PowerGraph-LLM 基于大语言模型的新型电网图嵌入与优化

最优潮流（OPF）是电力系统运行规划与电网管理中的常规任务，求解质量直接影响调度决策。随着现代电网的变化性、约束和不确定性上升，工程师需要既有足够精度又能快速给出结果的可扩展算法。传统优化方法之外，机器学习尤其是图神经网络（GNN）已被用来缓解计算压力，但这类模型往往依赖用OPF求解器收集大规模训练数据，并针对特定电网规模做昂贵训练。这份资料提出的PowerGraph-LLM把大语言模型（LLM）直接引入OPF求解，试图在保留电网拓扑与物理约束信息的同时绕开上述数据与训练成本，这是它现在值得看的原因。

论文将自身定位为首个明确用LLM求解OPF的框架，并称PowerGraph-LLM是首个支持真实电网组件与约束的OPF嵌入与优化框架。方法上，它把电网的图表示与表格表示结合起来构造给LLM的查询：图表示包含节点特征和边连接，表格表示只保留特征，在LLM上下文长度受限时能编码更多示例。框架还引入了专门面向OPF的in-context learning与fine-tuning协议，并同时支持开源LLM（Llama）和远程API（OpenAI）。换句话说，它并不训练一个新的电力专用模型，而是把OPF问题改写成LLM可读的上下文与查询。

数据管线从MatPower、PandaPower或OpenDSS格式的电网描述开始，先生成PyTorch HeteroData，把每种组件作为独立子图。节点类型分为bus、load、generator、slack和line，分别对应特征X_b、X_l、X_g、X_s、X_e；随后按组件类型对特征做变异，例如负荷有功与无功的变异基于真实profile。对每个变异后的电网，流程运行仿真与求解器，得到PF或OPF的真值，包括每台发电机和slack节点的有功、无功（Y_g、Y_s），以及每个bus节点的电压幅值与相角（Y_b）。这些样本被切成context与query：context是“电网描述+OPF解”的示例对，query是等待模型预测OPF解的电网。

关键发现集中在LLM自身属性对OPF性能的影响。论文报告，PowerGraph-LLM使用现成LLM即可取得可靠表现，并揭示了LLM的架构、规模以及是否微调会影响求解效果。它还展示了框架处理真实电网组件与约束的能力，这一点与已有工作形成对照：有研究把LLM放进深度强化学习的训练循环，但优化仍由传统求解器和DRL完成；也有基础模型只能迭代求解简单的经济调度玩具例子，既不完全优化和预测发电与bus变量，也不考虑多负荷、线路运行极限等真实组件。按论文的说法，PowerGraph-LLM补上的正是“真实组件与约束”这一块。

这些结论的实践含义是，OPF求解器之外可能出现一条以LLM为推理接口的路线：电网被编码成图或表，连同示例一起送进模型，模型直接给出机组出力、slack出力和母线电压等量。对工程团队来说，这意味着不必为每个电网规模重新收集大规模训练集并从头训练GNN，至少论文把这一点作为LLM相对GNN的优势来论证。表格表示在有限上下文里能容纳更多示例，也提示实际部署时要根据上下文预算在“示例数量”和“拓扑信息完整度”之间取舍。需要说明，这些是解读，材料只支持到“框架可行且性能可靠”这一层，并未给出可横向比较的误差数字。

适合读这份资料的人，是正在做OPF学习型求解、电网图嵌入或LLM在能源系统落地的研究者与工程师；读完能拿走的是一个完整的框架轮廓：如何从电网描述构造异构图与表格、如何用求解器生成真值、如何组织context与query，以及用in-context learning和fine-tuning把LLM接到OPF上的思路。边界也需要点明：材料只给出框架、动机和定性结论，没有具体的数据集规模、求解误差、不同电网规模下的对比等量化结果，因此无法据此判断它相对GNN或传统求解器的实际增益。把它当作方向性参考而非性能基准更合适。

PowerGraph-LLM: Novel Power Grid Graph Embedding and Optimization with Large Language Models Fabien BERNIER 1, Jun CAO* 2, Maxime CORDY 1, Salah GHAMIZI 2,1 1SnT, University of Luxembourg, Luxembourg 2Luxembourg Institute of Health (LIH), Luxembourg Email: [email protected], [email protected], [email protected], [email protected] Abstract—Efficiently solving Optimal Power Flow (OPF) prob- lems in power systems is crucial for operational planning and grid management. There is a growing need for scalable algorithms capable of handling the increasing variability, constraints, and uncertainties in modern power networks while providing accurate and fast solutions. To address this, machine learning techniques, particularly Graph Neural Networks (GNNs) have emerged as promising approaches. This letter introduces PowerGraph-LLM,