从自然语言到求解器准备的电力系统优化： 一个 LLM 辅助的、循环验证框架.pdfVIP

从自然语言到求解器准备的电力系统优化：

一个LLM辅助的、循环验证框架

胡云KaiHu赵天桥孟悦

电气与计算机工程系电气工程系跨学科科学部门

南加州大学德克萨斯大学阿灵顿分校布鲁克海文国家实验室

洛杉矶，CA阿灵顿，德克萨斯州优顿，纽约

yunkaihu@usc.edutianqiao.zhao@uta.eduyuemeng@bnl.gov

摘要—本文介绍了一种新的大型语言模型（LLMs）辅助代AI/ML方法寻求减少这种负担或加快求解时间

理，该代理能够自动将电力系统优化场景的自然语言描述转化[3]。监督代理近似AC-OPF映射或筛选活跃约束集[4],

本为紧凑且可求解的形式，并生成相应的解决方案。与仅依赖于[5]；强化学习（RL）已被探索用于调度和纠正措施[6]；

LLM直接产生解决方案的方法不同，所提出的方法侧重于发现

译以及“学习优化”技术提供热启动、学习的割集或嵌入

一种数学上兼容的公式，这种公式可以通过现成的优化求解器高

中效地进行求解。直接使用LLMs来生产解决方案通常会导致不求解器循环中的启发式方法[7],[8]。这些方法可以在训

1可行或次优的结果，因为这些模型缺乏已建立的优化求解器的数练分布内交付加速或良好的平均情况性能，但它们通常

v

7值精度和约束处理能力。该流水线集成了领域感知提示与模式，以确定性换取速度：约束违反可能会发生，保证稀缺，

4并结合了LLM，通过系统验证和迭代修复强制可行性，并返回并且在分布偏移下行为可能退化。即使通过投影或惩罚

1可求解模型以及面向用户的成果。以机组组合问题作为代表性案

8项强制执行约束条件，认证和可解释性仍然具有挑战

0.例研究，代理生成最优或接近最优的日程安排以及相关的客观成性，这限制了其在任务关键操作中的采用。

8本。结果显示，将求解器与任务特定的验证相结合显著提高了解

0决方案的可靠性。这项工作表明，结合AI与已建立的优化框架最近，大型语言模型（LLMs）被用于直接从文本中

5

2能够连接高级别问题描述和可执行数学模型，从而在能源系统中通过逐步推理输出候选调度或派发向量[9]–[12]来“解

:实现更高效的决策。决”电网操作问题。虽然这种方法看似简单，但它与电

v

iIndexTerms—电力系统优化，大型语言模型，自然语言力系统优化所需的数值精度和严格可行性要求相冲突。

x

r处理，电力系统运营决策

a直接使用LLMs生成解决方案通常会导致不可行或次

优结果，因为这些模型缺乏已建立的优化求解器所具备

I.介绍

的数值精度和约束处理能力。随着问题规模的增长和约

经典优化仍然是电力系统决策的基石。机组组合束条件变得更加严格——例如最小启停时间、爬坡率、

（UC）、经济调度和最优潮流通常被表示为混合整数和旋转备用和网络限制——输出变得不一致且无法复现，

非线性规划，并通过成熟的求解引擎进行求解，这些引并且没有原则性方法来证明其最优性或可行性。

擎提供可行性保障、对偶信息以及——在适用情况下我们的工作采取了一条不同的路径，不是将大语言

——最优性证明[1]。几十年来，在分解、切割平面、拉模型用作求解器，而是作为配方生成器[13]：一