Integrating Agentic Artificial Intelligence with High-Performance Computing for Grid Planning

📄 arXiv: 2609.04544v1 📥 PDF

作者: Samim Konjicija, Slaven Peles

分类: eess.SY

发布日期: 2026-09-03

备注: 6 pages, 3 figures, 3 tables. To appear in proceedings of EnergyCon 2026

💡 一句话要点

提出AgentiGrid框架以优化电网规划问题

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

关键词: 电力流分析 高性能计算 自主决策 大型语言模型 智能电网 优化算法 多场景研究

📋 核心要点

  1. 现有电力流研究方法在多场景分析中效率低下，难以快速适应复杂的电网规划需求。
  2. AgentiGrid框架通过结合LLMs与HPC，提供自主决策能力，优化电力流分析过程。
  3. 实验结果表明，AgentiGrid在20次迭代内实现了高效收敛，可靠性接近完美，显著提升了电力流优化的效率。

📝 摘要（中文）

我们提出了AgentiGrid，一个集成大型语言模型（LLMs）智能与高性能计算（HPC）的代理人工智能框架，旨在简化和加速多场景电力流研究。AgentiGrid是一个自主决策代理，能够提出参数修改、通过HPC分析工具ExaGO进行分析、解释结果并确定后续行动。ExaGO提供多种电力流应用，能够执行确定性、随机和安全约束的最优电力流分析。AgentiGrid支持多个LLMs（如OpenAI、Anthropic、Ollama及Ollama云），并增强了上下文特定和任务特定的提示。其主要特性包括交互式中间搜索引导、目标类型感知的后搜索分析以及并发变体探索。AgentiGrid能够在20次迭代内自主收敛传输约束的交流最优电力流，且可靠性接近完美。

🔬 方法详解

问题定义：本论文旨在解决电网规划中的多场景电力流分析效率低下的问题。现有方法在处理复杂电网时，往往需要大量的手动干预和时间，难以实现快速响应和优化。

核心思路：AgentiGrid框架通过将大型语言模型与高性能计算相结合，构建一个自主决策的智能代理，能够自动提出参数修改并执行分析，从而提高电力流研究的效率和准确性。

技术框架：AgentiGrid的整体架构包括多个模块：自主决策代理、HPC分析工具ExaGO、多个LLMs的后端支持，以及一个基于Streamlit的图形化启动器。代理根据输入的电网参数进行分析，调用ExaGO进行计算，并通过LLMs生成自然语言报告。

关键创新：AgentiGrid的主要创新在于其自主决策能力和多种分析方法的集成，尤其是在电力流优化中实现了交互式中间搜索引导和并发变体探索，显著提升了分析效率。

关键设计：在设计中，AgentiGrid采用了上下文特定和任务特定的提示来增强LLMs的性能，同时通过优化参数设置和算法设计，确保在20次迭代内实现高效收敛。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，AgentiGrid能够在20次迭代内实现传输约束的交流最优电力流，且可靠性接近完美。这一性能显著优于传统方法，展示了其在电力流优化中的实际应用价值。

🎯 应用场景

AgentiGrid框架具有广泛的应用潜力，尤其在电力系统规划、可再生能源集成和智能电网管理等领域。其高效的电力流分析能力能够帮助电力公司和研究机构快速响应电网变化，优化资源配置，提高电力系统的可靠性和经济性。未来，该框架还可扩展至其他复杂系统的优化问题。

📄 摘要（原文）

We present AgentiGrid, an agentic artificial intelligence (AI) framework that integrates large language models (LLMs) intelligence and high-performance computing (HPC) to streamline and accelerate the multi-scenario power flow studies. AgentiGrid is an autonomous decision-making agent that proposes parameter modifications, invokes analyses through HPC analysis toolkit ExaGO, interprets results, and determines subsequent actions. ExaGO provides multiple power flow applications that can perform deterministic, stochastic and security constrained optimal power flow analyses. AgentiGrid provides backends to multiple LLMs (OpenAI, Anthropic, Ollama, and Ollama cloud) augmented with context specific and task specific prompts. Key features include interactive mid-search steering, goal-type-aware post-search analysis, and concurrent variant exploration for power flow optimization. A Streamlit-based graphical launcher provides real-time visualization of iteration progress and generates reports in natural language. AgentiGrid is capable of autonomously converging transmission constrained alternating current optimal power flow in under 20 iterations, with near-perfect reliability