基于大语言模型代理的电力市场自动化建模与仿真框架研究

《Journal of Modern Power Systems and Clean Energy》：Leveraging Large Language Model Based Agent for Automated Electricity Market Modelling and Simulation

为解决传统电力市场建模方法依赖专家知识、效率低下且易出错的问题，研究人员开展了基于大语言模型（LLM）代理的自动化电力市场建模与仿真研究，提出了MSS-Agent框架。该框架通过分层思维链信息提取（HCoT-IE）方法和反射调试机制，显著提高了数学模型提取准确率和代码执行可靠性，为电力市场决策提供了更精准高效的工具。

　　

随着可再生能源占比的持续攀升和电力市场结构的日益复杂，传统电力市场建模方法正面临前所未有的挑战。当前主流的建模方法严重依赖专家经验和手动流程，不仅效率低下，在应对市场规则动态变化时更易产生系统性误差。例如，基于典型周负荷曲线的建模可能忽略负电价等关键事件，而机器学习方法又存在"黑箱"问题，难以提供可解释的决策支持。这种困境促使研究者将目光投向近年来快速发展的LLM技术。

LLM在自然语言处理领域展现出卓越能力，但在直接应用于电力市场建模时仍面临三大挑战：复杂推理能力不足容易遗漏关键信息；存在"幻觉"问题可能生成不准确内容；生成的代码缺乏执行验证机制。为突破这些限制，浙江大学等机构的研究团队在《Journal of Modern Power Systems and Clean Energy》上发表了一项创新研究，提出了基于LLM代理的MSS-Agent框架。

该研究的核心技术方法包括：首先采用分层思维链信息提取（HCoT-IE）方法，通过推理、自动提示和总结三个阶段，从电力市场文档中精准提取数学模型要素；其次开发反射编码机制，通过代码模板修改、执行验证和迭代调试，将数学模型转化为可执行代码。研究选取60篇电力市场学术文献构建测试数据集，采用数学模型覆盖率、代码生成符合度和Pass@N等指标进行系统评估。

HCoT-IE方法性能验证

通过对比四种信息提取方法的实验数据表明，直接使用LLM的方法覆盖率仅为71.12%，而完整HCoT-IE方法结合AutoPrompt机制后，覆盖率提升至81.91%，代码符合度达到72.03%，Pass@3指标高达98.33%。这证明分层提取策略能有效解决复杂文档中的信息碎片化问题。

反射调试机制效果分析

在代码生成环节，无反射调试机制时Pass@3为85%，引入反射调试后提升至98.33%。该机制能智能区分语法错误和逻辑错误，例如通过求解器反馈识别约束条件冲突，显著提高了代码生成的可靠性。

不同LLM性能对比

研究对比了DeepSeek V3和Gemini 2 Flash两种LLM的表现，后者在各项指标上均优于前者，特别是在数学模型覆盖率方面领先10.66个百分点，表明通用型LLM在理解专业文档方面更具优势。

系统规模适应性测试

在IEEE 3母线、30母线和118母线系统上的测试显示，随着系统规模增大，数学模型覆盖率从81.91%降至75.41%，但代码符合度在30母线系统达到最高值74.24%，说明该方法在中等复杂度系统中表现最优。

案例研究验证

以IEEE 3母线系统为案例的研究中，MSS-Agent成功从文献提取市场模型并生成仿真代码。如图5所示，系统正确输出了各发电机组随时间变化的出力曲线，图6则展示了三个节点的LMP（位置边际电价）变化趋势，仿真结果与预期市场行为高度吻合。

研究结论表明，MSS-Agent框架通过LLM代理与专业工具的深度融合，实现了电力市场建模仿真流程的端到端自动化。该方法不仅显著提升了建模效率，其反射调试机制还确保了代码生成的可靠性。尽管当前框架在处理超大规模系统时性能有所下降，但其在政策影响评估、市场规则设计等场景已展现出巨大应用潜力。未来研究方向包括扩展框架对多周期、随机模型的支持能力，以及提升对法规文件等非结构化文本的解析精度。这项研究为电力市场数字化转型提供了创新技术路径，对构建适应高比例新能源接入的智能市场体系具有重要实践意义。