.png){kind=icon}
返回
Multi-agent collaborative optimization framework for integrated energy system scheduling
.png){kind=icon}
PRE
AI
DOI：10.1631/jzus.a2500629.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
综合能源系统（IES）调度优化涉及多能源耦合、多设备协调和复杂约束。传统方法依赖专家手动构建优化模型，导致技术门槛高、开发周期长和可迁移性有限。为解决将大型语言模型（LLMs）应用于IES调度优化时存在的不确定需求、长文本注意力漂移和高调试成本问题，本研究提出了MASEO，一种能源优化的多智能体系统。MASEO将优化工作流分解为四个顺序阶段——信息收集、数学建模、代码实现和执行验证，每个阶段由专用的LLM智能体处理。引入结构化清单以标准化信息收集，同时基于错误分类的可追溯修复机制将错误定向到负责的智能体进行针对性修正。对北京数据中心IES和德国社区IES的案例研究表明，MASEO与专家基准结果高度一致，北京案例的年度成本偏差约为1.4%。与单智能体基线相比，建模精度提高约35%，代码执行通过率从63%提升至94%。消融实验、多骨干实验和敏感性实验进一步验证了核心机制的有效性和框架的适用性。结果表明，MASEO可减少对专业建模经验的依赖，为LLMs在能源系统优化中的可靠应用提供实践路径。
期刊
J
IF:
3.9
论文数:
122
被引数:
0
机构
引用论文
A Survey on Large Language Models for Code Generation江, J.; 王, F.; 沈, J.; 金, S.; 金, S. 大型语言模型用于代码生成的综述. arXiv 2024. [谷歌学术] [CrossRef]
PREAI
分享收藏Generative artificial intelligence: Pioneering a new paradigm for research and education in smart energy systems生成式人工智能：开创智能能源系统研究与教育的新范式.png)
Energy and AI
OAAI
Energy and AIIF9.6
OAAI分享收藏Multi-agent large language models as evolutionary optimizers for scheduling optimization多智能体大型语言模型作为调度优化的进化优化器
PREAI
分享收藏The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)现代研究和应用回顾分析，第2版 (MERRA-2)OAAI
OAAI分享收藏分享收藏Overview of energy modeling requirements and tools for future smart energy systems未来智能能源系统能源建模的需求与工具概述OAAI
OAAI分享收藏
查看更多内容