大语言模型在电网故障诊断中的应用

电网故障诊断关系到电力基础设施能否可靠稳定运行，传统系统依赖预定义规则和模型，面对现代电网数据的复杂性和可变性往往不够灵活。这份资料要回答的是：能否用大语言模型，特别是ChatGPT和GPT-4，配合精心设计的提示工程，把故障诊断的准确性和可解释性同时提上去。值得现在看的地方在于，它没有停留在“LLM能不能用”的泛论，而是把可解释性当作操作员理解和信任系统建议的前提，并围绕这一点设计评估。换句话说，它讨论的是关键基础设施场景里LLM如何从通用能力走向可解释的诊断辅助。

覆盖范围上，资料从方法、数据集和评估基线三方面展开。方法核心是设计全面且上下文感知的提示，先让模型收集背景信息，再追问具体诊断问题，并要求模型综合实时传感器数据、历史故障记录和组件描述给出详细、可操作的见解。为验证效果，作者专门构建了一个包含上述三类信息的数据集，并把标准提示、Chain-of-Thought（CoT）和Tree-of-Thought（ToT）作为对照基线。评估不只测诊断准确率，还看解释质量、响应连贯性和上下文理解，实验主要使用GPT-4。

关键发现集中在四个维度：诊断准确性、解释质量、响应连贯性和上下文理解都出现显著改善。资料称，与标准提示、CoT和ToT等基线相比，这套提示工程方法让模型更能解释复杂数据，并给出可操作的诊断见解。作者据此认为，提示工程化的LLM为稳健可靠的电网故障诊断提供了有前景的方案。需要说明的是，材料只报告“显著改善”这一方向性结论，没有给出具体准确率数值或提升幅度，因此不能把改善程度量化。

在解释性方面，资料把“可解释”拆成了可评估的结果：结构化提示先补背景再问诊断，让模型综合多源信息，实验显示解释质量和上下文理解都有改善。这背后是两类现实障碍：传感器读数、历史故障记录和实时运行数据来源多、含义杂，模型缺少上下文化时难以准确关联；黑箱性质又让操作员难以理解建议依据。作者用动态适应电网状态的提示来缓解这两点。换句话说，提示工程在这里不只是调参，而是把领域知识注入模型推理过程的手段。

这些结论对实践的影响，解读下来有两点。第一，在传统规则和模型不够灵活的环节，LLM加提示工程可以作为一种补充性诊断路径，而不必先走重训练或大改模型的路子；当然，这仍取决于能否把电网状态、设备描述和历史记录组织成模型可用的上下文。第二，对关键基础设施而言，

arXiv:2407.08836v1 [cs.CL] 11 Jul 2024 Fault Diagnosis in Power Grids with Large Language Model Liu Jing and Amirul Rahman University of Malaya Abstract. Power grid fault diagnosis is a critical task for ensuring th e reliability and stability of electrical infrastructure. T raditional diagnostic systems often struggle with the complexity and variability of power grid data. This paper proposes a novel approach that leverages La rge Lan- guage Models (LLMs), specifically ChatGPT and GPT-4, combin ed with advanced prompt engineering to enhance fault diagnosis acc uracy and ex- plainability. We designed comprehensive, context-aware prompts to guide the LLMs in interpreting complex data and providing detaile d, actionable insights. Our method was evaluated against baseline techni ques, includ- ing standard prompting, Chain-of-Thought (CoT), and Tree- of-Thought