LLM-DMD: Large Language Model-based Power System Dynamic Model Discovery

📄 arXiv: 2601.05632v1 📥 PDF

作者: Chao Shen, Zihan Guo, Ke Zuo, Wenqi Huang, Mingyang Sun

分类: eess.SY

发布日期: 2026-01-09

💡 一句话要点

提出基于大语言模型的电力系统动态模型发现框架LLM-DMD

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

关键词: 大语言模型 电力系统 动态模型发现 模型结构辨识 代数约束

📋 核心要点

  1. 现有电力系统动态模型发现方法依赖于严格的先验知识，限制了高保真模型的构建。
  2. LLM-DMD利用大语言模型的推理和代码生成能力，通过微分和代数方程循环发现动态模型。
  3. 实验表明，LLM-DMD在同步发电机基准测试中，能够更完整地发现动态模型。

📝 摘要（中文）

当前电力系统动态模型结构发现方法通常对动态模型的基础函数和变量集施加严格的先验假设，并且经常忽略代数约束，从而限制了构建用于精确仿真和分析的高保真模型。本文提出了一种新颖的基于大语言模型（LLM）的动态模型发现框架（LLM-DMD），该框架集成了LLM的推理和代码合成能力，通过两个顺序循环来发现动态方程并强制执行代数约束：微分方程循环，用于识别状态动态和相关变量；代数方程循环，用于制定已识别代数变量的代数约束。在每个循环中，基于LLM的代理生成电力系统动态方程的可执行骨架，并通过基于梯度的优化器进行评估。候选模型存储在基于岛屿的存档中，以指导未来的迭代，并且评估停滞会激活变量扩展机制，该机制使用缺失的代数或输入变量（例如定子电流）来扩充模型以改进模型。在IEEE 39总线系统的同步发电机基准上的验证表明，LLM-DMD在完整动态模型发现方面具有优越性。

🔬 方法详解

问题定义：电力系统动态模型对于精确的仿真和分析至关重要。然而，现有的模型结构发现方法通常需要人为设定严格的先验知识，例如预先定义基础函数和变量集合，并且往往忽略代数约束，这限制了模型的精度和适用范围。因此，如何自动、高效地发现电力系统的高保真动态模型是一个关键问题。

核心思路：LLM-DMD的核心思路是利用大语言模型（LLM）强大的推理和代码生成能力，自动探索电力系统的动态模型结构。通过将模型发现过程分解为微分方程和代数方程两个循环，并结合基于梯度的优化方法，LLM-DMD能够有效地搜索模型空间，并强制执行代数约束，从而发现更准确、更完整的动态模型。

技术框架：LLM-DMD框架包含两个主要的循环：微分方程循环和代数方程循环。微分方程循环负责识别状态变量的动态方程，以及与这些状态变量相关的变量。代数方程循环则负责构建代数约束，这些约束作用于已识别的代数变量。在每个循环中，基于LLM的代理会生成电力系统动态方程的可执行骨架，然后通过基于梯度的优化器对这些骨架进行评估。候选模型被存储在一个基于岛屿的存档中，用于指导后续的迭代过程。如果评估过程停滞，则会激活一个变量扩展机制，该机制通过添加缺失的代数或输入变量（例如定子电流）来扩充模型。

关键创新：LLM-DMD的关键创新在于利用大语言模型进行电力系统动态模型的自动发现。与传统方法相比，LLM-DMD不需要预先设定严格的先验知识，而是通过LLM的推理和代码生成能力，自动探索模型空间。此外，LLM-DMD还能够有效地处理代数约束，从而构建更准确、更完整的动态模型。

关键设计：LLM-DMD的关键设计包括：(1) 基于LLM的代理，用于生成电力系统动态方程的可执行骨架；(2) 基于梯度的优化器，用于评估候选模型的性能；(3) 基于岛屿的存档，用于存储和管理候选模型；(4) 变量扩展机制，用于在评估停滞时添加缺失的变量。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细说明，属于未知信息。

📊 实验亮点

在IEEE 39总线系统的同步发电机基准测试中，LLM-DMD展现了优越的性能，能够更完整地发现动态模型。具体性能数据和对比基线在摘要中未明确给出，属于未知信息。但结论表明，LLM-DMD在完整动态模型发现方面优于现有方法。

🎯 应用场景

LLM-DMD可应用于电力系统仿真、分析和控制等领域。通过自动发现高精度的动态模型，可以提高电力系统仿真的准确性和可靠性，为电力系统的规划、运行和控制提供更可靠的依据。此外，LLM-DMD还可以用于电力系统故障诊断和风险评估，提高电力系统的安全性和稳定性。未来，该方法有望推广到其他复杂动态系统的建模与分析中。

📄 摘要（原文）

Current model structural discovery methods for power system dynamics impose rigid priors on the basis functions and variable sets of dynamic models while often neglecting algebraic constraints, thereby limiting the formulation of high-fidelity models required for precise simulation and analysis. This letter presents a novel large language model (LLM)-based framework for dynamic model discovery (LLM-DMD) which integrates the reasoning and code synthesis capabilities of LLMs to discover dynamic equations and enforce algebraic constraints through two sequential loops: the differential-equation loop that identifies state dynamics and associated variables, and the algebraic-equation loop that formulates algebraic constraints on the identified algebraic variables. In each loop, executable skeletons of power system dynamic equations are generated by the LLM-based agent and evaluated via gradient-based optimizer. Candidate models are stored in an island-based archive to guide future iterations, and evaluation stagnation activates a variable extension mechanism that augments the model with missing algebraic or input variables, such as stator currents to refine the model. Validation on synchronous generator benchmarks of the IEEE 39-bus system demonstrates the superiority of LLM-DMD in complete dynamic model discovery.