一种大模型驱动的电力设备状态综合评估方法及智能体系统

本发明涉及一种大模型驱动的电力设备状态综合评估方法及智能体系统，属于电力设备状态监测、工业物联网与人工智能交叉。

背景技术：

1、变压器等核心主干力设备是电网系统中的枢纽设备，其运行状态直接影响电网安全与稳定。随着智能电网建设推进，变电站现场感知终端产生了大量状态监测数据，数据类型涵盖声、光、电、热、力等多种模态，并具有异构性、高频采样和时序依赖等特点。如何融合上述跨模态数据，对设备状态进行准确评价和预警，是电力运维中的一项实际技术需求。

2、近年来，以大型语言模型(llm)为代表的生成式人工智能技术已被用于故障文本挖掘与辅助决策。基于智能体(agent)的大型语言模型工作流引擎降低了企业级ai的构建门槛。但在电网核心控制与诊断业务中，现有大型语言模型应用仍存在以下技术局限：

3、1、通用大语言模型处理连续工业数值易产生逻辑偏差（幻觉效应）；

4、大型语言模型的底层架构主要基于大量文本的概率自回归预测，对物理规则和严格数学运算的处理能力有限。以变压器监测数据为例，数据中包含高频波动的时序数值，例如微升级气体浓度、微米级振动幅值等。若直接将原始数值矩阵作为模型输入，模型可能出现算术比对错误或阈值误判。例如，模型在文本中给出“状态正常”的结论，但实际测点数值已经超过故障预警阈值。此类数值不敏感问题在工业控制场景中会带来安全风险。

5、2、隔离网络环境与大型语言模型专业知识召回精度的矛盾；

6、关键基础设施通常要求数据安全与隐私保护，如变压器诊断系统多采用本地物理隔离部署。受边缘节点或本地服务器算力、显存限制，轻量级大型语言模型所包含的领域知识有限。现有方案常用检索增强生成(rag)技术补充外部知识，但在同时处理结构化设备台账和非结构化国家标准、检修规程等资料时，单路余弦相似度检索容易出现语义偏差，召回相关度较低的冗余文本。该问题会占用本地模型上下文窗口(context window)，增加推理延迟，也可能稀释有效诊断线索。

技术实现思路

1、本发明提供了一种大模型驱动的电力设备状态综合评估方法及智能体系统，解决了背景技术中披露的问题。

2、根据本技术的一个方面，提供一种大模型驱动的电力设备状态综合评估方法，包括：

3、获取待评估电力设备的多源异构监测数据；其中，多源异构监测数据包括数值型数据和非结构化文本数据；

4、对数值型数据进行特征提取与离散化处理，生成状态语义标签，将状态语义标签与非结构化文本数据进行时空维度对齐，生成用于大型语言模型推理的结构化提示指令；

5、采用意图识别网络对结构化提示指令进行意图识别，根据意图识别结果确定目标路径；当所述目标路径为设备状态查询路径时，对相应知识源进行检索，获得候选知识片段，并基于重排序机制对所述候选知识片段进行动态上下文过滤，生成增强知识上下文；

6、当所述目标路径为设备状态查询路径时，将多源异构监测数据、结构化提示指令和增强知识上下文输入本地大型语言模型推理节点，得到初步评估结果；

7、对初步评估结果进行多级安全红线约束与校正，得到最终的状态评估结果。

8、进一步地，采用意图识别网络对结构化提示指令进行意图识别，根据意图识别结果确定目标路径；当所述目标路径为设备状态查询路径时，对相应知识源进行检索，获得候选知识片段，并基于重排序机制对所述候选知识片段进行动态上下文过滤，生成增强知识上下文，包括：

9、采用轻量级意图分类器对结构化提示指令进行特征提取，获得查询意图概率分布；

10、若根据查询意图概率分布确定目标路径为设备状态查询路径，采用结构化知识索引对相应知识源进行检索，获得候选知识片段；其中，将电力设备参数、台账字段、以及电力设备实体、电力设备参数和台账字段之间的关联关系组织为结构化知识索引；

11、利用特征编码器对候选知识片段进行编码，得到对应的高维语义表征向量，计算结构化提示指令特征向量与各高维语义表征向量之间的初步相似度以形成初筛召回集；

12、采用重排序交叉编码器，对初筛召回集进行语义相关性打分，基于打分结果并结合本地大型语言模型的最大上下文窗口限制，执行top-k摘要截断，生成增强知识上下文。

13、进一步地，在本地大型语言模型推理节点进行评估时，对于状态为可评估的多源异构监测数据，按照预设名义贡献权重参与分项计算，对于状态为待补测或待核验的多源异构监测数据，不参与分项计算、且对应的预设名义贡献权重不分配给其他多源异构监测数据。

14、进一步地，本地大型语言模型推理节点为多节点智能体工作流编排链路中的综合评估节点；

15、所述方法还包括，得到初步评估结果后，若运维专家对初步评估结果存在纠偏记录，可在纠偏样本达到预设数量并经人工审核后，将纠偏后的初步评估结果作为优选样本、纠偏前的初步评估结果作为对比样本，用于离线优化本地大型语言模型的适配参数及结构化提示指令的模板参数。

16、根据本技术的另一个方面，提供一种大模型驱动的电力设备状态综合评估智能体系统，包括：

17、多源数据接入模块，获取待评估电力设备的多源异构监测数据；其中，多源异构监测数据包括数值型数据和非结构化文本数据；

18、机理特征转换模块，对数值型数据进行特征提取与离散化处理，生成状态语义标签，将状态语义标签与非结构化文本数据进行时空维度对齐，生成用于大型语言模型推理的结构化提示指令；

19、知识协同检索模块，采用意图识别网络对结构化提示指令进行意图识别，根据意图识别结果确定目标路径；当所述目标路径为设备状态查询路径时，对相应知识源进行检索，获得候选知识片段，并基于重排序机制对所述候选知识片段进行动态上下文过滤，生成增强知识上下文；

20、推理模块，当所述目标路径为设备状态查询路径时，将多源异构监测数据、结构化提示指令和增强知识上下文输入本地大型语言模型推理节点，得到初步评估结果；

21、兜底模块，对初步评估结果进行多级安全红线约束与校正，得到最终的状态评估结果。

22、进一步地，知识协同检索模块包括：

23、意图分类模块，采用轻量级意图分类器对结构化提示指令进行特征提取，获得查询意图概率分布；

24、候选知识片段模块，若根据查询意图概率分布确定目标路径为设备状态查询路径，采用结构化知识索引对相应知识源进行检索，获得候选知识片段；其中，将电力设备参数、台账字段、以及电力设备实体、电力设备参数和台账字段之间的关联关系组织为结构化知识索引；

25、召回模块，利用特征编码器对候选知识片段进行编码，得到对应的高维语义表征向量，计算结构化提示指令特征向量与各高维语义表征向量之间的初步相似度以形成初筛召回集；

26、重排序模块，采用重排序交叉编码器，对初筛召回集进行语义相关性二次打分，基于打分结果并结合本地大型语言模型的最大上下文窗口限制，执行top-k摘要截断，生成增强知识上下文。

27、进一步地，推理模块中，在本地大型语言模型推理节点进行评估时，对于状态为可评估的多源异构监测数据，按照预设名义贡献权重参与分项计算，对于状态为待补测或待核验的多源异构监测数据，不参与分项计算、且对应的预设名义贡献权重不分配给其他多源异构监测数据。

28、进一步地，推理模块中，本地大型语言模型推理节点为多节点智能体工作流编排链路中的综合评估节点；

29、所述装置还包括闭环演进模块，得到初步评估结果后，若运维专家对初步评估结果存在纠偏记录，可在纠偏样本达到预设数量并经人工审核后，将纠偏后的初步评估结果作为优选样本、纠偏前的初步评估结果作为对比样本，用于离线优化本地大型语言模型的适配参数及结构化提示指令的模板参数。

30、根据本技术的另一个方面，提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行大模型驱动的电力设备状态综合评估方法。

31、根据本技术的另一个方面，提供一种计算机设备，包括一个或多个处理器、以及一个或多个存储器，一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行大模型驱动的电力设备状态综合评估方法的指令。

32、本发明所达到的有益效果：本发明将高精度数值计算与严格阈值比较任务从大语言模型推理中剥离，将数值型数据转换成状态语义标签，同时对初步评估结果进行多级安全红线约束与校正，该架构将确定性规则与大语言模型的语义综合能力结合，从机理层面降低模型输出发生逻辑偏差的风险；本发明对结构化参数图谱查询与非结构化机理语义匹配进行分流，并引入重排序机制对候选知识片段进行动态上下文过滤，改进仅依赖单一余弦相似度过滤的方式，该机制在控制硬件算力开销的前提下，提高本地轻量化模型上下文指令的信息浓缩度与专业化诊断答复的准确，降低隔离网络环境与大型语言模型专业知识召回精度的矛盾。