丁俐夫,陈颖,肖谭南,黄少伟,沈沉./基于大语言模型的新型电力系统生成式智能应用模式初探/2024,48(19):1-13.
研究背景
随着新型电力系统的建设推进，智能化应用体系对于提升电力系统的安全稳定、经济运行和优质服务至关重要。当前，中国正在加速建设新型电力系统，以实现更高水平的安全稳定、经济运行和优质服务。其中，深度学习在复杂决策中的强大能力得到了充分展现，激发了新型电力系统数字化与智能化研究的新一轮热潮。在此背景下，将先进的智能技术与传统电力系统相结合，形成了具有自主学习、智能决策和动态优化功能的智能应用模式。然而，随着新型电力系统的转型，上述智能应用模式的开发和部署面临着一系列挑战，如用户接受度有限、决策手段单一、缺乏标准化和自动化开发流程等。因此，本文旨在利用大语言模型构建电力系统垂直领域易于落地的技术路线、通用逻辑与共性方案，探索人工智能技术在新型电力系统中应用的新路径。
新型电力系统智能应用构建技术挑战与解决途径
基于先进技术和算法的电力系统智能应用有力地推动了电力系统的高效运行、安全防护以及智能决策进程。然而，新型电力系统复杂性和不确定性显著增加，现有电力系统智能应用面临着接口部署、样本学习、策略生成、算法开发、功能迁移五大方面的技术挑战。图1具体剖析了上述挑战背后的关键本质问题。
图1 新型电力系统智能应用构建技术挑战与解决途径
在新型电力系统智能应用构建过程中，数据、机理与知识被认为是支撑智能方法实现电力系统分析与决策智能应用构建的3个基本要素。其中，数据是电力系统应用的基础，包括大量的监测数据、运行数据和市场数据；机理是指电力系统中各组件之间的相互作用、运行机制与计算逻辑，一般被描述为数学性或程序性的演算机制；知识包括电力系统运行的固化规则、运行规范、专家经验等，侧重于静态信息的理解、融合与生成。
在现有人工智能技术框架下，电力系统智能应用构建主要依赖于数据驱动的方法，即通过大量样本学习统计规律或解函数的近似。机理和知识在神经网络参数设计和带约束训练中有所体现，但模型训练后，它们的作用减弱，导致模型行为难以追溯到物理原理或业务逻辑。尽管有知识-数据融合方法试图在数据学习过程中嵌入认知模型，但由于多模态数据处理能力有限，模型只能学习任务的部分信息，导致对任务的整体认知不充分。
因此，实现知识-机理-数据的显式融合是新型电力系统智能应用构建过程中最为关键的难题。
新型电力系统生成式智能应用模式逻辑框架
生成式智能应用模式利用大语言模型的强大生成能力，通过深度理解和解析用户输入信息，生成相关且高质量的文本数据，进而构建全面的知识体系，支撑逻辑推理，为特定垂直领域提供高效且个性化的智能应用构建解决方案。其技术特点主要表现为：
1）上下文感知能力：能够在不同模态之间建立深层次的关联性。
2）跨模态转换与对齐能力：学会如何在不同的模态间编码和解码信息，实现多种模态之间的语义对齐。
3）联合表征能力：可以将不同模态的数据映射到同一高维空间，构建共同的语义表征。
基于大语言模型的生成式智能应用模式设计理念可从5个维度出发进行分析：
1）接口自感知：开发大语言模型友好的电网仿真接口，可以实现电力系统应用接口部署自动化，从而确保不同系统间的互操作性和一致性，电力系统智能应用构建过程可以提供更快速、更一致的接入服务，让电力系统的各参与方从繁琐、重复性的任务中解脱出来。
2）数据自学习：结合大语言模型知识融合的能力，辅助电力系统垂直领域的多模态数据学习与知识嵌入，实现对电力系统中海量多模态、跨领域数据自动进行学习，自主生成可解释的知识图谱，提高电力系统垂直领域大语言模型的专业性、灵活性和适应性。
3）策略自生成：结合大语言模型的思维生成能力与插件接口配置能力，可以实现智能应用的分析决策自动化。无缝对接并协同多种专业技术模块，共同构建一个智能化、动态适应业务需求的信息交互与决策支持生态系统。
4）算法自执行：大语言模型在遗留系统、第三方应用、新开发工具的代码整合方面拥有天然优势。一方面，通过大语言模型自动化部署可以实现快速、可靠的软件发布，提高产品迭代的速度；另一方面，基于大语言模型进行自动化测试，可以有效降低开发成本。
5）业务自适应：现有模式无法被有效地提取、抽象和通用化应用构建流程，拓展业务时需要重新开发应用，增加了工作量和时间成本。结合大语言模型的交互与生成能力，分析任务需求并生成应用框架，为功能迁移提供精准的支持，提高新型电力系统智能应用构建效率。
新型电力系统生成式智能应用模式实践
本文以电网仿真应用为例，详细阐述基于大语言模型的新型电力系统生成式智能应用模式实践。应用实践采用Azure OpenAI GPT-3.5-turbo大语言模型API、LangChain框架以及电力系统高性能仿真云平台CloudPSS SDK（software development kit）开发，相关代码已开源（见延伸阅读），案例详情如下。
/ 引文信息
丁俐夫,陈颖,肖谭南,等.基于大语言模型的新型电力系统生成式智能应用模式初探[J].电力系统自动化,2024,48(19):1-13.
DING Lifu, CHEN Ying, XIAO Tannan, et al. Exploration of Generative Intelligent Application Mode for New Power Systems Based on Large Language Models[J]. Automation of Electric Power Systems, 2024, 48(19):1-13.
作者简介
Introduction to the Authors
丁俐夫
博士，清华大学电机工程与应用电子技术系博士后，主要研究方向：分布式优化、多智能体强化学习、新能源微电网优化运行。E-mail：dinglifu@mail.tsinghua.edu.cn
陈 颖
博士，清华大学电机工程与应用电子技术系研究员，博士生导师，主要研究方向：数字孪生、电磁暂态仿真、高性能计算、信息物理系统安全、电力系统韧性提升。E-mail：chen_ying@mail.tsinghua.edu.cn
肖谭南
黄少伟
博士，清华大学电机工程与应用电子技术系副研究员，硕士生导师，主要研究方向：能源电力系统高性能仿真、大电网安全防控、电力系统人工智能。E-mail：huangsw@mail.tsinghua.edu.cn
沈 沉
博士，清华大学电机工程与应用电子技术系教授，博士生导师，主要研究方向：能源电力系统数字孪生、交直流电力系统稳定性分析与控制。E-mail：shenchen@mail.tsinghua.edu.cn
清华大学电机系现代电力能源系统安全控制与高效运行团队，是由卢强院士、梅生伟教授领衔的科研团队，拥有中科院院士1人，教授/研究员3人，副教授/副研究员5人、助理研究员1人以及4名博士后和数十名研究生。团队于2010年获评教育部创新群体，2013年获评基金委创新群体。团队长期致力于电力系统建模仿真、人工智能方面的研究，多年来已在理论研究和工程实践方面积累了丰富的经验和丰硕的成果。团队致力于全电磁暂态仿真技术研发，通过模型、算法、应用和平台等4类技术发明，解决了交直流电网电磁暂态仿真“步长小”“效率低”和“启动难”3个技术难题和计算资源“成本高”的应用瓶颈，研制了高性能、易扩展、低成本的大规模交直流电网全电磁暂态云仿真平台CloudPSS，形成了完全自主可控的知识产权体系。以高性能仿真技术作为支撑，团队提出了数据驱动与知识驱动相结合的能源电力系统的数字孪生技术，构建了基于人工智能技术的决策引擎，并应用于电网的安全稳定分析与控制、信息物理系统连锁故障风险评估与仿真、弹性（韧性）配电网等方面。
郑重声明：根据国家版权局相关规定，纸媒、网站、微博、微信公众号转载、摘编本微信作品，需包含本微信名称、二维码等关键信息，并在文首注明《电力系统自动化》原创。个人请按本微信原文转发、分享。
