RePower：基于大语言模型的电力系统数据驱动研究自主平台——人工智能驱动的电力科研新范式

本文创新性提出RePower平台，首次将大语言模型（LLM）与反射-进化策略相结合，构建了包含设备控制、数据获取、算法设计的全流程自主研究系统。在参数预测、功率优化等电力系统典型任务中实现平均29.07%的误差降低，其中功率优化任务误差下降39.78%。该研究为AI驱动的跨学科科研自动化提供了可扩展框架（DOI:10.1016/j.patter.2025.101211）。

　　研究背景与意义
电力系统作为现代社会的核心基础设施，其研究涉及复杂的多模块算法设计。传统方法面临特征工程、超参数调优等挑战，而大语言模型（LLM）在化学、数学等领域的成功应用启示了新的研究路径。RePower平台填补了LLM在电力系统研究中缺乏全流程自动化工具的空白，通过两阶段进化策略实现算法自主创新。

技术框架创新
平台采用独特的反射-进化双阶段架构：第一阶段通过自反思机制横向探索多元方法，生成10种初始算法；第二阶段采用岛屿遗传算法进行纵向深度优化，函数池中设置3个主群+2个辅群的动态分组策略。关键突破在于：1）首创函数组合提示技术，融合最优/最差函数特征驱动进化；2）开发检查代理（Check Agent）自动修复代码错误；3）支持与阻抗分析仪（MFIA）等实验设备的API直连。

核心实验验证
在三大典型任务中展现卓越性能：

1. 参数预测：电容器老化监测任务中，将RMSE从0.0144降至0.0119（9.29%提升），超越现有最优平滑样条方法。进化路径呈现从线性回归→复合线性回归→支持向量回归（SVR）的智能跃迁。
2. 功率优化：33节点系统中，通过主成分分析（PCA）降维与贝叶斯优化协同，将主动功率损耗误差从0.00137压缩至0.000825。
3. 状态估计：直流链路电容器参数估计任务中，采用三次多项式特征提取+全连接神经网络，误差降低41.2%。

跨平台对比优势
与LEADE、ReEvo等框架相比，RePower在复杂任务中表现突出：1）多群组进化策略使算法多样性提升3.2倍；2）双阶段协作使生成错误率降低53.4%；3）在未知答案的开放性问题中展现出类人类的探索能力。但计算耗时相对增加1.8倍，体现"质量优先"的设计理念。

应用前景与局限
平台已实现：1）实验室级设备控制（Zurich Instruments MFIA）；2）MATLAB/Simulink数据接口；3）多语言代码生成。当前局限在于：1）复杂设备交互需进一步验证；2）统一生成框架待完善。未来可扩展至智能电网故障诊断、新能源功率预测等领域，为交叉学科研究提供通用智能底座。