面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法及系统与流程

本发明属于光热电站智能运维与人工智能技术交叉领域，具体涉及一种面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法及系统。

背景技术：

1、随着光热发电技术的快速发展，光热电站正朝着大规模、高参数、全自动化的方向演进。然而，复杂的定日镜场、高温储换热系统及精密的汽轮发电机组对运维保障提出了极高要求。现有技术通常采用单一传感器阈值报警或基于规则引擎的专家系统，存在以下显著缺陷：

2、第一，语义理解与决策僵化。传统运维系统难以处理非结构化文本（如检修手册、历史工单），当设备出现异常时，往往只能给出孤立的报警代码，无法像专家一样结合上下文生成带有置信度的诊断意见，导致误报率高，且无法量化当前故障的不确定性。

3、第二，资源调度与任务需求脱节。在边缘计算协同推理场景中，现有的多智能体策略通常预设固定的卸载策略或模型切分点。然而，光热运维任务具有极强的动态性（如突发故障需高频采样，常规巡检仅需低频监测），静态的资源分配策略要么造成通信带宽和计算资源的严重浪费，要么在紧急时刻因资源不足导致诊断延迟，无法根据故障的紧急程度和不确定性自适应调整残余待传数据量及传输策略。

4、第三，多智能体协同机制低效。传统基于多智能体强化学习的协同方法（如maddpg及其变体）在处理部分可观环境时，往往忽略智能体间的历史观测关联，且缺乏对搭便车智能体的有效激励机制。此外，推理层与诊断层相互割裂，缺乏对知识库的动态反馈与进化能力，导致系统在面对新型故障时泛化能力差。

5、因此，亟需一种能够将大语言模型的语义理解能力、边缘智能的弹性资源调度能力以及多智能体协同优化能力深度融合的新型运维方法。

技术实现思路

1、本发明针对现有光热电站运维系统存在的运维知识检索效率低且缺乏闭环更新、故障诊断依赖人工经验、多智能体协同推理时资源调度效率低，以及大模型生成的诊断意见难以转化为物理层控制指令导致语义决策与执行脱节的技术问题，提出了一种大语言模型驱动的多智能体协同推理与工作方法及系统。

2、第一方面，本申请实施例提供一种面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法，所述方法包括：

3、构建包含全局摘要分块与原始文档局部分块的双层级知识库，基于该知识库对运维问题进行检索融合生成包含可信度评分的运维诊断意见；

4、主控智能体依据所述诊断意见分解故障任务并分派子任务，将所述可信度评分映射为数据采集需求作为全局状态空间的动态约束条件；

5、将各端侧设备定义为独立智能体，构建包含受所述数据采集需求动态调控的残余待传数据量及智能体距服务器间距的全局状态空间，并定义包含模型切分点选取、信道选取及发射功率调节的复合动作空间；

6、为每一智能体构建独立的策略网络，以所述全局状态空间为输入、所述复合动作空间为输出进行策略优化，其中奖赏函数引入所述可信度评分作为乘性权重因子；

7、在执行阶段，各端侧设备调用优化后的策略网络执行协同推断并输出推断结果，同时主控智能体分派故障诊断子任务至职能智能体，融合回传分析结果生成诊断结论，并将回传结果用于刷新所述双层级知识库；

8、多智能体基于所述推断结果与所述诊断结论，在光热电站各系统之间分布式执行镜面污损检测、异常定位与协同清洗运维任务。

9、第二方面，本申请实施例提供一种面向光热运维场景的大语言模型驱动的多智能体协同推理与工作系统，应用于如第一方面所述的方法，所述系统包括：

10、双层级知识库构建模块，配置为构建包含全局摘要分块与原始文档局部分块的双层级知识库，基于该知识库对运维问题进行检索融合生成包含可信度评分的运维诊断意见；

11、主控智能体模块，配置为依据所述诊断意见分解故障任务并分派子任务，将所述可信度评分映射为数据采集需求作为全局状态空间的动态约束条件；

12、状态空间与动作空间定义模块，配置为将各端侧设备定义为独立智能体，构建包含受所述数据采集需求动态调控的残余待传数据量及智能体距服务器间距的全局状态空间，并定义包含模型切分点选取、信道选取及发射功率调节的复合动作空间；

13、策略优化模块，配置为为每一智能体构建独立的策略网络，以所述全局状态空间为输入、所述复合动作空间为输出进行策略优化，其中奖赏函数引入所述可信度评分作为乘性权重因子；

14、分布式执行模块，配置为在执行阶段使各端侧设备调用优化后的策略网络执行协同推断并输出推断结果，同时主控智能体分派故障诊断子任务至职能智能体，融合回传分析结果生成诊断结论，并将回传结果用于刷新所述双层级知识库；

15、运维任务执行模块，配置为使多智能体基于所述推断结果与所述诊断结论，在光热电站各系统之间分布式执行镜面污损检测、异常定位与协同清洗运维任务。

16、第三方面，本申请实施例提供一种电子设备，包括：

17、处理器；

18、用于存储处理器可执行指令的存储器；

19、其中，所述处理器被配置为执行所述指令时实现如第一方面所述的面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法。

20、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序指示设备执行如第一方面所述的面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法。

21、与现有技术相比，本发明具有以下有益效果：通过双层级知识库架构与可信度评分机制，相比传统关键词检索方法，显著提升了运维知识检索的准确性、完整性及诊断意见的可靠性。将大模型生成的诊断意见及可信度评分，依次映射为数据采集需求、状态空间约束参数、奖赏函数乘性权重因子，最终驱动端侧设备执行协同推断和运维任务，解决了语义决策与物理执行脱节的技术难题。通过主控智能体动态拆解任务并分派至职能智能体，结合全局状态空间与复合动作空间的强化学习优化，有效减少了信道竞争和资源浪费，显著降低了推理延迟与系统能耗。将职能智能体回传的分析结果用于刷新双层级知识库及更新全局状态空间，形成了检索、诊断、执行、反馈、更新的持续学习闭环，实现了知识库的在线进化。通过深度神经网络模型切分点依据可信度评分的自适应选择，以及多智能体协同机制的标准化故障排查流程，降低了运维对人工经验的依赖，提升了故障诊断的准确率和系统的自动化水平。通过电气、热力及机械维度的预设故障排查分类体系，以及高风险故障应急响应与常规运维需求差异化处置机制，适应了光热电站复杂多变的运维环境。

1.一种面向光热运维场景的大语言模型驱动的多智能体协同推理与工作方法，其特征在于，应用于光热电站运维系统，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述所述构建包含全局摘要分块与原始文档局部分块的双层级知识库，基于该知识库对运维问题进行检索融合，包括：

3.根据权利要求2所述的方法，其特征在于，所述融合生成包含可信度评分的运维诊断意见，包括：

4.根据权利要求1所述的方法，其特征在于，所述主控智能体依据所述诊断意见分解故障任务并分派子任务，包括：

5.根据权利要求4所述的方法，其特征在于，所述将所述可信度评分映射为数据采集需求作为全局状态空间的动态约束条件，包括：

6.根据权利要求1所述的方法，其特征在于，所述构建包含受所述数据采集需求动态调控的残余待传数据量及智能体距服务器间距的全局状态空间，并定义包含模型切分点选取、信道选取及发射功率调节的复合动作空间，包括：

7.根据权利要求1所述的方法，其特征在于，所述为每一智能体构建独立的策略网络，以所述全局状态空间为输入、所述复合动作空间为输出进行策略优化，包括：

8.根据权利要求7所述的方法，其特征在于，在执行阶段，还包括知识库的动态进化步骤，具体包括：

9.根据权利要求1所述的方法，其特征在于，所述在光热电站各系统之间分布式执行镜面污损检测、异常定位与协同清洗运维任务，包括：

10.一种面向光热运维场景的大语言模型驱动的多智能体协同推理与工作系统，应用于如权利要求1至9任一项所述的方法，其特征在于，所述系统包括：