《Processes》：AI-Based Customized Simulation Setup, Process Control, and Result Processing Technology for Distribution Networks
编辑推荐：
为了解决配电网数字化仿真系统中的两个基本矛盾：“多样化的仿真需求与标准化配置”以及“海量仿真输出与稀疏的决策信息”，研究人员在现有基于公共信息模型（CIM）的自动仿真模型生成和动态电压调节仿真的基础上，进一步构建了一个面向用户的智能仿真服务层。该层由编排代理（
为了解决配电网数字化仿真系统中的两个基本矛盾：“多样化的仿真需求与标准化配置”以及“海量仿真输出与稀疏的决策信息”，研究人员在现有基于公共信息模型（CIM）的自动仿真模型生成和动态电压调节仿真的基础上，进一步构建了一个面向用户的智能仿真服务层。该层由编排代理（Orchestration_Agent，仿真编排智能体）和分析代理（Analysis_Agent，结果分析智能体）协作组成，承担三项职责：基于多层次仿真粒度（L0–L3）和仿真模板库，利用大型语言模型（LLM）实现自然语言需求解析和自动工作流编排；基于仿真知识图谱，实现过程控制的参数推荐、验证和异常自适应恢复；基于规则模板、统计分析和因果图模型的混合架构，实现自动结果分析、根因推理和结构化报告生成，并通过案例反馈驱动知识库迭代。验证是在来自一条真实10 kV馈线（包含91个配电台区）连续30天（2880个时间断面）的数据上进行的：综合需求解析准确率为96.3%，自动参数配置覆盖率为94.7%，异常识别召回率/精确率为94.0%/96.9%，根因推理准确率为92.1%，并且每次仿真的端到端时间中位数从手动模式下的约36分钟缩短至4.7分钟。结果表明，所提出的服务层为配电网仿真从面向工具向面向服务的演进提供了一条可行的工程化技术路径。
随着新型电力系统建设的深入，配电网仿真已经从传统的规划验证辅助工具演变为支撑日常运行决策的关键基础设施。尽管在配电网建模和电压调节优化方面的进展使得“模型自动生成→动态智能仿真→优化调度决策”技术闭环成为可能，但当前仿真系统的可访问性、可用性和智能化水平却严重滞后。这主要体现在三个方面：首先，不同角色用户的仿真需求表达多样性远超系统的标准化配置能力，用户必须将业务需求人工“翻译”为技术参数，这一过程极度依赖经验且易出现需求失真；其次，仿真执行过程缺乏智能管控，面对大规模配电台区和节点，常发生参数冲突、求解器发散等异常，而传统系统缺乏自动检测与恢复机制，导致仿真成功率低；最后，仿真结果处理严重依赖人工经验，海量时间断面数据的分析不仅效率低下，且容易遗漏跨越指标、时段和空间的系统性异常模式。学术界和工业界虽然探索了基于大型语言模型（LLM，具有庞大参数规模能够处理复杂自然语言的人工智能模型）的工作流编排、电力系统知识图谱以及因果推理等技术路径，但在电网仿真场景中，需求数到物理量的强约束映射、历史案例的结构化组织以及多智能体的工程化集成仍存在空白。为了克服“需求到配置映射依赖人工翻译”、“仿真过程缺乏智能编排与自适应控制”以及“结果分析停留在数据呈现层面”这三大障碍，研究人员开展了一项构建面向用户的智能仿真服务层的研究，相关成果发表于《Processes》。
为开展此项研究，研究人员主要采用了以下关键技术方法：基于Qwen2.5-7B-Instruct开源模型并采用LoRA低秩适应进行微调的需求解析引擎技术，用于实现意图识别和槽位填充；构建仿真模板库和仿真知识图谱（SKG，以图结构存储语义关联的知识库），结合有向无环图（DAG）实现工作流编排；采用“知识检索+规则验证+在线校正”三阶段方法实现基于案例的参数自动推荐；设计仿真任务生命周期状态机结合工作窃取策略实现并行调度与自适应恢复；构建异常模式库与因果图模型，结合统计分析实现多维结果分析与根因推理；并利用LLM自动生成结构化分析报告，通过案例反馈形成闭环知识积累。本研究使用的样本队列来源于国家电网公司某省级电网的真实10 kV馈线（含91个配电台区）连续30天的运行数据。
定制化仿真实现机制
研究人员提出了配电网数字仿真框架的三层架构，智能仿真服务层位于模型层和计算层之上。为满足不同业务场景的分析精度与计算资源约束，定义了L0（区域级）至L3（元件级）四个层次的多级仿真粒度，由编排代理根据需求解析结果自动选择，以在满足精度的前提下最小化计算成本。研究构建了仿真模板库以预定义常见需求模式，并建立了仿真知识图谱来存储仿真案例、参数配置与分析结论之间的语义关联。基于微调的LLM，需求解析引擎采用“意图识别→槽位填充→工作流映射”的三阶段流水线架构，将自然语言输入转化为结构化仿真工作流，并将其编排为包含串行依赖、并行分解和条件分支的有向无环图。
需求导向的仿真设置与过程控制
在自动参数配置方面，编排代理采用“知识检索+规则验证+在线校正”策略。通过从知识图谱中检索最相似的历史案例进行特征加权平均以推荐初始参数，随后利用物理约束规则库进行一致性校验，并在求解过程中根据运行反馈动态调整求解器或约束范围。在过程控制方面，研究人员设计了仿真任务生命周期状态机，实现了从就绪到完成各状态的流转及异常自适应恢复。系统支持区域级和断面级的并行调度及工作窃取策略以实现负载均衡，并具备断点续算和增量计算能力，大幅降低了长时间序列仿真的重复计算量。
仿真结果智能处理技术
分析代理对仿真结果执行时间序列、空间、指标关联及方案对比四维度自动分析。通过Mann–Kendall趋势检验和CUSUM算法识别时空变化特征，并结合Pearson和Granger因果检验量化指标间的相关性与滞后效应。在异常模式识别与根因推理方面，研究采用了规则模板、统计检测和因果图模型（以有向图表示物理状态因果关系的模型）的混合架构，确保了诊断结果的可解释性。系统根据异常观测特征沿因果链逆向追溯，结合物理灵敏度和历史数据频率计算候选根因的后验概率，自动生成验证测试并输出完整的根因推理链。基于LLM，系统还能自动生成包含问题概述、违规统计、根因分析等模块的结构化Markdown报告，并构建交互式可视化面板。
案例验证
研究人员基于真实10 kV馈线连续30天的运行数据对系统进行了全链路验证。结果表明，需求解析引擎的综合解析准确率达到96.3%；自动参数配置覆盖率为94.7%，首次配置有效率为88.0%；在过程控制中，求解器发散的自动恢复成功率为89.5%，数据断点的自动恢复成功率为94.1%。在2880个时间断面中，异常模式识别的综合召回率和精确率分别达94.0%和96.9%，基于因果图模型的根因推理准确率为92.1%。生成的智能报告综合质量评分为4.5/5.0。此外，知识反馈闭环机制显著提升了系统能力，在30天150个案例的观察窗口内，首次参数配置有效率从82.7%提升至93.3%，根因推理准确率从87.5%提升至95.2%。在端到端效率方面，单次仿真的时间中位数从手动模式下的约36分钟大幅缩短至4.7分钟。系统还通过置信度评分和强制确认机制构建了纵深防御架构，确保了决策支持的安全性。
结论与展望
研究得出了以下主要结论：基于LLM的需求解析引擎实现了“一句话需求→一键仿真”的智能入口；知识驱动的自动参数配置和自适应过程控制机制有效保证了大规模仿真的成功率与可靠性；四维自动分析框架结合因果图模型将结果处理从数据呈现提升至诊断推理层面；智能报告生成与知识反馈闭环驱动了系统性能的持续提升。研究人员也指出当前工作存在一定局限性，例如需求解析的训练语料覆盖场景有限、因果图模型在多因素复杂耦合下可能遗漏次要因素、知识图谱存在冷启动问题以及LLM输出固有的随机性风险。未来的研究方向将聚焦于引入多模态需求输入与联邦知识共享、结合强化学习构建在线“仿真-决策”闭环，并通过基线对比、消融实验与因果图结构学习进一步完善系统的科学验证与自适应能力。
