Large Language Models for Power System Applications: A Comprehensive Literature Survey

📄 arXiv: 2512.13004v1 📥 PDF

作者: Muhammad Sarwar, Muhammad Rizwan, Mubushra Aziz, Abdul Rehman Sudais

分类: eess.SY

发布日期: 2025-12-15

备注: 17 pages, 1 table, 1 figure

💡 一句话要点

综述性研究：大型语言模型在电力系统应用中的潜力与挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 电力系统 故障诊断 负荷预测 网络安全 智能电网 综述研究

📋 核心要点

  1. 电力系统面临日益复杂的运行和管理挑战，传统方法难以有效处理海量数据和复杂决策。
  2. 该综述旨在系统性地分析LLM在电力系统中的应用，探索其在故障诊断、负荷预测等方面的潜力。
  3. 研究揭示了LLM在电力系统中的应用前景，同时也指出了数据、安全和可解释性等方面的挑战。

📝 摘要（中文）

本综述全面考察了大型语言模型（LLM）在电力系统工程中新兴的应用。通过对2020年至2025年间发表的最新研究进行系统分析，探讨了LLM如何融入电力系统的运行、规划和管理各个方面。综述涵盖了故障诊断、负荷预测、网络安全、控制与优化、系统规划、仿真和知识管理等关键应用领域。研究结果表明，LLM通过其先进的自然语言处理和推理能力，在增强电力系统运行方面显示出巨大的潜力，但在实际应用中仍存在重大挑战，包括领域特定训练数据的限制、关键基础设施中可靠性和安全性的担忧，以及对增强可解释性的需求。综述还强调了新兴趋势，如电力系统专用LLM的开发以及LLM与传统电力工程方法相结合的混合方法。我们确定了推进该领域的重要研究方向，包括开发专用架构、改进安全框架以及加强与现有电力系统工具的集成。本综述为电力系统研究人员和从业人员提供了该领域LLM应用现状的全面概述，并概述了未来研究和发展的方向。

🔬 方法详解

问题定义：电力系统运行和管理日益复杂，需要处理海量数据并进行复杂决策。传统方法在处理非结构化数据（如日志、报告）和进行复杂推理方面存在局限性。现有方法难以有效利用电力系统领域知识，且在安全性和可靠性方面存在隐患。

核心思路：利用大型语言模型（LLM）强大的自然语言处理和推理能力，将非结构化数据转化为可理解和利用的信息，辅助电力系统运行、规划和管理。通过领域知识的注入和模型微调，提升LLM在电力系统特定任务中的性能和可靠性。

技术框架：该综述分析了LLM在电力系统各个领域的应用，包括：1) 故障诊断：利用LLM分析故障报告和日志，快速定位故障原因。2) 负荷预测：结合历史数据和自然语言信息（如天气预报），提高预测精度。3) 网络安全：检测和识别网络攻击。4) 控制与优化：优化电力系统运行参数。5) 系统规划：辅助电力系统规划决策。6) 仿真：加速电力系统仿真过程。7) 知识管理：构建电力系统知识库。

关键创新：该综述的关键创新在于系统性地总结了LLM在电力系统中的应用，并指出了现有方法的不足和未来研究方向。强调了开发电力系统专用LLM和混合方法的重要性，以解决领域特定数据稀缺和安全可靠性问题。

关键设计：综述中讨论的关键设计包括：1) 领域特定数据的收集和标注。2) LLM的微调和知识注入。3) 安全框架的构建，以防止恶意攻击和数据泄露。4) 可解释性方法的应用，以提高模型的可信度。5) 与现有电力系统工具的集成。

📊 实验亮点

该综述全面分析了2020-2025年间LLM在电力系统中的应用研究，涵盖故障诊断、负荷预测、网络安全等多个关键领域。研究强调了LLM在处理非结构化数据和进行复杂推理方面的优势，并指出了领域数据稀缺、安全性和可解释性等挑战。综述还突出了电力系统专用LLM和混合方法的发展趋势。

🎯 应用场景

该研究成果可应用于智能电网、能源互联网等领域，提升电力系统的自动化、智能化水平。通过LLM的应用，可以提高故障诊断效率，优化能源分配，增强网络安全，降低运营成本，并最终提高电力系统的可靠性和稳定性。未来，LLM有望成为电力系统运行和管理的重要工具。

📄 摘要（原文）

This comprehensive literature review examines the emerging applications of Large Language Models (LLMs) in power system engineering. Through a systematic analysis of recent research published between 2020 and 2025, we explore how LLMs are being integrated into various aspects of power system operations, planning, and management. The review covers key application areas including fault diagnosis, load forecasting, cybersecurity, control and optimization, system planning, simulation, and knowledge management. Our findings indicate that while LLMs show promising potential in enhancing power system operations through their advanced natural language processing and reasoning capabilities, significant challenges remain in their practical implementation. These challenges include limited domain-specific training data, concerns about reliability and safety in critical infrastructure, and the need for enhanced explainability. The review also highlights emerging trends such as the development of power system-specific LLMs and hybrid approaches combining LLMs with traditional power engineering methods. We identify crucial research directions for advancing the field, including the development of specialized architectures, improved security frameworks, and enhanced integration with existing power system tools. This survey provides power system researchers and practitioners with a comprehensive overview of the current state of LLM applications in the field and outlines future pathways for research and development.