;”Provideanvarpleofastatisticrelated

to

transforaer

faults.,"inpot"!"enpinout",outpot”;"statistirsshowthatwindingfailaresmostfregsntlycasetransfornerfaults.""instruction°:Suegests0eeasresto

preventtrassforser

windiegfailres."input""ooinput."outpot":"Topreventtransforser

winding

fallures,seasures

such

as

ensuringpreperinsulation,controlliogsoistarelevels,avoidingoverheating,nininizingvibraticm,protectingagainstwoltagesurges,nf

reducingnechanlealstressduringfaultscanbeinleested.",■教材，論文集，章程等■調(diào)度場景數(shù)據(jù)等E

呂

凹Papers,Textbooks,Regulations→9DispatchProgramDispatchLLM-70b部s

etsb

itnodys地

gouipoetiee,的量列調(diào)度大模型交互頁面初版領(lǐng)域數(shù)據(jù)集大模型訓(xùn)練數(shù)據(jù)集業(yè)務(wù)場景支持：■

經(jīng)濟(jì)調(diào)度■

操作監(jiān)護(hù)■

黑啟動香港中文大學(xué)(深圳)The

Chinese

UniversityofHongKong,Shenzhen調(diào)度大模型數(shù)據(jù)處理selemaieia

thessasdsnotusygoaora

anarant速L香港中文大學(xué)(深圳)TheChineseUniversityof

HongKong,Shenzhen測試集評測體系：■評測圍繞調(diào)度大模型在事實(shí)性、邏輯性、穩(wěn)定性、公平性、安全性、表達(dá)能力六大類二十四個(gè)子維度展開評估。測試集題型設(shè)定：■客觀題：判斷題、選擇題、問答題■

主觀題：問答題評測方法：■

客觀題：GPT-4+

評測腳本■

主觀題：GPT-4+

人工評測用詞表達(dá)錯誤信息數(shù)學(xué)運(yùn)顛造

性表達(dá)性事實(shí)性電力大模型評測體系羽穩(wěn)定性文法

數(shù)據(jù)

穩(wěn)定性穩(wěn)定性穩(wěn)定性XZhou,H

Zhao,Y

Cheng,JZhao,etc,ElecBench;aPower

GridDispatchEvaluationBenchmark

for

LargeLanguageModels,IEEEPower

andEnergy

Society(PES)General

Meeting,2024(BestPaper

Session).調(diào)度大模型評價(jià)指標(biāo)練

因果邏輯

推理利益

公平程序性達(dá)

定性安全性公平性準(zhǔn)確性

一致性數(shù)公平性誤校準(zhǔn)安全性準(zhǔn)確性諂媚性多雌性隱私編推動Al與調(diào)度運(yùn)行深度融合研究人工智能在調(diào)度運(yùn)行領(lǐng)域垂直落地技術(shù)路線，提出多智能體協(xié)同、大小模型協(xié)同的架構(gòu)，消除

AI“幻覺”問題，為電網(wǎng)調(diào)度由“經(jīng)驗(yàn)驅(qū)動型”向“智能決策型”轉(zhuǎn)變提供樣例。Al調(diào)度員：明月多專家智能體協(xié)同報(bào)送智能體操作智能體

決策智能體

安監(jiān)智能體

監(jiān)控智能體培訓(xùn)智能體調(diào)控智能體智能體問答智能體

問數(shù)智能體

語音智能體南網(wǎng)智瞰

省地AGC

調(diào)度員潮流

操作機(jī)器人應(yīng)用層YCheng,HZhao,×Zhou,JZhao,YCao,CYang,XCai,Alarge

language

modelforadvanced

power

dispatch,Scientfic

Reports

15(1),8925短路電流計(jì)算調(diào)度電話區(qū)域現(xiàn)貨系統(tǒng)操作航班系統(tǒng)支撐基礎(chǔ)廣東現(xiàn)貨系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評估服務(wù)器

OCS設(shè)備停電池OMSDCCS未來態(tài)掃描算力

網(wǎng)絡(luò)大小模型

協(xié)同基礎(chǔ)層問答智能體梳理7大類、近300份調(diào)度專業(yè)文件，切片形成23萬條向量化調(diào)度知識庫，通過檢索增強(qiáng)技術(shù)賦予大模型專業(yè)知識理解能力，幫助調(diào)度員實(shí)現(xiàn)海量調(diào)度知識一鍵歸納整合?？?/p>

分

類

樹口

【1]國家法律、法規(guī)、條例、標(biāo)準(zhǔn)

19個(gè)文件口

[2】南方電網(wǎng)各級規(guī)章、制度、指導(dǎo)160個(gè)文件口

【3]調(diào)度臺常用資料

81個(gè)文件口

【4]專業(yè)知識拓屬庫

15個(gè)文件口【5]廣東電網(wǎng)匯報(bào)材料

5個(gè)文件【6]部門運(yùn)行工作要求1個(gè)文件口

【7]臺賬

5個(gè)文件精細(xì)化

切分海量調(diào)度知識文本向量

匹配提問嵌入機(jī)專業(yè)調(diào)度知識庫知識嵌入向量調(diào)度

知識庫知識

篩選調(diào)度員檢素海量跨業(yè)務(wù)文檔業(yè)務(wù)所需知識傳

統(tǒng)

模

式

：

靠

人

工

經(jīng)

驗(yàn)、

點(diǎn)

多

面

廣

、耗時(shí)耗力、容易遺漏向量匹配檢索

提示工程構(gòu)建本地向量化調(diào)度知識庫調(diào)度員指令向量化輸入信息匹配知識召回相關(guān)規(guī)程

知識

向量化調(diào)度知識檢索增強(qiáng)

海量調(diào)度知識一鍵綜合檢索問

答

智

能

體

：

智

能

體

一

鍵

歸

納

整

合

業(yè)

務(wù)

知

識海量跨業(yè)務(wù)知識大模型智能

體整合歸納憑經(jīng)驗(yàn)查

詢?nèi)斯w納輸入指令數(shù)據(jù)標(biāo)簽知識圖譜構(gòu)建OCS/OMS/DICP

專業(yè)數(shù)據(jù)庫整

精r1c

域名

2

別

1r1r2形成名稱-

域名-

別名匹配對超16萬個(gè)電力遙測數(shù)據(jù)知識圖譜ncrrmr白功版電(CMW)n□r

有功樹電(MW海而血流出力自功出力值中明公電物功值西電

出

力

有

功(

5

跳

空

)中電出力力功出力填出力有功出力慎族名中問數(shù)智能體對海量運(yùn)行數(shù)據(jù)開展篩查清洗，形成16萬+“表名-域名-別名”數(shù)據(jù)標(biāo)簽，構(gòu)建知識圖譜描述多源數(shù)據(jù)內(nèi)在聯(lián)系，創(chuàng)新性提出“數(shù)據(jù)查詢與計(jì)算”獨(dú)立框架，大幅提升AI對專業(yè)數(shù)據(jù)的檢索、理解與計(jì)算能力。指令輸入LLM同比/環(huán)比播值/積分值調(diào)度員查詢指令大模型訴求解析查詢分支哪些數(shù)?哪些時(shí)段?圖譜檢索查詢代碼并行生成SQL

SQL

……

SQL對結(jié)果整合并形成描述與圖片，最終輸出限制幻覺提升效率保留泛化能力指令

自動輸

入計(jì)

算查數(shù)請求

大模型解析計(jì)算廠站曼8

貸影響負(fù)碼鄲站

負(fù)

荷

跌

部1

4

0

5

MV世龍站

負(fù)他欲1528MV-

-n

…合計(jì)

504MV智能體自動統(tǒng)計(jì)Q逐次查詢

人工計(jì)算“查數(shù)-計(jì)算”解耦獨(dú)立框架Al專業(yè)數(shù)據(jù)檢索理解計(jì)算調(diào)度員查表

多源異構(gòu)數(shù)據(jù)

業(yè)務(wù)所需統(tǒng)計(jì)結(jié)果傳統(tǒng)模式：人工逐次查表核對計(jì)算繁瑣費(fèi)時(shí)問數(shù)智能體：智能體一鍵計(jì)算指定數(shù)據(jù)檢索全業(yè)務(wù)知識一鍵知識召回計(jì)算分支數(shù)據(jù)之間如何計(jì)算9大模型數(shù)據(jù)士算L

h1801Kh8

K預(yù)置知識庫具體

數(shù)據(jù)知識注入計(jì)算公式樓方

中世146

0時(shí)

用博法門Sn

易推廣易復(fù)制的智能模式DIY模塊化配置架構(gòu)圖問答模塊

處理順序

需求描述問數(shù)模塊

分支邏輯

配置文件監(jiān)控模塊

異常處理模板導(dǎo)入報(bào)表模塊

工作流參數(shù)

超時(shí)設(shè)置本地部署選擇相應(yīng)個(gè)性化流程編

一鍵生成模塊

參數(shù)配置

排鏈接

智能體功能模塊庫

配置模板庫

處理組件庫

輸出模板底層知識庫與數(shù)據(jù)源零代碼配置，快速復(fù)制到其他業(yè)務(wù)場景智能體秒級響應(yīng)高效工作智能報(bào)表生成全流程用戶需求

語音輸入場景觸發(fā)文字描述

語音智能體信號事故

語音處理指令識別報(bào)送智能體問數(shù)智能體數(shù)據(jù)提取拓?fù)浞治鲞\(yùn)行數(shù)據(jù)信息融合規(guī)范匹配系統(tǒng)拓?fù)浣Y(jié)構(gòu)智能排版報(bào)表輸出24小時(shí)在線智能助手，減輕重復(fù)性工作負(fù)擔(dān)報(bào)送智能體基于問答與問數(shù)智能體，研發(fā)報(bào)送智能體，可自動生成報(bào)送15種報(bào)表，覆蓋各調(diào)度崗位，將原本數(shù)小時(shí)才能完成的重復(fù)性報(bào)表工作縮短為秒級，減負(fù)成效明顯，并形成易復(fù)制易推廣的DIY

人工智能使用模式。問答智能體調(diào)規(guī)查詢操規(guī)檢索業(yè)務(wù)指導(dǎo)書網(wǎng)省公司信息報(bào)送要求大模型參數(shù)溫度參數(shù)用戶端入語音智能體建立了大模型運(yùn)用調(diào)度專用電話的能力，已在三險(xiǎn)聯(lián)動、告警信號處置、智能安監(jiān)場景中廣泛應(yīng)用。對于廣東電網(wǎng)27個(gè)高風(fēng)險(xiǎn)廠站作業(yè)，智能體結(jié)合調(diào)度檢修數(shù)據(jù)智能識別并且通知現(xiàn)場運(yùn)行人員及工作負(fù)責(zé)人，剛性傳遞電網(wǎng)風(fēng)險(xiǎn)。操作前

即時(shí)開工前

即時(shí)現(xiàn)

場簽署

即時(shí)簽收后□

即時(shí)檢修工期

每日9:00系統(tǒng)自動提醒調(diào)度員

向現(xiàn)場下發(fā)風(fēng)險(xiǎn)告知書現(xiàn)場簽署風(fēng)險(xiǎn)告知書向現(xiàn)場運(yùn)行值班負(fù)責(zé)人

和工作負(fù)責(zé)人發(fā)送短信

提醒向現(xiàn)場運(yùn)行值班負(fù)責(zé)人

和工作負(fù)責(zé)人發(fā)送語音

提醒深圳站風(fēng)險(xiǎn)告知書項(xiàng)站值班負(fù)責(zé)人

：500Y

江地弘屎于廣東電降公司作業(yè)高風(fēng)險(xiǎn)空電,存在三相短路單相開關(guān)距動、三科0路主保護(hù)

拒動，單相路主保護(hù)搶動導(dǎo)致系統(tǒng)失去秘定，從

而導(dǎo)故電網(wǎng)大面積停電的風(fēng)險(xiǎn)原班責(zé)任人簽字：李明值進(jìn)負(fù)責(zé)人眼系電話自動是墻)工作負(fù)責(zé)人簽字：劉萬流工作自責(zé)人取系電話：12344445555(請手打》保存樓收風(fēng)險(xiǎn)告知書示例語音智能體調(diào)度員B并行化處理促進(jìn)調(diào)度業(yè)務(wù)由“1對1”向“多對多”轉(zhuǎn)變每日9:30

檢測到高風(fēng)險(xiǎn)廠站檢修

單未完工向廠站當(dāng)值值班員和工

作負(fù)責(zé)人發(fā)送短信提醒高風(fēng)險(xiǎn)廠站作業(yè)風(fēng)險(xiǎn)傳遞流程圖調(diào)度員A調(diào)度員C值班員B調(diào)度確認(rèn)環(huán)節(jié)現(xiàn)場系統(tǒng)文字簽署短信自動提醒系統(tǒng)動態(tài)臺賬智能電話通知語音通知情況調(diào)度后臺監(jiān)視語音智能體強(qiáng)化三險(xiǎn)聯(lián)動關(guān)聯(lián)全省

設(shè)備

臺賬調(diào)度業(yè)務(wù)

同步

通知文字轉(zhuǎn)譯語音按場景觸

發(fā)值班員A安監(jiān)智能體針對調(diào)度業(yè)務(wù)點(diǎn)多面廣的特點(diǎn)，研發(fā)了利用多模態(tài)信息的安監(jiān)智能體。目前已初步建立對調(diào)度電話業(yè)務(wù)的監(jiān)護(hù)能力，后續(xù)將持續(xù)對調(diào)度掛牌、調(diào)度日志、復(fù)雜的啟動方案、斷面調(diào)控等多模態(tài)的調(diào)度行為構(gòu)建安全監(jiān)護(hù)能力。為

每

一

名

調(diào)

度

員

配

置“AI

監(jiān)

護(hù)

人

”被叫應(yīng)答

業(yè)務(wù)溝通錄音記錄

掛機(jī)結(jié)束調(diào)度語音數(shù)據(jù)調(diào)度行為記錄電網(wǎng)狀態(tài)數(shù)據(jù)調(diào)度掛牌行為斷面調(diào)控行為敏感詞實(shí)時(shí)監(jiān)測與告警安全風(fēng)險(xiǎn)識別與預(yù)警規(guī)程合規(guī)性自動核查調(diào)度員情緒壓力監(jiān)測安監(jiān)智能體

自動生成安監(jiān)報(bào)告安監(jiān)智能

體監(jiān)護(hù)剛

性執(zhí)行、

高效全面?zhèn)鹘y(tǒng)業(yè)務(wù)模式主叫發(fā)起人工監(jiān)護(hù)難

以剛性落實(shí)多模態(tài)信

息輸入智能體賦

能模式填票人系統(tǒng)更新狀態(tài)S初始拓?fù)湎乱徊綀?zhí)行

位o狀態(tài)S目標(biāo)拓?fù)?操作步驟饋本輪決策d-狀

態(tài)Sd操作智能體建立了“數(shù)據(jù)系統(tǒng)-填票人系統(tǒng)-審票人系統(tǒng)”強(qiáng)化學(xué)習(xí)訓(xùn)練框架，全面梳理調(diào)度規(guī)程及調(diào)度員擬票經(jīng)驗(yàn)并量化形成統(tǒng)一指標(biāo)，通過24小時(shí)不間斷練習(xí)提升AI對擬票規(guī)則理解能力，

形成“擬票-下令-操作”全鏈條智能執(zhí)行。操作全鏈條智能執(zhí)行檢修單關(guān)鍵信息強(qiáng)化學(xué)習(xí)成票智能體操作票操作機(jī)器人五防校核

一

鍵順控

程序化執(zhí)行設(shè)備停復(fù)電案例合環(huán)期間倒母先停線路后停母線操作前操作后評價(jià)依據(jù)細(xì)則1額外增加系統(tǒng)風(fēng)險(xiǎn)積分-270-180事先確定系列操作場景及其評價(jià)規(guī)則庫操作行為條件得分?jǐn)嚅_開關(guān)造成2個(gè)及以上主設(shè)備停電800造成主設(shè)備停電且目標(biāo)狀態(tài)中該設(shè)備為運(yùn)

行(不含充電運(yùn)行)設(shè)備300開關(guān)熱例母線未并列-750合上開關(guān)連通兩個(gè)及以上異濠網(wǎng)絡(luò)，且所連異源網(wǎng)絡(luò)

在目標(biāo)狀態(tài)中未連通細(xì)則1強(qiáng)化學(xué)習(xí)成票智能體學(xué)習(xí)過程⑤A

R

⑤A→

R

⑤≤規(guī)

則

+

經(jīng)

驗(yàn)

集

構(gòu)

建操作步驟模擬推演審

票

人

與

規(guī)

則

系

統(tǒng)結(jié)合規(guī)則與狀態(tài)，對決策進(jìn)行評價(jià)反理解+思考，最終得到下一步?jīng)Q策廣電力誰rs0

共初始拓目標(biāo)拓?fù)鋽?shù)據(jù)系統(tǒng)反

饋決

策d41H3憋。d(-決策智能體通過系統(tǒng)拓?fù)鋱D譜化構(gòu)建，賦予AI電網(wǎng)拓?fù)淅斫饽芰?，逐步?xùn)練事故處置經(jīng)驗(yàn)，充分發(fā)揮多模態(tài)信息理解能力，能夠秒級完成電網(wǎng)風(fēng)險(xiǎn)分析、生成處置方案，

同時(shí)自主完成操作票生成、操作執(zhí)行、信息報(bào)送，事故處置全鏈條時(shí)間由小

時(shí)級縮短至分鐘級，相比傳統(tǒng)依靠人工提取大量數(shù)據(jù)信息進(jìn)行處置的模式更高效、更安全。傳統(tǒng)依靠人工經(jīng)

易疏漏驗(yàn)處置事故流程

電網(wǎng)事故發(fā)生

分析海量數(shù)據(jù)

電話溝通協(xié)調(diào)

人工制定方案

執(zhí)行處置

信息通報(bào)

效率低決策智能體運(yùn)行流程圖風(fēng)險(xiǎn)感知

設(shè)備故障或臨停

拓?fù)浞治?/p>

事故后果統(tǒng)計(jì)

新增風(fēng)險(xiǎn)分析

生成處置決策調(diào)度員審核

自動調(diào)控或操作

信息報(bào)送多源數(shù)據(jù)綜合研判OCS

DCCS

OMS

氣象信息

地理信息線路運(yùn)行信息wwa決策智能體明月的應(yīng)用樹立了“數(shù)據(jù)+經(jīng)驗(yàn)+AI”的智能調(diào)度模式，重構(gòu)了調(diào)度業(yè)務(wù)形態(tài)，改

變了調(diào)度運(yùn)行生產(chǎn)方式，提高了調(diào)度對新型電力系統(tǒng)駕馭能力，大幅增加了省地

調(diào)度臺業(yè)務(wù)承載水平，讓調(diào)度員將更多的精力投入到守護(hù)大電網(wǎng)安全中。中

國

南

方

電

網(wǎng)

廣東中調(diào)AI調(diào)

度員

·明

月30交互智腦肺業(yè)朔眼措部呼出蓄能魯110開溺安全監(jiān)99次閉環(huán)告警數(shù)量92條④

被間數(shù)間答67次⑤

生成事故預(yù)庭35份⑥

擬寫操作票會20%⑦

智能信息服送17條曾皺膿今日業(yè)例向數(shù)智能體監(jiān)控智能體語音智能體向答智能體安監(jiān)智能體操作智能體推理能力：LLMs擁有處理復(fù)雜問題和

理解復(fù)雜語境的能力，這使它們能夠

理解和分析復(fù)雜的博弈策略。泛化能力：得益于LLM出色的zero-shot能

力

，快速適應(yīng)市場的動態(tài)變化。

結(jié)合大量歷史案例，提高仿真的準(zhǔn)確

性和效率。代理模擬：將LLM與多代理仿真結(jié)合，通過模擬市場中player行為或策略，為

市場仿真提供了一種新的思路。市場仿真-大模型經(jīng)濟(jì)學(xué)仿真的潛力決策干擾交易者外部干擾擾動參數(shù)生成大模型生成·

國際形勢·經(jīng)濟(jì)形勢·價(jià)值意識形態(tài)市場出清結(jié)果市場內(nèi)部■

市場仿真基礎(chǔ)單元：

市場主體、市場環(huán)境和規(guī)則、市場外部性?！?/p>

在電力市場中，分別對應(yīng)：

“網(wǎng)源荷儲”主體和監(jiān)管主體、電力系統(tǒng)和市場規(guī)則、系統(tǒng)

和市場外部擾動?！?/p>

大模型技術(shù)應(yīng)用：

直接交易決策建模、市場規(guī)則輔助建模、外部擾動參數(shù)生成。背景回顧

基于大語言模型的市場仿真一般性結(jié)構(gòu)框圖決策集中疆

決策數(shù)

集呂呂匹配出

易輸出交清輸入交易據(jù)采市場信息公示交易影響

資本損益大模型決策技術(shù)提示語工程大模型微調(diào)CoT/RAG/MoE初始資本、生產(chǎn)計(jì)劃

風(fēng)險(xiǎn)價(jià)值、、情緒偏好

市場知識、博弈預(yù)判研究進(jìn)展交易決策交易量交易價(jià)格交

易

時(shí)

點(diǎn)交易出清機(jī)制損益結(jié)算、計(jì)劃調(diào)整交易前

決策知識、預(yù)判更新機(jī)制設(shè)計(jì)規(guī)則設(shè)計(jì)組織者大模型輔助模型輸出直接決定模型輸入決策干擾間接影響-①

標(biāo)準(zhǔn)Prompt■

讓LLM

直接根據(jù)提示生成結(jié)果。

可解釋性較差，易產(chǎn)生幻覺②

思維鏈(Chain

of

Thoughts,CoT)■要求LLM

生成一步步的推理結(jié)果。可解釋性強(qiáng)，準(zhǔn)確率較高③

思維樹(Tree

of

Thoughts,ToT)■要求LLM

對任務(wù)進(jìn)行分解，分

解

后每個(gè)節(jié)點(diǎn)迭代執(zhí)行。輸出推理

過程更全，準(zhǔn)確率高InputOutput提示詞工程

(Prompt

Engineering):

模擬電力交易員工作環(huán)境，給出機(jī)組工況、斷面阻塞、燃料成本、碳成

本、系統(tǒng)運(yùn)行情況等模式化提示語，引導(dǎo)LLM

思考方向做更深度逐步推理；基于大語言模型的電力現(xiàn)貨和備用市場仿真建模-提示詞工程大語言模型在日前市場交易行為建模的應(yīng)用Standard

PromptingChain

of

Thoughts

Tree

of

Thoughts提示詞工程框架對比標(biāo)準(zhǔn)Prompt

思維鏈(CoT)

思維樹(ToT)InputInputOutputOutput38提

取

分

割文本提示詞工程提交問罐知識問答鏈結(jié)果用戶RAG解決LLM

限制：大語言模型RAG標(biāo)準(zhǔn)流程1

.

解析：

文

檔PDF

解析、按照語義切分

為文本塊；2.

向量化：文本塊向量化并存儲至向

量數(shù)據(jù)庫；3.

提問與檢索：提交問題，根據(jù)提問

與文本塊的相似度匹配與檢索排序；4.

生成回復(fù)：加載構(gòu)建提示詞，對LLM

進(jìn)行提問，LLM

根據(jù)召回文本塊

與問題進(jìn)行回復(fù)；檢索增強(qiáng)生成

(Retrieval-Augmented

Generation,RAG)

可適配、理解現(xiàn)貨和備用市場相關(guān)論文、政策文件、國

內(nèi)外市場研報(bào)、仿真模型數(shù)據(jù)、市場運(yùn)行數(shù)據(jù)、系統(tǒng)工況數(shù)據(jù)等多場景多模態(tài)數(shù)據(jù)，LLM

無需增量訓(xùn)練即可初步理

解

應(yīng)

用

領(lǐng)

域

知

識

?；诖笳Z言模型的電力現(xiàn)貨和備用市場仿真建模-RAG技術(shù)大語言模型在日前市場交易行為建模的應(yīng)用·

無法處理長文本：知識庫有100篇文獻(xiàn)·

幻覺，胡亂回答：LLM沒有嚴(yán)格工具最新公示計(jì)算·

39動態(tài)知識：最新的新聞無法回答文本嵌入

表示模型各類型文檔向量存儲文本塊記

憶·基礎(chǔ)模型通過思維鏈進(jìn)行子任務(wù)分解，

生成模型

工具調(diào)用鏈；王幢

干明·專業(yè)模型通過調(diào)用工具、查詢歷史數(shù)據(jù)等輸出；判模整綜合整理瞬型212

·基礎(chǔ)模型整合信息生成最終回復(fù)；德

出MoE

專家混合大模型集群

·

業(yè)務(wù)變更時(shí)只需更新子模型，

基礎(chǔ)模型無需更新；MoE

架構(gòu)

市培服作電力市場大語言模型

業(yè)定w

體

決

現(xiàn)貨市場基于大語言模型的電力現(xiàn)貨和備用市場仿真建模-專家混合MoE模型集群專家混合

(Mixture

of

Experts,MoE)大模型集群，針對不同市場主體訓(xùn)練不同的決策大模型并通過門控單元與路

由單元進(jìn)行選擇最適合的大模型進(jìn)行推理；大語言模型在日前市場交易行為建模的應(yīng)用推理加速支撐決

第大模型Mm

推理加速框架

w

體證憶反息完整框架主

體

行

集市場發(fā)主模型Mont備用市場LLaMA27b·8配e號

重

信

員

指日面40■電力市場知識庫：中英文電力市場論文、政策說明、報(bào)告等(目前已搜索測試超過100篇);■思維樹(Tree-of-Thought)

推

理

：LLM

根據(jù)文檔進(jìn)行思考推理，計(jì)劃后續(xù)需要重點(diǎn)提取的內(nèi)容。優(yōu)勢：相比直接

提取，不會出現(xiàn)超過因超過最大輸出長度而輸出簡短、減少幻覺；■自

動

提

示

符(AutoPrompt):LLM

根據(jù)不同的提取元素，進(jìn)行思考擴(kuò)展為對應(yīng)Prompt

(提示詞)。例如提取特

定目標(biāo)函數(shù)Prompt:在電力市場出清模型中，目標(biāo)函數(shù)通常涉及最小化成本或最大化效益，同時(shí)要考慮多種約束條件。請閱讀以下文獻(xiàn)摘錄，并提取其中的

目

標(biāo)

函

數(shù)

。

在

此

基

礎(chǔ)

上

，

請

根

據(jù)

提

取

的

目

標(biāo)

函

數(shù)

生

成

相

應(yīng)

的

數(shù)

學(xué)

建

模

，

包

括

目

標(biāo)

函

數(shù)

、

約1.目

標(biāo)函

數(shù)(

考

慮

碳

排

)2.約束條件1.供需平面約束

.

(約1座2：,…N}1.發(fā)電機(jī)發(fā)電量的事食約束4.

動,W時(shí)(

約…a.(i)=0,furt<R5.碳排放約束41

思

維

樹

規(guī)

劃

需

提

取

信

息

市染,N)間12啟≥0Bw發(fā)電地力an發(fā)電P2"info

(“

掃標(biāo)數(shù)

，約束件”,“集價(jià)部味，市場結(jié)”構(gòu)，

用件，,四

，,維地清腳例rreason:

這

思顧為了整地場參與的為和臺標(biāo)，怕地‘移述的翻

醋

組保

的.壓

性相

效語所分按順模，的和自配基于思維樹(Tree-of-Thought)

市場自動建模與仿真

信息提取大語言模型在日前市場交易行為建模的應(yīng)用束

條

件

及

模

型

參

數(shù)

。最小化

約束條件Pmm≤4≤P.Vi∈{1,2,…,N}4≥0,Vie{1,2,….,N}q:(4)=0,fort<R系統(tǒng)設(shè)定

市場約束場信

息

提

取

數(shù)

學(xué)

建

模

形

式仿真反饋AutoPrompt精確理解與分析市場動態(tài)：

大語言模型在處理復(fù)雜數(shù)據(jù)和市場動態(tài)方面表現(xiàn)出

色，能夠深入理解市場機(jī)制