《CSEE Journal of Power and Energy Systems》：Automatic Programming for the Optimal Power Flow in Distribution Networks: An Edge-side Adaptive Computing Approach Based on Large Language Models
编辑推荐：
面对配电网频繁的环境变化，现有最优潮流计算依赖固定环境的定制化编程，难以实时自适应。为此，研究人员开展了基于大语言模型的边缘侧自适应最优潮流（OPF）研究，提出了一种融合云侧大模型与专家知识的数据增强及边缘侧低参数模型监督微调（SFT）与反馈自校正机制的方法，成功实现了对配电网拓扑、设备投切等变化的自动编程与高效求解。该方法显著提升了边缘侧模型在复杂OPF问题上的准确性与部署可行性，为电力系统智能调控提供了新思路。
在现代电力系统中，配电网（DN）并非一成不变的“静物”，而是一个充满动态变化的“生命体”。节点检修、分布式能源的随机投切、线路故障导致的负荷转移……这些频繁发生的环境变化，如同给电网的“大脑”——最优潮流（Optimal Power Flow, OPF）计算模块——不断抛出新考题。传统的OPF计算脚本通常是为特定、固定的网络环境“量身定做”的，一旦环境“换题”，就需要专家人工介入，对代码进行繁琐的修改。这不仅效率低下，难以满足实时调度的需求，也无法适应未来高比例可再生能源接入下电网环境日益复杂的趋势。那么，能否让计算机自己学会“读题”并“改写程序”，实现OPF计算的“自适应”呢？
近期，一篇发表在《CSEE Journal of Power and Energy Systems》上的研究给出了创新的答案。研究者们巧妙地将当下炙手可热的大语言模型（LLM）与电力系统优化问题相结合，提出了一种面向配电网的、基于LLM的边缘侧自适应OPF计算方法。研究的核心思想在于利用LLM强大的代码理解和生成能力，让机器能够“读懂”用自然语言描述的电网变化需求，并自动生成相应的OPF代码调整片段，从而绕过传统人工编程的瓶颈，实现快速响应。
为了开展这项研究，作者团队构建了一个协同云侧与边缘侧的高效框架。关键技术方法主要包括：1）数据增强与高质量数据集构建：利用公开的配电网数据集（如IEEE 33节点系统）和专家编写的OPF脚本，结合云端大模型的代码生成能力，快速生成了涵盖节点维护、设备投切、开关动作及其组合变化等多种场景的监督微调（SFT）数据集。2）边缘侧轻量化模型微调：采用低秩适应（LoRA）方法，对参数规模较小（如3B）的LLM进行高效的SFT，使其具备初步的自适应OPF能力，便于在本地控制中心部署。3）多智能体反馈自校正机制：设计了一个包含代码生成智能体、需求解析智能体和代码解释器的交互工作流。该机制能够检测生成代码中的语法错误和隐蔽的逻辑错误，并通过提示工程引导模型自我反思与修正，从而进一步提升边缘侧模型的准确性。
研究结果
- 1.
模型微调显著提升基础性能：
经过SFT后，不同规模的边缘侧LLM在自适应OPF任务上的准确率均得到大幅提升。以3B模型为例，其在33节点、15节点和123节点测试集上的准确率分别从基线的57.73%、73.60%和72.80%，提升至93.60%、99.73%和95.00%。这验证了利用领域专用数据对轻量化模型进行微调的有效性。
- 2.
反馈自校正机制带来精度飞跃：
在SFT模型基础上引入反馈自校正机制后，3B模型在上述三个测试集上的准确率进一步提升至96.00%、99.73%和99.13%，其性能已与参数规模超过其20倍的云端72B大模型相当。该机制能有效处理代码生成中常见的遗漏和错误。
- 3.
自校正机制的失效场景分析：
研究对自校正机制可能的失效场景进行了量化分析，主要包括“反思失败”（模型收到错误反馈后仍生成错误代码）、“误报”（需求解析错误导致的错误警报）和“漏报”（逻辑正确但结果错误）。测试表明，在15节点和123节点系统上，反思失败概率低于1%，误报概率平均低于15%，而漏报概率为0，表明该机制安全性较高，能避免隐蔽错误。
- 4.
本地部署可行性验证：
在硬件资源方面，3B模型进行推理时显存占用低于8GB，可使用消费级显卡部署。在响应速度上，即使引入一轮自校正（最大错误次数设为2），处理单次请求的最大响应时间也在98秒以内，能满足实际调度中15分钟的时间窗口要求。长时间的滚动OPF计算模拟也证实了该方法的稳定性和实用性。
研究结论与意义
该研究成功开发并验证了一种基于大语言模型的配电网自适应最优潮流计算新范式。其主要结论在于：通过“云侧数据增强+专家知识”构建高质量领域数据集，结合“边缘侧轻量化模型SFT”与“多智能体反馈自校正机制”，能够使参数规模较小的边缘侧LLM在复杂的自适应编程任务上达到与云端超大模型相媲美的精度（>99.1%），同时满足本地化部署对计算资源、响应速度和数据隐私的严苛要求。
这项工作的意义深远。在方法论上，它首次将LLM的代码生成能力系统性地应用于电力系统优化问题的自适应求解，为处理系统变化提供了一个高度自动化的新工具。在工程实践上，其提出的边缘侧轻量化部署方案，极大地降低了先进人工智能技术在电力工业场景中的应用门槛和成本，有助于推动AI在电力调度控制中的普惠化落地。在未来展望方面，该框架可与多模态大模型结合，实现通过图像、视频动态感知电网变化；也可扩展为协调虚拟电厂（VPP）中多种灵活性资源调度的多智能体系统，为构建更智能、更柔性的新型电力系统提供了坚实的技术基石。
