基于大语言模型的水分配网络优化自动化研究：多智能体框架设计与性能评估

为解决水分配网络(WDN)管理中复杂建模和优化任务对专业知识的依赖问题，研究人员开发了基于大语言模型(LLM)的多智能体框架，通过知识推理、仿真工具交互和自主编码三种模式，在Net2和Anytown基准网络上实现了管道粗糙度校准和泵站运行优化。结果表明，编码智能体表现最优(MAE<0.035m)，而纯推理智能体存在数值计算误差(压力偏差>4m)，该研究为LLM在水利决策自动化中的应用提供了方法论基础。

　　

随着城市化进程加速，水分配网络(Water Distribution Networks, WDN)面临着基础设施老化、需求模式变化和极端天气频发等多重挑战。传统WDN管理依赖专业工程师进行复杂的系统建模和优化，如管道粗糙度校准和泵站调度等任务，不仅耗时耗力，且难以实现实时响应。尽管计算流体力学(CFD)和机器学习方法已部分实现自动化，但这些技术仍需要深厚的领域知识进行参数调整和结果解释，成为阻碍智能水务发展的关键瓶颈。

近年来，大语言模型(Large Language Models, LLMs)在跨领域推理和自然语言交互方面展现出惊人潜力，但其在水务管理中的应用仍停留在问答系统等简单场景。一个核心科学问题是：LLM能否突破传统文本生成的局限，通过多智能体协作真正实现WDN的自动化优化？来自中国的研究团队在《Water Research》发表的这项研究，首次系统评估了LLM智能体在WDN管理中的三大核心能力——基于知识的推理、仿真工具交互和自主代码生成。

研究人员采用AutoGen框架构建了包含协调智能体(Orchestrating Agent)和三个功能智能体的系统。知识智能体(Knowledge Agent)通过自然语言描述的Hazen-Williams方程进行水力计算；建模智能体(Modelling Agent)调用EPANET 2.2仿真工具；编码智能体(Coding Agent)则执行自动生成的Python优化代码。研究选取Net2(树状)和Anytown(环状)两个典型WDN，分别开展管道粗糙度校准(目标函数MAE=1/N∑|P_i-P?_i|)和泵站能耗优化(目标函数Total Cost=ρg/3.6×10⁶η·∑(Q_t·H_t·Δt·Price_t))实验。

^{水力模型校准结果}显示：知识智能体虽能复现专家级推理逻辑，但在Net2远端节点产生>4m的压力计算误差；建模智能体通过EPANET交互将MAE降至0.275m，但在Anytown网络中30轮迭代后仍出现粗糙度参数超出预设范围(60-140)的情况；编码智能体表现最优，通过L-BFGS-B算法在50次迭代内使MAE达到0.0037m(Net2)和0.0353m(Anytown)。

^{泵站优化方面}，建模智能体成功实现电价响应式调度，将高峰时段泵速降至0.95，成本降低至￡3,236；而编码智能体进一步优化至￡1,800以下，但出现全天维持0.85最低速的过拟合现象。值得注意的是，纯推理模式在成本估算中产生￡150的时段性偏差，凸显数值计算短板。

在讨论部分，作者指出三个关键发现：(1)自然语言描述的公式无法保证计算精度，需借助外部工具；(2)环状管网中智能体易陷入局部最优，需加强约束条件提示；(3)代码生成虽精度高但可能丧失物理可解释性。这些结论为开发混合型智能体框架指明了方向——未来需整合知识推理的透明性、工具交互的精确性和代码生成的效率，同时采用检索增强生成(Retrieval-Augmented Generation, RAG)等技术提升领域适应性。

该研究的创新性在于首次系统评估了LLM智能体在WDN优化中的能力边界，其建立的评估框架可扩展至泄漏检测、水质优化等场景。随着WaterGPT等领域大模型的出现，这项奠基性工作为构建"对话式"智能水务系统提供了重要理论基础和技术路径，有望使非专家用户通过自然语言交互完成复杂水力决策，从根本上改变传统水务管理模式。