Grid-Mind：面向自动连接影响评估的LLM编排多保真度智能体
系统与控制
2026-02-25 v1 系统与控制
摘要
大型语言模型（LLM）已展示出惊人的工具使用能力，但其在电力系统运行中的应用仍有限。本文提出Grid-Mind，一个面向电力系统的LLM智能体，其解释自然语言的联络请求并自主编排多保真度电力系统仿真。LLM优先架构将语言模型定位为核心决策实体，采用十一工具注册表执行连接影响评估（CIA）研究，涵盖稳态潮流、N-1容错分析、瞬态稳定性和电磁瞬态筛查。违规检查器以量化仿真输出为每项决策提供依据，而三层反幻觉防御机制通过强制容量工具路由和事后响应 grounding 验证，缓解数值虚构风险。prompt级自纠错机制从智能体失败中提炼出 distilled 经验教训，实现无需模型再训练的渐进式精度提升。针对50个IEEE 118母线场景（DeepSeek-V3，2026-02-23）的端到端评估显示，工具选择准确率达84.0%，解析准确率达100%。另一套56场景的自纠错测试中，49案例通过（通过率87.5%），平均得分89.3。这些结果为后续的持续精炼奠定可复现基准，同时保持可审计、以仿真为依据的决策支持。
引用
@article{arxiv.2602.20683,
title = {Grid-Mind: An LLM-Orchestrated Multi-Fidelity Agent for Automated Connection Impact Assessment},
author = {Mohamed Shamseldein},
journal= {arXiv preprint arXiv:2602.20683},
year = {2026}
}