报告题目:大模型智能体在低碳电力系统中的应用探索报告人:赵俊华单位香港中文大学(深圳)时间：2025年10月26日
01大语言模型与智能体技术简介
什么是语言模型你好一个前缀输入你也好。你好。V我50。人类真实分布你也好。建模你好。V我50。给定相同前缀,语言模语言模型预测分布型是输出能近似人类语言分布的模型
Agent(自主智能体)考古学:通用定义自主智能体DeepMindLab,2016Actions典型实例EmbodiedQA, FAIR,2018能够自动感知环境能够在环境中自主行动能够通过环境反馈自主学习w-Maes(1995)WIKIPEDIA
LLMAgent:关键能力一使用工具Tell TwitterTrending常用工具:ToolAPI人入入Foundation|CallAPI搜索引擎AnswerModelHuman爬虫代码Result绘图TwitterTrending is1.Hot Weather1.Hot Weather2,NBAPLAYOFFS2.NBAPLAYOFFS3.x
LLMAgent:关键能力一任务分解与试错Trial and ErronMINECRAFT任务搭建一张床子目标子目标子目标子目标
LLMAgent:关键能力-Long-term MemoryLong-termMemory与RAG区别:WriteAction可读写性ReadObservation与Human Brain Mapping;Along-termmemoryTypeby contentDefinitionExamplesRead and writeStoresexperience,Instruction:EpisodicmemoryGenerativeagentsknowledge,skills,...Thought:...SemanticmemoryStores knowledgePersist overnewAction:.experienceProceduralmemoryStoreslsVoyager{WangetObs:.--a..2023)Thought:...感受注息(机//0/8/0）
LLMAgent:关键能力一自主学习@ Fine-tuningmodel weights(the most obvious)FireAct@Optimizing prompts across tasks- LLMareHuman-levelPromptengineers Improvethe agent'sowncodebase-SWE-agent@ Write down examples/events to retrieve later-GenerativeAgent@Append self-reflection to prompt totry againReflextionCombinemultiple approachesSWE-ag@eComputeCTerFine-Tuning and Prompt OptimizationTvoGreatSitps thatWorkBetetTOogetherDaraSoplaChrksopherPatsOmarKhatahSuanfordUniversityverativeapents,2023
02LLMAgents在电力系统研究中的应用思考
大模型的核心能力101010Hil100101HelloNLP自然语言与常识理解逻辑推理MathematicalModeling数学建模与公式推导代码生成
LLMAgent在新型电力系统中的应用思考LLMAgent的潜在应用领域:·机器代人(机巡、客服、公文写作等)·工作流重构(调度运行规划).信息.物理.社会系统(CPSSE)仿真多模态数据融合(数字化服务)电力系统机理研究(AI4S)在调度运行等核心领域,大模型的推理可靠性与“幻觉"问题,决定了大模型尚不能完全替代人工。已经应用良好的各种基于因果模型的工具无需替代。可以考虑采取因果模型+大模型+符号串模型(SPT)+小模型融合的技术路线。薛禹胜,型能源体系(CPSS-EEE)的多目标协调规划,https:/mp.weixin.q.com/s/fodienZxB24j9MRX6aFa9w赵俊华,文福拴,黄建伟,等、基于大语言模型的电力系统通用人工智能展望:理论与应用[0]电力统自动化2024,48(6):13-28.
在Agent的框架下实现多类模型的融合业务数据文本数据业务数据图像数据微调/训练微调训练微调大模型/领域小模型大模型领域小模型大视频模型多模态融合适用于误决策代价比较小的简单机器代人场适用于需要引入文本、视频等多种模态数据，且误景决策代价较小的场景;，不适用于需要对电力系统精确量化的场景;
在Agent的框架下买现多类模型的融合文本数据业务数据微调训练大语言模型PINN深度融合/联合推理实现推理与计算的统一;较好的模拟因果模型背后的物理机理神经网络架构尚有待探索;可解释性不足;
在Agent的框架下实现多类模型的融合推理大模型反馈/自学习问题规划/任务分解/高层次推理文本数据业务数据符号数据微调/RL训练训练大语言模型PINN因果模型符号模型(SPT)知识表示快速数值因果分析/可符号推理计算靠数值计算知识融合/决策推理大模型作为"大脑",主要负责问题的规划、任务的分解与高层次推理;PINN可在尽量保留因果模型准确性的前提下,大幅提高计算速度;因果模型可在部分必要场景下,保证决策结果的可靠性;符号模型可以在推理中...
