LLM4DistReconfig：用于配电网络重构的微调大型语言模型
机器学习
2025-02-11 v2 人工智能
计算与语言
摘要
由于可再生能源集成和用户参与度增加，配电网络正不断演化。为维持最佳运行、最小化损耗并满足不同负荷需求，频繁的网络重构是必需的。传统方法依赖优化软件和专家运维人员，但随着系统复杂度提升，亟需一种无需专家介入的快速且自适应的解决方案。数据驱动的重构方法因其准确性、速度以及对不完整网络数据的鲁棒性而日益受到青睐。大型语言模型（LLM）凭借捕捉复杂模式的能力，为应对演化中的复杂配电网络提供了高效且响应迅速的重构方案。本文介绍了 LLM4DistReconfig，一种基于深度学习的利用微调 LLM 解决配电网络重构问题的方法。通过精心设计提示词并构建自定义损失函数，我们使用代表网络参数（包括母线、可用支路、待打开支路、节点电压及系统损耗）的输入训练 LLM。该模型随后输出最优重构方案，即更新后的网络配置，以最小化系统损耗并满足运行约束。我们的方法显著缩短了推理时间，相较于经典算法实现了接近实时的优化重构。实验结果表明，该方法在五个单独数据集及组合数据集上均能生成最小化系统损耗的优化配置，且产生的响应中几乎没有无效边、环路或子图，满足领域特定需求。此外，生成的响应在已见网络上的不当输出比例不足 5%，在未见网络上也表现出色，显示其在重构任务中具有良好的效果和可靠性。
引用
@article{arxiv.2501.14960,
title = {LLM4DistReconfig: A Fine-tuned Large Language Model for Power Distribution Network Reconfiguration},
author = {Panayiotis Christou and Md. Zahidul Islam and Yuzhang Lin and Jingwei Xiong},
journal= {arXiv preprint arXiv:2501.14960},
year = {2025}
}
备注
Accepted in NAACL 2025 Conference Main Track