LLM-Assisted Behavioural and Scenario Augmentation for Agent-Based Energy Adoption Models
作者: Iias Faiud, Hossein Khaleghy, Michael Schukat, Karl Mason
分类: cs.AI
发布日期: 2026-09-04
💡 一句话要点
提出LLM辅助的行为与场景增强框架以优化能源采纳模型
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 能源政策分析 行为模型 代理基础模型 可再生能源 经济合理性 政策相关性
📋 核心要点
- 现有的能源采纳模型在可解释性和行为有效性方面存在不足，直接替换为LLM推理可能导致结果的不确定性。
- 本文提出了一种混合框架，将LLM辅助的行为规范与结构化场景规范集成到代理基础模型中，以增强模型的可控性和政策相关性。
- 实验结果显示，该框架在多个政策设置下实现了约13%的行为采纳提升，且保持了经济合理性和稳定性。
📝 摘要（中文）
近年来，大型语言模型（LLMs）的进步为基于模拟的能源政策分析提供了丰富的机会，尤其是在支持结构化行为假设和探索性技术经济场景方面。然而，直接用LLM推理替代采纳模型引发了可解释性、可重复性和行为有效性方面的担忧。本文提出了一种混合框架，结合了有限行为标准和结构化场景规范，集成到爱尔兰乳制品农场的太阳能光伏（PV）采纳的校准代理基础模型（ABM）中。该方法在保留原有技术经济采纳机制的同时，增强了有限行为调制和场景驱动的不确定性分析。实验结果表明，在多个政策设置、蒙特卡洛世界和随机种子下，行为表现稳定且经济合理，采纳结果在行为模式下保持有限和单调。该框架实现了相对于对应的逻辑案例约13%的行为采纳提升，且未产生不稳定或不现实的饱和动态。
🔬 方法详解
问题定义：本文旨在解决现有能源采纳模型在可解释性和行为有效性方面的不足，尤其是直接用LLM推理替代传统模型所带来的不确定性问题。
核心思路：提出了一种混合框架，通过结合有限行为标准和结构化场景规范，增强了代理基础模型的行为调制能力，同时保持了原有的技术经济采纳机制。
技术框架：整体架构包括三个主要模块：1) LLM辅助的行为规范设计；2) 结构化场景规范的集成；3) 校准的代理基础模型（ABM）实现。各模块协同工作，以实现对政策和市场条件的动态响应。
关键创新：最重要的技术创新在于将LLM与传统的行为模型相结合，形成了一种可解释且稳定的行为调制机制，显著提升了模型的政策相关性和实用性。
关键设计：在模型设计中，采用了保守、平衡和乐观的行为标准，并通过固定的、规则验证的场景规范进行未来政策和市场条件的探索。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在多种政策设置下，该框架实现了约13%的行为采纳提升，相较于传统逻辑模型，未出现不稳定或不现实的饱和动态，表现出良好的经济合理性和稳定性。
🎯 应用场景
该研究的潜在应用领域包括能源政策分析、可再生能源采纳策略制定以及农业经济模型优化。通过提供可控和可重复的模型，政策制定者可以更有效地评估不同政策对能源采纳的影响，从而推动可持续发展。
📄 摘要（原文）
Recent advances in large language models (LLMs) create opportunities to enrich simulation-based energy policy analysis, particularly by supporting structured behavioural assumptions and exploratory techno-economic scenarios. However, directly replacing adoption models with LLM reasoning raises concerns regarding interpretability, reproducibility, and behavioural validity. This paper proposes a hybrid framework for LLM-assisted specification design, integrating bounded behavioural rubrics and structured scenario specifications into a calibrated agent-based model (ABM) of solar photovoltaic (PV) adoption by Irish dairy farms. The proposed approach preserves the original techno-economic adoption mechanism while augmenting it with bounded behavioural modulation and scenario-driven uncertainty analysis. Behavioural effects are represented through interpretable conservative, balanced, and optimistic rubrics, while future policy and market conditions are explored through fixed, rule-validated scenario specifications. Experimental results across multiple policy settings, Monte Carlo worlds, and random seeds demonstrate stable and economically plausible behaviour, with adoption outcomes remaining bounded and monotonic across behavioural regimes. The framework achieves up to approximately 13% behavioural adoption increase relative to the corresponding logistic case without producing unstable or unrealistic saturation dynamics. The results demonstrate that LLM-assisted specifications can be integrated into calibrated energy ABMs in a controlled, reproducible, and policy-relevant manner.