简介

复杂系统需要先进的调度方案来有效管理资源，传统算法难以满足现代用户的动态需求，人与算法之间存在沟通障碍，自然语言处理技术的发展改变了这一局面。

本文介绍了利用语言模型（LLM）将人类用户的语音请求转换为电力调度向量的方法。该方法可以应用于无线资源管理和家庭能源管理等领域。通过利用预训练和辅助指令获取的知识，LLM可以对问题进行建模和求解。该方法可以推广到帮助人类解决各种现实世界问题。

当前的智能家居服务仅仅将用户请求分类为控制动作，而没有尝试数学建模或解决物理问题。本文提出的架构旨在利用大型语言模型来数学建模和解决电力调度问题，与现有文献不同，该框架不依赖于特定格式的用户请求，而是可以是任意的。这是首次利用大型语言模型执行建模和解决电力调度问题。目的不是提供超越现有方案的电力调度方案，而是革新优化问题的制定和解决方式。

本文提出了一种基于LLM的多智能体架构，用于将人类虚拟需求转换为一个优化问题，解决方案是一个功率调度向量。该架构包括三个LLM代理，分别是意图识别代理、参数识别代理和优化问题求解代理。通过构建一个用户虚拟需求数据库，可以评估该架构的性能。该方法可用于电力管理系统的调度方案设计。

基于LLM的参数识别代理的设计

三个代理有各自的作用：分类代理、参数识别代理和数值求解代理。分类代理根据用户请求的类型确定数学描述，参数识别代理则确定三种参数类型，其中第一种需要语言处理技能从请求中提取，第二种和第三种则是输入。

解析器可以从用户请求中提取参数，并调用相应的函数进行处理。对于电动汽车充电的例子，解析器需要首先提取时间参数，然后调用相应的函数进行处理。此外，解析器还可以通过智能电表接口获取外部参数。所有这些参数组成了完整的操作计划，可以传递给第三方代理程序。

基于LLM的OP求解Agent的设计

VRQ相关的功率调度问题可以通过使用基于LLM的代理来解决。OPRO提出了一种基于提示的框架，利用LLM作为数值优化器。Agent 3由基于scipy.optimize、cvxpy和control Python库的6个求解器组成。这些求解器的初始化由LLM进行，无法从VRQ和系统知识中提取的参数值通过LLM找到。采用现有求解器辅助LLM，既保证了现有求解器的确定性/保证，又利用了LLM的创造性问题解决能力。

提示词工程

本文使用了三种不同的提示工程技术，用于提高LLM模型在电动汽车充电应用中的OP分类和问题解决能力。第一种是基本提示，只提供OP类别的名称和数学形式。第二种是上下文提示，增加了关于每个OP类别典型电动汽车充电问题的详细信息。第三种是错误提示，通过分析之前的错误和专业知识，提供更精细的提示来指导LLM的决策过程。这些提示工程技术的逐步改进可以显著提高LLM的性能。

模拟测试结果

在Python中使用ollama库和Llama3 8B模型实现不同的代理，并通过将模型温度设置为0来消除任何随机性，确保每个请求都被一致地分类到相同的OP类中。通过比较不同提示技术的性能，结果表明错误提示技术在所有性能指标上都实现了最高的IRA。同时，通过提供特定于每个OP类的典型EV充电问题，上下文提示显示出比基本提示（应用程序不可知）略有改进。通过展示三种不同提示技术的平均最优性损失，进一步研究了不同提示方案的影响。这些结果证实了利用先进的提示技术在基础框架中显着提高模型准确分类请求的能力以及在最终充电功率向量方面引入改进的准确性表现的优点。

图5显示了基于提供给分类器的OP类别数量而变化的IRA性能。当只有一个OP类别(LP)时，分类器只能处理CC请求，因为其他请求无法仅通过线性规划解决。这解释了图表中在CT类别之外的请求中蓝色条的缺失，因为仅依靠LP时IRA为零。此外，图表突出显示对于某些请求，如PP类别，随着OP类别数量的增加，IRA会降低。因此，虽然有限的OP类别限制了可处理请求的数量，但增加更多OP类别会对IRA产生负面影响。它还强调了明确的用户请求的重要性，如PP请求中提供3个OP会导致IRA中的显著差距（90%与35%准确率），明确请求和隐含请求之间的差距。从图中还可以看出，具有不同OP类别集的分类器在CC和CT类别中表现非常好，相比其他分类器。这是因为成本和时间是用户常见的请求，相对容易分类，无论是明确还是隐含请求。

结果表明，使用更复杂的语言模型可以提高分类准确性，该框架适用于大多数流行的语言模型。此外，作者还分析了不同类型充电请求的功率分配模式，发现不同请求类型的功率分配模式存在差异。