基于图谱校验反馈的计量异常智能体诊断方法与流程

本发明属于电力计量异常诊断，具体涉及一种基于知识图谱校验反馈的大语言模型计量异常智能体诊断方法。

背景技术：

1、电力计量装置（电能表、采集终端、互感器等）运行中易出现电压失压、电流过流、接线错误、电能表停走等多种异常；现有技术一方面通过采集系统获取由电力计量装置构成的物理计量回路中的实测电气量（电压、电流、功率、功率因数角等），根据预设诊断规则（指标加阈值）判定异常类型；但多种不同原因可能产生相同或相似的电气特征，导致症状区分困难；例如，功率因数角异常可能由错接线、无功补偿装置故障、用户负荷特性变化等完全不同的原因导致，基于固定阈值的诊断规则无法有效区分这些原因，由现场勘验记录的统计分析，在规则判定的错接线异常中，约46.5%经现场核实实际为无功补偿故障、负荷特性、档案错误等其他原因，误判率较高；另一方面，现有研究尝试利用大语言模型（llm）智能体的推理能力处理复杂的诊断场景，但存在明显缺陷：一是llm智能体的推理输出具有非确定性，同一输入在不同推理过程中可能产生不同的诊断结论；二是当多个异常重叠发生时，llm智能体难以正确识别根因与级联效应之间的因果关系，易导致误诊；三是现有技术缺少诊断过程中的确定性校验与反馈纠错机制；无论是基于规则的诊断方法还是基于llm智能体的诊断方法，其诊断结论一经生成即作为最终输出，不具备中间结论校验和修正能力；因此，提供一种自动识别与结构化验证、实现一致性校验、增强透明度与可审计性的基于图谱校验反馈的计量异常智能体诊断方法是非常有必要的。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，而提供一种基于图谱校验反馈的计量异常智能体诊断方法，该方法运行于与采集系统物理连接的诊断服务器，通过构建融合因果关系与物理特征签名的诊断校验图谱，由校验框架组件对llm智能体诊断结果执行结构化校验并反馈修正建议，形成持续的校验-反馈循环，逐步收敛到正确诊断；具体包括以下步骤：

2、步骤1、异常信号接收与初始诊断假设生成：llm智能体接收来自采集系统的电力计量异常信号，将非结构化的告警上下文信息融合为结构化的初始诊断假设；

3、步骤2、诊断假设提交校验：在电力计量异常诊断中引入预构建的校验框架组件（harness），llm智能体主动调用harness校验组件，将结构化的诊断假设提交至harness进行校验；

4、步骤3、harness基于诊断校验图谱执行结构化校验：harness接收智能体的诊断假设后，基于预构建的两层诊断校验图谱依次执行四步校验流程，对诊断结果进行因果一致性校验、物理签名匹配、混淆因素发现与排查及综合评估；

5、步骤4、返回结构化反馈：harness校验完成后，向llm智能体返回结构化反馈信息；

6、步骤5、智能体根据反馈调整诊断：llm智能体接收harness的结构化反馈后，根据反馈自主决定下一步行动。

7、从智能体系统架构角度，llm智能体的诊断过程遵循推理-行动-观察循环（reactloop）：步骤2中智能体进行推理（reasoning），融合非结构化上下文生成诊断假设；步骤3中智能体执行行动（acting），将假设提交至harness校验；步骤4中智能体进行观察（observing），接收harness返回的结构化反馈；步骤5中智能体将观察结果转化为下一轮推理的输入。

8、有益效果

9、1.降低相似症状误判率：通过因果层图结构遍历与物理签名校验机制，自动发现混淆原因，通过硬否决基于物理约束确定性排除候选、软评分基于间接证据量化排序，解决多原因相似特征的区分难题；以功率因数角异常为例，本发明可自动枚举错接线、无功补偿故障、负荷特性变化等混淆因素并逐一验证；经统计，本发明方法可将原本约46.5%的错接线误判率大幅降低，整体异常诊断准确率提升15%至25%；

10、2.弥补llm推理非确定性缺陷：独立的校验框架组件将领域知识编码为可执行校验函数，对诊断假设进行结构化校验与候选重排，以结构化反馈（不匹配原因、替代原因及证据、建议下一步操作）引导llm智能体修正诊断；llm智能体负责将非结构化信息融合与证据获取编排，二者通过校验-反馈循环逐步收敛，且校验逻辑独立于llm模型参数，不受模型版本变更影响；

11、3.提升多异常场景因果识别准确性：通过因果约束层对多异常共现的因果解释进行一致性校验，识别无因果依据的归因路径，提示拆分独立根因假设，避免将多个独立异常错误归因于单一根因，解决多个异常重叠发生时难以正确识别根因与级联效应因果关系的问题。

1.基于图谱校验反馈的计量异常智能体诊断方法，其特征在于，包括：

2.如权利要求1所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述告警上下文信息包括告警描述信息、用户档案备注信息及运维工单历史信息；所述初始诊断假设包括选定的异常原因及其认定的因果关系。

3.如权利要求1所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述harness校验组件的输入数据来源于由电能表、采集终端与互感器构成的物理计量回路的实测电气量；所述校验框架组件部署于llm智能体的外围，在校验-反馈闭环中承担校验、验证与信息反馈功能，其运行过程独立于llm模型参数，不随模型版本变更而改变校验逻辑。

4.如权利要求1所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述两层诊断校验图谱包括因果约束层和物理签名层；

5.如权利要求4所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述物理签名层用于基于物理计量回路的实际运行数据，对候选诊断原因执行结构化验证；所述校验函数按照证据强度划分为硬否决校验函数与软评分校验函数两类；其中硬否决校验函数基于物理约束执行确定性判定，软评分校验函数基于间接证据执行量化排序，具体如下：

6.如权利要求4所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述诊断校验图谱的构建来源包括领域专家标注与数据驱动辅助发现两部分；

7.如权利要求6所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述数据驱动辅助发现具体包括以下步骤：

8.如权利要求4所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述校验流程具体为：

9.如权利要求1所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述结构化反馈信息包括：校验结论、不匹配的物理特征签名及具体失配原因、置信度更高的替代原因及对应匹配证据、后续操作建议、以及现场校验建议清单；其中，校验结论包括"通过""存疑""驳回"三类判定结果；后续操作建议包括具体检查项与建议查询的数据项，用于指导llm智能体在下一轮迭代中补充校验证据。

10.如权利要求1所述的基于图谱校验反馈的计量异常智能体诊断方法，其特征在于：所述llm智能体依据所述反馈信息确定后续执行动作，包括以下任一情形：

11.基于图谱校验反馈的计量异常智能体诊断系统，其特征在于，包括：