基于知识图谱检索增强生成与大语言模型的配网检修智能辅助决策框架

Intelligent Decision Support Framework for Distribution Network Maintenance Based on Knowledge-graph-based Retrieval-augmented Generation and Large Language Models

摘要

针对配网检修决策人工编排效率低、通用模型专业知识储备不足、易产生幻觉等问题，提出了一种融合知识图谱增强生成与大语言模型的配网检修辅助决策框架（knowledge graph retrieval-augmented generation and llm for distribution network maintenance decision support， KRAG-LLM-DM）。首先，开展电力检修文本解析及预处理，构建基础语料库。同时，设计抽取提示词，引导大语言模型（LLM）利用少样本学习与分步推理自动识别检修实体及关联方式。随后，经过实体消歧、社区检测之后形成检修知识图谱，并利用LLM为图谱形成摘要报告。最后，通过余弦相似度检索与上下文重组实现检修知识的动态增强生成。此外，还探索了Jina、Anything LLM及Nomic 3种文本向量嵌入模型的影响。实验结果表明，本文含RAG的检修辅助决策框架在上述3种检修问答中F1值大于0.7，较无检索增强、传统RAG分别提升1.60%、3.60%，其召回率与DeepSeek-V3、GPT-4、Kimi、GLM-4等基线对照模型相比略有提升。本文KRAG-LLM-DM框架的知识图谱构建效率较传统抽取方法有所提升，自动抽取实体与关系规模分别达18 280个节点和14 002条边。基于Gephi实现该图谱的可视化，同时开发检修辅助决策交互界面。本文含RAG的检修辅助决策框架能整合配网检修知识，一定程度上提升LLM在检修辅助决策中的专业性与可解释性。

Abstract

Objective Distribution network maintenance (DNM) decision-making currently relies heavily on manual scheduling and experiential judgment, resulting in inefficient data integration, delayed information processing, and subjective bias. Although general-purpose large language models (LLMs) demonstrate strong semantic capabilities, they lack sufficient domain-specific knowledge and frequently generate hallucinations when applied to specialized maintenance scenarios. Existing retrieval-augmented generation (RAG) approaches, which rely on flat text-chunk retrieval, fail to capture the complex hierarchical structures and causal relationships embedded in power maintenance documents, including equipment fault trees, operational procedure dependencies, and cross-referenced industry standards. To address these limitations, this study proposes an intelligent DNM decision support framework that integrates knowledge graph (KG)-based retrieval-augmented generation with LLMs, termed KRAG-LLM-DM. Methods The KRAG-LLM-DM framework comprises several interconnected stages. Maintenance-related documents, including research literature, industry standards, and operational procedures in PDF format, are first converted into UTF-8-encoded plain text. The documents are then segmented into text chunks with configurable length thresholds to facilitate subsequent vectorization and retrieval. For KG construction, an LLM-guided, prompt-based extraction mechanism is employed. The prompt template incorporates few-shot learning, chain-of-thought reasoning, parameterized entity-type placeholders, descriptive anchoring for entity disambiguation, and structured delimiters to ensure output consistency. The LLM automatically identifies maintenance entities, such as transformers and circuit breakers, together with their semantic relationships, including causal and operational dependencies, thereby extracting both explicit and implicit knowledge from the segmented text. Relationship strength is quantified using an implicit scoring scheme to enable fine-grained relational modeling. Following entity and relationship extraction, the KG is partitioned into communities using the Leiden algorithm, which optimizes modularity through iterative node movement, partition refinement, and network aggregation. For each community, the LLM generates a hierarchical summary using a structured prompt that requires critical entity identification, compliance assessment, technical capability evaluation, impact scoring with explanatory justification, and source citation tracking. The resulting community summaries and corresponding text chunks are vectorized using one of three embedding models (Jina, Anything LLM, or Nomic) and stored in a vector database. During inference, a user query is encoded into the same embedding space, and cosine similarity retrieval is performed to identify the most relevant text chunks and community summaries. The retrieved knowledge is then combined with the original query to construct an augmented context, which is subsequently provided to the LLM for response generation. Results and Discussions The framework was evaluated through a series of experiments involving knowledge base construction, ablation studies, embedding model comparisons, and decision performance benchmarking. A maintenance knowledge base was constructed from a corpus of power distribution maintenance documents. Chunk recall testing using a query on transformer maintenance procedures showed that the retrieved text fragments primarily exhibited similarity scores between 0.50 and 0.52. In the first case study, the LLM-based decision support framework without RAG was evaluated on both online cloud platforms and local offline environments. Temperature coefficient analysis showed that lower coefficients produced more structured and logically coherent responses, making them more suitable for high-reliability maintenance scenarios. Comparisons among mainstream LLMs using two maintenance planning queries showed that the proposed framework achieved recall rates of 0.719 and 0.694, representing improvements of 2.36%~13.40% over GPT-4, DeepSeek-V3, GLM-4, and Kimi. The RAG-enhanced responses explicitly referenced national standards and provided hierarchically structured answers with source attribution, whereas the baseline models often omitted domain-specific information, such as maintenance grading criteria and dynamic constraint conditions. In referential ambiguity scenarios, the framework achieved an F1-score of 0.625, marginally outperforming competing models that failed to explicitly resolve anaphoric references. The second case study investigated the influence of embedding models on the RAG-based decision support framework. Among the Jina, AnythingLLM, and Nomic embedding models, Jina demonstrated superior semantic representation of nested hierarchical structures in long power maintenance documents owing to its multi-task contrastive learning and decoupled attention mechanism. Nomic provided broader semantic representations and supported dynamic dimensionality pruning, whereas AnythingLLM exhibited information loss when processing compound semantic structures. The third case study evaluated the proposed KRAG-LLM-DM framework. The KG constructed using the proposed LLM-guided extraction method contained 18 280 nodes and 14 002 edges, with an average degree of 0.21, a modularity index of 0.953, and a network diameter of 9. Graph visualization was performed using Gephi with the ForceAtlas2 layout algorithm. Comparative analysis against keyword matching, regular expression, and SpaCy-based dependency parsing methods showed that the proposed approach achieved greater knowledge coverage and structural completeness while operating automatically without manual rule maintenance. Ablation experiments involving three complex maintenance question types yielded F1-scores of 0.726 3, 0.708 1, and 0.729 0 for the KRAG-LLM-DM framework, outperforming the LLM without RAG by 1.60%~2.63% and the standard RAG-based LLM by 1.80%~3.60%. Error analysis indicated that the KG structural constraints and hierarchical community semantics improved answer consistency and reduced logical fragmentation compared with flat RAG retrieval. Compared with parameter-matched baseline models, including Mistral, Olmo, and LLaMA, the KRAG-LLM-DM framework achieved average F1-score improvements of 3%~5% across device state identification, fault cause tracing, and maintenance recommendation tasks. Finally, an interactive decision support interface featuring knowledge provenance visualization, structured answer presentation, and multi-tab version switching was developed to facilitate human-machine collaborative decision-making. Conclusions The KRAG-LLM-DM framework integrates KG construction with retrieval-augmented generation to address the limitations of general-purpose LLMs in DNM decision support. The LLM-guided, prompt-based extraction mechanism enables the automated construction of structured maintenance KGs from heterogeneous unstructured text, producing 18 280 nodes and 14 002 edges without manual annotation. Hierarchical community summarization and vector-based retrieval provide semantically organized knowledge augmentation, achieving recall rates of 0.719 and 0.694 on maintenance regulation queries and grading-based planning tasks, representing improvements of 2.36%～13.40% over mainstream LLM baselines. The framework consistently outperforms both non-RAG and conventional RAG configurations on complex domain-specific queries, demonstrating the effectiveness of structured semantic constraints and multi-hop reasoning in improving the professionalism and interpretability of generated responses. Despite these advances, the coupling mechanism between LLM reasoning and graph-structured inference remains only partially interpretable, limiting the transparency of the causal reasoning process from evidence nodes to maintenance decisions. Future research should therefore focus on enhancing causal reasoning within LLM-KG integration for safety-critical power system applications.

Graphical abstract

关键词

大语言模型 / 检索增强生成 / 知识图谱 / 配电网 / 检修决策 / 人工智能 / 提示工程

Key words

large language model / retrieval-augmented generation / knowledge graph / distribution network / maintenance decision / artificial intelligence / prompt engineering

本刊网刊

当前新型电力系统建设持续加快，可再生能源大规模接入，配网运行态势愈加复杂。多源异构设备、分布式能源与储能系统的广泛部署带来结构性耦合增强、运行工况多变等挑战。目前，地市电网的检修作业调度、计划编排及资源平衡主要依赖人工经验操作决策。传统人工编排的方式存在数据融合效率低、信息处理滞后、人为判断偏差等瓶颈，难以满足新型配网系统对高效、精准、可解释性强的辅助决策需求。同时，现有信息平台在检修业务流程的智能支撑研究方面仍存在一定空白，由于缺乏统一的知识组织与推理机制，检修部门在实际操作中难以获取体系化、结构化的知识支撑，在面临多项工程需要并行检修的情况下，实现科学的时序编排与资源协调有一定难度。因此，亟须面向配网运行维护系统构建具备专业知识建模能力和智能推理能力的辅助决策框架^[1‒2]。

检修业务数据作为配网检修运维的基础，通常由现场作业人员、设备管理单位及技术支持团队共同采集维护。检修文件蕴含大量高价值信息，但其非结构化、术语密集型与语义复杂的特点限制了传统信息检索技术的适用性。以ChatGPT、DeepSeek为代表的大规模预训练语言模型（LLM）为该问题提供了新的解决路径^[3‒4]。LLM基于Transformer架构，通过海量语料的预训练，具备跨任务泛化、语义涌现等特征。牛泽原等^[5]分析了LLMs在电力系统提示工程、多模态处理、模型微调等方面的技术优势与实践价值。马超等^[6]明确了ChatGPT类LLMs赋能电力标准数字化转型的核心技术。丁俐夫等^[7]提出新型电力系统生成式智能应用模式及逻辑框架，探讨智能应用全生命周期自动化构建技术方案。李刚等^[8]探索了LLMs深度场景解析和语言描述能力在电力系统的应用。江秀臣等^[9]总结了LLMs核心技术架构，分析语料样本体系构建等关键技术。上述研究明确了LLMs在电力领域应用的前景，但其研究多集中于宏观层面，对于配网、检修等垂直细分场景的探索相对匮乏。并且，LLM会暴露出专业储备不足、回答依据不明、大模型幻觉风险等问题^[10]。

针对上述问题，学者提出了检索增强生成技术（RAG）来配合LLM决策。在LLM推理时，RAG将特定知识动态输入，无需修改模型权重即可整合领域信息，减少幻觉。Lewis等^[11]提出RAG后，其已在多个领域取得显著进展。在技术研究方面，Gao等^[12]阐述了Naive RAG、Advanced RAG、Modular RAG 3种范式。Zhao等^[13]分析RAG在AI生成内容中的应用。Corrective RAG通过轻量级纠错机制来提升错误检索鲁棒性^[8,14]；Agentic RAG引入自治智能体优化检索以适应复杂推理^[15]；Gupta等^[16]提出的多模态检索在视觉问答等场景表现优越。在应用研究方面，朱俊仪等^[17]基于RAG搭建了本地知识库，并开发校园信息服务智能决策系统；郭岩^[18]结合RAG、Web应用、搜索引擎构建了LLM知识库系统。总体来看，尽管传统RAG已在诸多领域证明其价值，但在检修场景应用中仍面临挑战：一是，检修知识含设备故障树、操作规程顺序等复杂层级与因果结构，传统RAG扁平文本检索难以捕捉结构性语义；二是，电力行业标准存在引用、补充、替代等强关联，RAG文本碎片化易引发标准解读错误^[19]；三是，跨文档推理对上下文连贯性要求高，传统RAG的检索粒度与上下文窗口机制难以满足需求。

针对上述RAG在处理结构化语义与复杂关联时的局限，知识图谱（KG）技术因其直观刻画事物间拓扑关系的能力，为解决上述问题提供了新的思路。高俊^[20]结合知识图谱路径查询、双向搜索与Spark分布式框架设计了供电可靠性并行计算方法，提升了大规模馈线评估的效率。王骏东等^[21]提出基于图谱的配网故障辅助决策方法，构建了包含故障处理、业务流程的故障调度图谱。基于上述分析可知，RAG擅长非结构化语义泛化，KG擅长结构化逻辑推理，因此，图谱检索增强生成（KRAG）能将KG的显式拓扑关联与RAG的隐式语义检索相结合，在保留语义泛化的同时注入结构化的逻辑约束，有望实现具备灵活性、精准性与可解释性的知识推理。

受文献[22‒23]启发，本文提出了一种融合知识图谱与LLM的配网检修辅助决策框架KRAG-LLM-DM框架。并构建自动化的智能辅助决策系统，通过LLM引导的提示式抽取机制自动构建检修辅助决策KG，无需人工标注即可实现检修知识的自动抽取及智能决策。基于在线、本地等平台设置了多个检修问题测试KG构建、嵌入方式及辅助决策的效果，并开发了相应智能决策平台。

1 基于KRAG-LLM-DM的电力检修知识图谱构建与决策框架

在新质生产力驱动下，配网检修决策向“人主机辅”的混合增强智能方向演化，基于人机融合的检修辅助决策框架如图1所示。通过任务分工、状态分析、决策协同等步骤，该框架可以实现检修业务人员历史经验与机器智能的融合：通过LLM结合状态分析等模块，综合感知评估设备运行参数、历史检修数据、环境信息等多维态势；检修业务人员作为主决策者，在LLM辅助下统筹检修任务，通过对话交互生成检修决策。

本文提出的KRAG-LLM-DM框架整体流程如图2所示。首先，采集历史检修文档、操作规程等文本数据，生成结构化的文本切片；其次，结合专家提示模板，经LLM语义解析文本切片，抽取关键检修实体及关联关系，构建初步电力检修KG；再次，划分KG社区，识别节点语义聚类与层级；随后，由LLM对社区间及跨层级的关系语义进行融合，生成结构化社区摘要；最后，检修业务人员以自然语言查询，系统在KG语义空间检索，LLM生成任务相关回答。

区别于基于规则或仅依赖通用LLM的方式，本文提出的KRAG-LLM-DM框架具有以下优势：

1）知识组织方面，针对传统方法知识孤岛与隐性知识挖掘不足问题，利用LLM自动构建电力检修知识图谱，将非结构化文本转化为结构化的网络。

2）推理增强方面，针对通用LLM幻觉频发与专业依据缺失，设计分层检索增强生成机制，提升检索效率并为LLM提供推理路径。

3）交互决策方面，通过构建本地/云端协同的人机交互平台融合人类经验与KG知识。

2 实现流程

2.1 检修知识文本预处理

构建检修知识库时，先采集研究文献、行业标准、操作规程等文本。采集完成后，对非结构化内容进行标准化、提取语义单元。由于所收集的原始文献多为PDF，采用Pdfplumber^[24]逐页解析，转化为UTF-8编码的txt格式，转换过程如图3所示。

为提升向量化效果，将较长文本划分为若干片段。设原始文本集合为D=\left\{d_{\mathrm{1}},d_{\mathrm{2}},\cdots ,d_n\right\}，d_i为第i个文本。分割操作可定义为：

S=\left\{s_j\left|s_j=\mathrm{T}\mathrm{e}\mathrm{x}\mathrm{t}\mathrm{S}\mathrm{e}\mathrm{g}\mathrm{m}\mathrm{e}\mathrm{n}\mathrm{t}(d_i,L_{\mathrm{m}\mathrm{i}\mathrm{n}},L_{\mathrm{m}\mathrm{a}\mathrm{x}})\right.\right\}（1）

式中：S为分割后得到的文本片段集合；s_j 为第j个文本片段（切片）；TextSegment(·)表示文本分割操作；L_{\mathrm{m}\mathrm{i}\mathrm{n}}和L_{\mathrm{m}\mathrm{a}\mathrm{x}}分别为最小、最大分割长度，L_{\mathrm{m}\mathrm{i}\mathrm{n}}和L_{\mathrm{m}\mathrm{a}\mathrm{x}}设为500、1 000。切片长度可根据具体任务需求调整。

2.2 基于LLM的检修KG构建

知识文本预处理完成后，利用提示词引导大模型构建检修KG，提取检修决策实体及其关联关系。一般来说，关联关系和实体在原始文本中并非以显性的方式存在，传统常利用语义、匹配等方法识别，而本文主要采用LLM的方法识别。

用于电力检修文本实体抽取与关系抽取的提示词如图4所示。为引导LLM自动构建KG，提示词构建过程中采用少样本学习、分步推理、参数化模板、实体消歧等技术。少样本学习提供多个典型的检修案例作为范式，限定了任务边界；分步推理将检修实体的识别与关系的识别进行了解耦；参数化模板主要为了提升规范性，{entity_types}等占位符支持跨场景复用，tuple/record/completion_delimiter等结构化分隔符提升可读性；实体消歧利用大写命名强化检修实体的唯一性。此外，在提示词中引入关联关系强度的量化方式，使关联关系的细粒度更高。

以检修文本句子为例分析实体抽取与关系抽取，如图5所示。

在实体识别层，命名实体Jordan Lee的同时，通过上下文推理识别非显性特征（如High-Voltage Tower M7归为Facility类，包括地理位置“Redwood National Reserve”、运维状态“上次检修时间为6个月前”等特征），利用锚定策略抽取了实体的属性。关系抽取层可定义不同强度的语义关联，如PowerCare Ltd与High-Voltage Tower M7的“维护”关系强度5、技术人员“指派检测”关系强度4。

2.3 基于Leiden/LLM的检修图谱社区生成

检修KG构建后，基于Leiden技术^[25]将KG划分为若干社区，每个社区对应检修知识中的语义单元。Leiden通过下面3个阶段优化社区结构。

阶段1，以模块度（质量函数）Q为优化目标，将单个节点移动到使模块度增益最大的社区中，并仅访问邻居发生变化的节点，该模块度定义如下：

Q=\sum _c\left(\frac{e_c}{m}-\gamma {\left(\frac{K_c}{\mathrm{2}m}\right)}^{\mathrm{2}}\right)（2）

式中：e_c为社区c内部边数；K_c为社区所有节点度之和；m为网络中的边总数；\gamma为分辨率参数，较高的\gamma会导致更多更小的社区。

阶段2，将社区进一步划分为子社区，随机合并节点到其他社区。

阶段3，以细化后的分区为基础构建聚合网络，将社区视为聚合网络节点；在聚合网络上重复上述过程，直至质量函数无法进一步优化。

上述检修决策社区划分完成后，生成社区报告，创建包含节点、边、相关特征等元素的提示词，如图6所示。在文献[22]基础上，本文提示词引入电力检修领域知识内容，同时增加标题、摘要、解释和评分模块。可使业务人员能够通过报告评估社区重要程度。最后，社区报告以JSON格式返回。业务人员可浏览社区主题，查询子社区摘要获得细节。

2.4 基于Gephi的检修KG可视化

社区划分后，基于Gephi开展电力检修KG可视化，其流程如图7所示。具体流程为：1）数据获取层读取第2.2节节点数据、关系数据及第2.3节社区数据。2）针对字段命名差异，以编号或标题作为节点标识，保留标签、规模等属性；对于社区分类，通过左连接的方式将社区编号关联到节点属性中，为社区的划分提供依据。3）在图构建层中，采用有向图遍历节点数据并逐一添加到图结构中；对于节点关系，先校验源/目标节点的存在性，再为每条边附加关系类型及权重属性。4）在可视化输出层中，使用NetworkX^[26]将图导出为GEXF格式，利用ForceAtlas2布局^[27]实现整个图谱的拓扑优化与输出。

2.5 检修文本向量的表示与存储

除上述基于图谱的检修辅助决策外，还探索了3类向量嵌入方式Jina^[28]、Anything LLM^[29]、Nomic^[30]。

1）Jina模型，可处理长文本输入（最高支持8 192 tokens），适用于文本检索、聚类和语义文本相似度等多种任务。该模型通过多任务对比学习策略进行训练。同时，Jina模型专注于双语任务，采用定制化的词汇表和优化的模型架构。

2）Anything LLM模型，基于Mini LM架构，模型输入为文本序列，输出是该文本384维向量表示。与Jina模型类似，Anything LLM模型使用对比学习进行训练，试图让模型区分正样本和负样本。

3）Nomic模型，由Nomic AI推出，是支持上下文最高长8 192 tokens的开源文本嵌入模型。该模型通过Matryoshka技术，在LoCo基准测试中超过OpenAI的Ada-002和text-embedding-3-small等模型。

2.6 检修向量的检索与重组

当电网业务人员查询时，系统会先对其问题进行解析，并将问题映射到与社区摘要相同的嵌入空间。假设人类问题为q，将其映射为查询向量则可以表示为：

{\mathit{v}}_q=E(q)\in {\mathbb{R}}^d（3）

式中：E(·)表示嵌入模型操作；{\mathit{v}}_q为问题q经过嵌入模型转换后得到的查询向量，属于{\mathbb{R}}^d空间；d为向量维度。

随后，基于生成的查询向量在向量数据库中快速检索出与其最相似的若干文本片段，采用余弦相似度来评估向量间的相似性：

\mathrm{s}\mathrm{i}\mathrm{m}({\mathit{v}}_q,{\mathit{v}}_j)=\frac{{\mathit{v}}_q\cdot {\mathit{v}}_j}{‖{\mathit{v}}_q‖‖{\mathit{v}}_j‖}（4）

式中，{\mathit{v}}_j为向量数据库中存储的第j个文本片段向量，\mathrm{s}\mathrm{i}\mathrm{m}({\mathit{v}}_q,{\mathit{v}}_j)为查询向量{\mathit{v}}_q与文本片段向量{\mathit{v}}_j间的相似度。

上述检索得到的文本片段常包含回答当前检修问题所需的关键信息。进一步地，筛选满足\mathrm{s}\mathrm{i}\mathrm{m}({\mathit{v}}_q,{\mathit{v}}_j)\ge \tau的片段（\tau为阈值），将检索到的Top-k文本片段与检修业务人员的问题重组，构建含外部知识上下文的新输入序列{\mathit{x}}_{\mathrm{a}\mathrm{u}\mathrm{g}\mathrm{m}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{d}}，即：

{\mathit{x}}_{\mathrm{a}\mathrm{u}\mathrm{g}\mathrm{m}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{d}}=[q;{\mathit{s}}_{\mathrm{1}};{\mathit{s}}_{\mathrm{2}};\cdots ;{\mathit{s}}_k]（5）

式中，{\mathit{s}}_{\mathrm{1}};{\mathit{s}}_{\mathrm{2}};\cdots ;{\mathit{s}}_k表示检索到的与查询向量{\mathit{v}}_q最相似的k个文本片段。

2.7 检修知识的动态更新机制

完成向量检索和重组后，LLM能在回答配网检修问题时直接参考知识文本，将结果以对话形式输出，其输出遵循LLM的生成过程，一般建模为条件概率分布，即：

（6）

式中，\mathit{y}=(y_{\mathrm{1}},y_{\mathrm{2}},\cdots ,y_T)为生成的答案序列，y_t为第t步的单个词元，为在预测y_t之前已经生成的全部历史词元序列，\theta为LLM参数集合。常见的LLM参数见附录A。

为保持知识库与最新规程、标准及检修案例的同步，需要定期对向量数据库进行增量更新。设在一个更新周期\mathrm{\Delta }t内，新增待入库的文本片段集合为\left\{{\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(\mathrm{1})},{\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(\mathrm{2})},\cdots ,{\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(N)}\right\}，其中，N为新增文本片段总数。每个片段{\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(i)}经预训练嵌入模型编码为向量表示E({\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(i)})后，以向量、原文二元组的形式并入现有数据库。向量数据库在时刻t+\mathrm{\Delta }t的状态V_{\mathrm{d}\mathrm{b},t+\mathrm{\Delta }t}由时刻t的状态V_{\mathrm{d}\mathrm{b},t}与新增知识取并集得到，即：

V_{\mathrm{d}\mathrm{b},t+\mathrm{\Delta }t}=V_{\mathrm{d}\mathrm{b},t}\bigcup \left\{\left(E\left({\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(i)}\right),{\mathit{s}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{(i)}\right)\left|i=\mathrm{1,2},\cdots ,N\right.\right\}（7）

2.8 KG评价指标与决策评价指标

2.8.1 电力检修KG评价指标

KG的评价指标包括平均度、平均加权度、网络直径、图密度、点击次数、模块化等。部分指标数学表达式如下。

1）平均度d_{\mathrm{a}\mathrm{v}\mathrm{g}}为图中所有节点的度的平均值。度指一个节点连接入边和出边的总数量。具体表示为：

d_{\mathrm{a}\mathrm{v}\mathrm{g}}=\frac{\mathrm{2}\times |E|}{|V|}（8）

式中，|E|为边总数，|V|为节点总数。

2）平均加权度d_{\mathrm{w},\mathrm{a}\mathrm{v}\mathrm{g}}为图中所有节点加权度平均值。具体表示为：

d_{\mathrm{w},\mathrm{a}\mathrm{v}\mathrm{g}}=\frac{\mathrm{1}}{|V|}\sum _{v\in V}\left(\sum _{u\in N(v)}{w}_{uv}\right)（9）

式中，V为节点集合，N\left(v\right)与节点v相邻节点集合，w_{uv}为节点v与u之间的边权重。

3）模块度用于衡量网络社区结构。采用文献[31‒32]的方法定义模块度Q为：

Q=\frac{\mathrm{1}}{\mathrm{2}m}\sum _{i,j}\left[A_{ij}-\frac{k_i{k}_j}{\mathrm{2}m}\right]\delta (c_i,c_j)（10）

式中：m为图中边的总权重（无权图中即为边数）；A_{ij}为节点i和j之间的边权重；k_i、k_j为节点i、j的度（或加权度）；c_i、c_j为节点i、j所在的社区编号；\delta (c_i,c_j)为克罗内克函数，当c_i=c_j时\delta (c_i,c_j)为1，否则\delta (c_i,c_j)为0。

2.8.2 电力检修决策评价指标

辅助决策问答质量也需要被评估，引入精确率（Precision）、召回率（Recall）、F1分数3个典型指标。假设生成文本token集X=\left\{x_{\mathrm{1}},x_{\mathrm{2}},\cdots ,x_m\right\}，参考文本的token集G=\left\{g_{\mathrm{1}},g_{\mathrm{2}},\cdots ,g_n\right\}。生成文本与参考文本中，每个token分别通过基于Transformer的双向编码器表征模型（BERT）的最后一层隐藏状态编码为上下文嵌入向量，其中，{\mathit{u}}_i为生成文本中第i个token的向量，{\mathit{v}}_j为参考文本中第j个token的向量。Precision（记为P，式（11））即对每个生成词找出与参考中最相似的词。Recall（记为R，式（12））即对每个参考词找出与生成中最相似的词，取平均。F1分数（记为F_{\mathrm{1}}，式（13））则综合反映语义匹配情况。

P=\frac{\mathrm{1}}{|X|}\sum _{x_i\in X}\underset{g_j\in G}{\mathrm{m}\mathrm{a}\mathrm{x}}\mathrm{c}\mathrm{o}\mathrm{s}({\mathit{u}}_i,{\mathit{v}}_j)（11）

R=\frac{\mathrm{1}}{|G|}\sum _{g_j\in G}\underset{x_i\in X}{\mathrm{m}\mathrm{a}\mathrm{x}}\mathrm{c}\mathrm{o}\mathrm{s}({\mathit{v}}_j,{\mathit{u}}_i)（12）

F_{\mathrm{1}}=\frac{\mathrm{2}PR}{P+R}（13）

另外，设定提升率指标为：

r_{\mathrm{i}\mathrm{m}\mathrm{p}}=\frac{B-M}{B}\times \mathrm{100}\mathrm{\%}（14）

式中，B为本文框架的得分，M为被比较模型的得分，r_{\mathrm{i}\mathrm{m}\mathrm{p}}为提升率。

3 算例分析

为验证所提KRAG-LLM-DM框架在配网检修辅助决策中的效果，将进行算例分析。首先，分析框架中检修知识库构建流程及切片召回效果。随后，分别探究有无RAG、不同嵌入方式等因素对检修辅助决策效果的影响。最后，设计检修辅助决策平台的人机交互界面。

3.1 知识构建与切片分析

框架常见的部署方式分为本地与云端两种。本地一般通过LangChain等开源框架构建知识库实现基本检索，但处理大规模异构数据时，容易受到本地硬件资源限制。云端通常依赖阿里云百炼^[33]、百度智能云等平台。以在线平台为例分析，辅助决策框架构建辅助决策知识库，并开展数据切分；切分完成后，为检验切片能否被正确召回，进行命中测试；同时，命中测试还可以判断是否需要调整检修文本的相似度阈值。以调度员提问“配电网变压器如何检修？”为例展示知识库片段召回情况，如表1所示。从表1可以看出：在较低相似度阈值（0.50、0.51）下可召回较多相关的片段；当阈值提升至0.52时召回数量显著下降，表明知识库中与该查询相关（相似度⩾0.52）的片段较少，应用中需要权衡召回率与精确率来选择合适的阈值。

3.2 算例1：无KRAG的配网检修辅助决策

3.2.1 LLM-DM在线平台辅助决策分析

在线平台的参数设置见附录B表B1。先探讨温度系数的影响，再对比不同LLM-DM的辅助决策效果。

1）温度系数的影响。温度系数可以调控生成文本的随机性。以“电网运行中对计划检修的内容和要求是什么？”问题开展测试，其结果如附录B表B2。由附录B表B2可知，温度系数从0.50增大至1.99后，决策结果在结构与内容方面发生较大变化。系数较低时，回答结构严谨、条理清晰，关键点分析及参考文献的划分较明确。较低的温度系数可使模型倾向选择概率较高、相对确定的表达。系数升高后，回答的结构规整度逐渐下降，灵活性变强。关键点分析、详细解答等部分的衔接过渡不如低系数答案流畅，表述略显跳跃。究其原因，较高的温度系数会引入更多的随机性，智能体会探索更广泛的词汇和表达空间。配网检修的辅助决策涉及大量的检修设备和拓扑变化，若人类需要高准确可靠回答，可选用较低的温度系数；反之，可提高温度系数。后续应用中可引入人工审核，利用人类配网检修专家的经验对回答及温度系数进行把关，例如，Yu等^[34]在数据标注时通过人工修改输出回复，提升了LLMs辅助决策可信度。

2）不同LLM-DM的性能对比。为进一步评估不同LLM-DM的性能，设计两个问题进行验证，并对比DeepSeek-V3^[35]、GPT-4^[36]、Kimi^[37]、GLM-4（General Language Model 4）^[38]等主流LLM方法。问题1，“电网运行中，对计划检修的内容和要求是什么？请简短回答”；问题2，“年度检修计划、月度检修计划和日检修计划分别的内容和要求是什么？请简短回答”。针对上述问题，以《电网运行准则》（GB/T 31464—2022）^[39]中计划检修相关段落为依据进行评估，结果如表2及附录B表B3、B4所示。由表2及附录B表B3、B4可以看出，本文所提框架对问题1的Recall为0.719，比GPT-4、Kimi、GLM-4、DeepSeek-V3等模型分别高2.36%、3.62%、4.32%、5.00%。传统主流模型回答在一定程度上涉及设备检查、安全保障等内容，但缺检修分级、动态约束条件等垂直内容。本文所提框架通过RAG检索检修知识库文献，生成结构化、专业性回答（如“检修需满足周期性、必要性和优先级要求”），且标注文献来源，增强了可追溯性与可信度。

3）指代歧义场景的讨论分析。以问题“检修计划需要考虑设备状态，其优先级如何确定？”为例，分析其所指对象（检修计划或设备状态）的歧义性。指代歧义问题的模型响应评分结果见表3。由表3可知：各模型在指代歧义场景下F1分数介于0.594～0.625，表现相对接近；本文所提框架在精确度和召回率上略优于其他模型。GPT-4等主流模型在回答中虽能列举设备状态相关优先因素，但未显式地给出其所指代对象。总体来看，本文所提框架通过引入结构化语义表示与上下文依赖建模，在一定程度上缓解了该问题。

3.2.2 LLM-DM本地平台辅助决策分析

考虑到电力数据高安全敏感、强实时响应特点，基于Ollama^[40]、Cherry Studio与DeepSeek构建本地离线决策辅助系统，参数见附录B表B5，与现有研究对比见附录B表B6。由附录B表B6可以观察到，RAG技术能够提升LLM对检修决策的解析能力，含RAG的LLM-DM框架生成质量更优，能引用国标条款，提升了DM场景下的智能决策可信性。

3.3 算例2：嵌入方式对检修辅助决策影响

嵌入方式影响LLM-DM框架的知识检索准确性与生成质量。基于Anything LLM与DeepSeek R1-32B构建DM平台，将Jina、Anything LLM、Nomic 3种嵌入方式进行对比，其结果如表4所示。

在语义捕捉方面，Jina采用多任务对比学习，注意力机制解耦了电力长文本中的嵌套语义层级。相对来说，Anything LLM通过参数蒸馏压缩维度，但在处理复合语义时丢失一定信息。Nomic则采用了Matryoshka编码，其生成的语义向量有一定广度，能通过动态维度裁剪实现经济性和安全性的区分。在知识溯源方面，3种方式均能内嵌文献追溯的提示，能给出知识库相关检索结果。在回答阶段，Nomic在知识检索阶段即能建立语义单元与文献片段的映射；虽然Jina与Anything LLM内嵌了提示词引导，但其响应中未能严格遵循知识引用的需求。附录C的表C1展示了不同嵌入方式的智能体辅助决策结果。

上述分析发现，基于RAG引导的LLM-DM框架在知识增强、专业性提升等方面相对于无RAG的展现出一定优势，但仍存在一些缺陷：一是，检索模块多基于语义相似度匹配，涉及复杂多义词或专业术语时易出现片段误召回，在知识融合阶段难以完全消除此类噪声；二是，检修问题涉及跨文档关联时，传统RAG对知识的逻辑链条有待加强；三是，不同嵌入模型在处理复杂电力语义时易出现不同的信息冗余或缺失。

3.4 算例3：基于KRAG-LLM-DM框架的检修辅助决策

3.4.1 实验设置与参数配置

KRAG-LLM-DM框架的实验参数如附录D表D1所示。采用cl100k_base编码、Ollama、Qwen2-7B^[41]本地架构。可处理UTF-8编码的TXT文件，切片大小为300，重叠长度为100。摘要生成的单个社区报告最大输入为8 000，其摘要最大为2 000。局部搜索策略下，文本单元与社区摘要采样比例分别设为0.5和0.1，保留了5轮对话以增强多轮决策连贯性。本地搜索阶段，提取Top-10映射实体与关系，限制最大上下文Token数为12 000，适配LLM输入限制。

3.4.2 电力检修KG构建与决策结果分析

电力检修知识图谱从非结构化文本到结构化表示的构建流程如附录D表D2～D13所示，包括基础实体抽取、实体摘要生成、基础实体图构建、最终实体及节点确定、社区划分、文本与实体/关系连接、最终关系与文本单元创建、文档整理等步骤。在实体提取阶段，LLM通过提示模板从检修文本中识别组织机构和人物等实体。上述实体随后被赋予类型标签和描述信息，为关系构建奠定基础。附录D表D5展示了经过摘要与消歧处理的实体对象，每个实体被赋予标识符、类型字段、描述文本及对应的高维嵌入向量，便于在知识空间进行相似度计算和语义匹配。实体关联如附录D表D9所示，包括作者与机构、设备与故障现象等。关系是图谱支持后续检修决策查询的核心数据结构。利用Gephi软件对KG结果进行可视化如图8所示。

电力检修图谱统计指标如表5所示。所构建图谱包含12 040个节点、2 531个边。在此基础上，针对3个典型检修问题（“问题1，变压器设备最常出现的故障类型是什么？对应的处理方案有哪些？”“问题2，检修工作中，是否存在重复性故障？是否有优化建议？”“问题3，在台风来临前，哪些关键输电线路存在历史故障风险，应优先安排检修？”）开展了基于本地搜索的问答决策测试，上述3类问题的结果见附录D表D14。

3.4.3 与现有方法的对比分析

通过多组对比分析，从不同维度探讨本文所提框架的性能与价值。

1）不同KG构建方法对比

为评估各类KG构建方法在电力检修场景中的表现，以同一电力检修知识库为数据来源，对比关键词匹配^[42]、正则表达式^[43]、SpaCy法^[44]及本文框架这4类抽取方法，其结果如表6所示。由表6可见：从节点数与边数看，本文框架自动抽取构建的KG达18 280个节点、14 002条边，知识覆盖与结构完整性高。在时间效率上，本文框架总耗时15 h，但完全自动化、无需人工干预，可实现无人值守批量构建；其他方法依赖人工规则与干预。在自动化程度上，本文框架由LLM驱动信息抽取，仅需一次提示模板设定，即可高质量抽取大量非结构化文本的实体与关系，提升效率与灵活性；而其他对比方法需要人工维护实体词典、设定正则模式或句法模板，自动化程度低，更新维护成本高。在稳定性上，关键词与正则法易因文本风格变化失效，SpaCy法易受中文分析精度限制有误判。因此，本文框架的语义理解强，适应多种文本结构，结果更稳定。

2） KRAG-LLM-DM框架消融实验

针对检修智能决策系统知识更新滞后、语义幻觉频发、推理链条薄弱等挑战，以国家电网光明LLM-DM答案为标准，评估不同决策模型在上述3类不同电力检修问题的决策性能，结果见表7。由表7可以看出，KRAG-LLM-DM框架在3类电力检修问题中性能最优，其F1值分别为0.726 3（问题1）、0.708 1（问题2）、0.729 0（问题3），相较于无RAG的LLM-DM提升2.40%、2.63%、1.60%，相较于含RAG的LLM-DM提升3.60%、1.80%、2.40%，验证了其在复杂专业语境下的泛化能力与知识调用能力。进一步分析发现，仅含RAG虽能在一定程度上缓解LLM-DM知识缺失与幻觉、提升召回率，但因缺乏结构化语义约束，生成结果存在逻辑跳跃与冗余；KRAG-LLM-DM框架通过KG结构约束与社区层次语义组织，在保障信息覆盖度的同时，可增强答案生成的专业性、一致性与上下文连贯性。错误样本人工分析表明，本文框架处理跨文档、长因果链问题时推理能力更强，能有效识别设备隐式关系与操作逻辑，该优势源于KG的多跳语义路径与实体对齐辅助机制，为大模型提供结构化认知支持。

3）不同模型性能对比

为降低提示策略差异对评测结果的干扰，选取参数相近的3个模型（Mistral^[45]、Olmo2^[46]、LLaMA3.1^[47]）作为基线对照模型进行对比。各模型均采用直接问答模式进行决策，未附加思维链推理引导，其对上述3类电力检修问题的性能对比结果见表8。由表8可见，在相近参数量下，KRAG-LLM-DM框架的F1值优于对照模型，对上述3类电力检修问题的F1值分别达0.726 3、0.708 1、0.729 0，比对照模型中表现最优的Olmo2平均高3%～5%，体现结构化知识增强在专业任务中的优势。对照模型虽然在语言生成有优势，但缺乏结构化知识约束与语义路径，其整合复杂因果链、多实体关系、跨文档信息的能力不足，在检修场景中常出现内容片段化、逻辑跳跃、信息遗漏等问题。KRAG-LLM-DM框架通过KG提供了语义的锚点及多跳的推理路径，增强决策的连贯性、专业性、响应精度及可解释性。

3.5 检修决策平台界面开发

在上述基础上，开发KRAG-LLM-DM框架辅助决策界面，如图9所示。界面主体结构分为顶部导航栏、左侧对话区、右侧回答展示区、底部知识库调用区等模块。顶部导航栏包含首页、计划合并、计划编排、方式预案生成、知识库等功能。左侧对话区包含调度员输入框及发送、重试等按钮，支持以自然语言形式提出检修问题。右侧回答展示区利用分层结构展示回答内容，主体部分以结构化方式展示LLM决策结果。底部知识库调用区展示与当前问题相关的知识片段及其来源文档。

该界面的特点在于：一是，知识溯源可视化，业务人员可以查看系统回答所依据的知识来源，提升辅助决策可信度；二是，多标签页设计，支持用户在不同回答版本间灵活切换，满足不同决策场景的多样化需求。

4 结 论

针对配网检修领域，传统知识库自然语言理解能力弱、模型专业知识不足、推理过程幻觉多发等问题，提出了KRAG-LLM-DM框架。结果表明，本文含RAG的检修辅助决策框架在电网运行中检修规程查询、检修计划生成等（任务）问题中召回率分别达到0.719、0.694，相较于GPT-DeepSeek-V3、GPT-4、Kimi、GLM-4等基线对照模型略有提升。验证了RAG及KRAG对提升大模型的专业性与输出可解释性的积极作用。同时，本文所提框架的知识图谱构建效率较传统方法有所提高，文档转换流程及图谱查询机制展现出对配网检修异构数据的适配能力。与无RAG及传统RAG框架的对比结果表明，本文KRAG-LLM-DM框架在复杂的辅助决策问题下更优。

尽管KG增强了辅助决策的溯源能力，但LLM推理与图谱路径间的耦合机理尚未清晰，难以向业务人员展示出各级节点传导的因果链条。因此，未来可针对电力领域安全敏感任务下的LLM知识图谱辅助决策的因果推理及决策路径开展研究。

附录见本刊网络版，扫描标题旁的二维码可阅读网络全文。

参考文献

[1] Qiao Ji, Lu Hongrui, Li Gengfeng,et al.Adaptive robust emergency maintenance planning for urban power distribution systems[J].Journal of Global Energy Interconnection,2024,7(5):492-498.

[2] 乔骥,卢泓睿,李更丰,等.城区配电系统自适应鲁棒应急检修计划编排方法[J].全球能源互联网,2024,7(5):492-498.

[3] Hao Yanpeng, Liang Wei, Pan Ruijian,et al.Review on intelligent live-line maintenance technology applied on power transmission lines[J].Electric Power Automation Equipment,2022,42(2):163-175.

[4] 郝艳捧,梁苇,潘锐健,等.输电线路智能带电检修关键技术研究综述[J].电力自动化设备,2022,42(2):163-175.

[5] Zhao Rixiao, Yan Dong, Zhou Xiang,et al.Artificial intelligence supports energy supply and consumption in new power system[J].Journal of Global Energy Interconnection,2023,6(2):186-195.

[6] 赵日晓,闫冬,周翔,等.人工智能支撑新型电力系统能源供给及消纳[J].全球能源互联网,2023,6(2):186-195.

[7] Yang Haolan, Liu Youbo, Li Zhengbo,et al.Key technologies of specialized large language model for operation of next-era distribution system:A prospective study[J/OL].Proceedings of the CSEE,(2025-08-21)[2026-04-20].

[8] 杨浩蓝,刘友波,李争博,等.新型配电系统运行专用大模型关键技术展望[J/OL].中国电机工程学报,(2025-08-21)[2026-04-20].

[9] Niu Zeyuan, Li Jiamei, Ai Qian.Preliminary exploration of the application of large language models in power systems[J].Power System Technology,2025,49(4):1327-1336.

[10] 牛泽原,李嘉媚,艾芊.大语言模型在电力系统中的应用初探[J].电网技术,2025,49(4):1327-1336.

[11] Ma Chao, Li Wufeng, Chen Yufei,et al.Core technologies,technical characteristics,and application prospects of ChatGPT class big language models on the digital transformation of standards in electric power field[J].High Voltage Engineering,2025,51(4):1727-1746.

[12] 马超,李武峰,陈羽飞,等.ChatGPT类大语言模型赋能电力标准数字化转型的核心技术、技术特征及应用展望[J].高电压技术,2025,51(4):1727-1746.

[13] Ding Lifu, Chen Ying, Xiao Tannan,et al.Exploration of generative intelligent application mode for new power systems based on large language models[J].Automation of Electric Power Systems,2024,48(19):1-13.

[14] 丁俐夫,陈颖,肖谭南,等.基于大语言模型的新型电力系统生成式智能应用模式初探[J].电力系统自动化,2024,48(19):1-13.

[15] Li Gang, Fang Hong, Liu Yunpeng,et al.Large-model drive technology in new power system:Status,challenges and prospects[J].High Voltage Engineering,2024,50(7):2864-2878.

[16] 李刚,方鸿,刘云鹏,等.新型电力系统中的大模型驱动技术:现状、机遇与挑战[J].高电压技术,2024,50(7):2864-2878.

[17] Jiang Xiuchen, Zang Yiming, Liu Yadong,et al.Power e-quipment ChatGPT-type model and key technologies[J].High Voltage Engineering,2023,49(10):4033-4045.

[18] 江秀臣,臧奕茗,刘亚东,等.电力设备ChatGPT类模式与关键技术[J].高电压技术,2023,49(10):4033-4045.

[19] Wang Xiaojun, Dou Jiaming, Liu Zhao,et al.Review and prospect of explainable artificial intelligence and its application in power systems[J].Automation of Electric Power Systems,2024,48(4):169-191. doi:10.7500/AEPS20230509007

[20] 王小君,窦嘉铭,刘曌,等.可解释人工智能在电力系统中的应用综述与展望[J].电力系统自动化,2024,48(4):169-191. doi:10.7500/AEPS20230509007

[21] Lewis P, Perez E, Piktus A,et al.Retrieval-augmented generation for knowledge-intensive NLP tasks[C]//Proceedings of the 34th International Conference on Neural Information Processing Systems.San Diego:NeurIPS,2020:9459-9474.

[22] Gao Yunfan, Xiong Yun, Gao Xinyu,et al.Retrieval-augmented generation for large language models:A survey[EB/OL].(2024‒03‒27)[2026-04-20].

[23] Zhao Penghao, Zhang Hailin, Yu Qinhan,et al.Retrieval-augmented generation for AI-generated content:A survey[J].Data Science and Engineering,2026,11(1):1-29. doi:10.1007/s41019-025-00335-5

[24] Yan Shiqi, Gu Jiachen, Zhu Yun,et al.Corrective retrieval augmented generation[EB/OL].(2024-10-07)[2025-04-20].

[25] Singh A, Ehtesham A, Kumar S,et al.Agentic retrieval-augmented generation:A survey on agentic RAG[EB/OL]. (2025‒01‒15)[2025‒04‒20].

[26] Gupta S, Ranjan R, Singh S N.A comprehensive survey of retrieval-augmented generation(RAG):Evolution,current landscape and future directions[EB/OL].(2024-10-03) [2025-04-20].

[27] Zhu Junyi, Zhu Shangming.Development of local knowledge base application using retrieval augmented generation technology[J].Journal on Communications,2024,45(Supp2):242-247.

[28] 朱俊仪,朱尚明.利用检索增强生成技术开发本地知识库应用[J].通信学报,2024,45():242-247.

[29] Guo Yan.Design and implementation of knowledge base of accounting firm based on large language model[J].The Chinese Certified Public Accountant,2024(7):96-101.

[30] 郭岩.基于大语言模型的会计师事务所知识库设计与实现[J].中国注册会计师,2024(7):96-101.

[31] Wang Fei, Wan Xingchen, Sun Ruoxi,et al.Astute RAG:Overcoming imperfect retrieval augmentation and knowledge conflicts for large language models[C]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics.Vienna:ACL,2025:30553-30571. doi:10.18653/v1/2025.acl-long.1476

[32] Gao Jun.Research on power supply reliability method of distribution network based on knowledge map[D].Shanghai:Shanghai University of Engineering Science,2023.

[33] 高俊.基于知识图谱的配电网供电可靠性方法研究[D].上海:上海工程技术大学,2023.

[34] Wang Jundong, Yang Jun, Pei Yangzhou,et al.Distribution network fault assistant decision-making based on knowledge graph[J].Power System Technology,2021,45(6):2101-2112.

[35] 王骏东,杨军,裴洋舟,等.基于知识图谱的配电网故障辅助决策研究[J].电网技术,2021,45(6):2101-2112.

[36] Edge D, Trinh H, Cheng N,et al.From local to global:A graph RAG approach to query-focused summarization[EB/OL].(2025-02-19)[2025-04-20].

[37] Han Haoyu, Wang Yu, Shomer H,et al.Retrieval-augmented generation with graphs(GraphRAG)[EB/OL].(2025-01-08)[2025-04-20].

[38] jsvine.Pdfplumber官方文档[EB/OL].GitHub,2019[2025-04-20].

[39] Traag V A, Waltman L, van Eck N J.From Louvain to leiden:Guaranteeing well-connected communities[J].Scientific Reports,2019,9:5233. doi:10.1038/s41598-019-41695-z

[40] Hagberg A A, Swart P J, Schult D A.Exploring network structure,dynamics,and function using NetworkX[R].Los Alamos:Los Alamos National Laboratory,2008

[41] Jacomy M, Venturini T, Heymann S,et al.ForceAtlas2,a continuous graph layout algorithm for handy network visualization designed for the gephi software[J].PLoS One,2014,9(6):e98679. doi:10.1371/journal.pone.0098679

[42] Mohr I, Krimmel M, Sturua S,et al.Multi-task contrastive learning for 8192-token bilingual text embeddings[EB/OL].(2024-02-26)[2025-04-20].

[43] All-MiniLM- L6-v2[CP/OL].[2025-04-20].

[44] Nussbaum Z, Morris J X, Duderstadt B,et al.Nomic embed:Training a reproducible long context text embedder[EB/OL].(2025-02-03)[2025-04-20].

[45] Blondel V D, Guillaume J L, Lambiotte R,et al.Fast unfolding of communities in large networks[J].Journal of Statistical Mechanics:Theory and Experiment,2008,2008(10):P10008. doi:10.1088/1742-5468/2008/10/p10008

[46] Lambiotte R, Delvenne J C, Barahona M.Laplacian dynamics and multiscale modular structure in networks[EB/OL].(2009-10-09)[2025-04-20].

[47] 阿里云.阿里云百炼:一站式大模型开发和服务平台[EB/OL].[2025-04-20].

[48] Yu Tianyu, Yao Yuan, Zhang Haoye,et al.RLHF-V:Towards trustworthy MLLMs via behavior alignment from fine-grained correctional human feedback[C]//Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).Seattle:IEEE,2024:13807-13816. doi:10.1109/cvpr52733.2024.01310

[49] 深度求索公司.DeepSeek-V3模型[EB/OL].[2025-04-20].

[50] OpenAI.Generative pre-trained transformer-4(GPT-4)模型[EB/OL].[2025-04-20].

[51] 月之暗面公司.Kimi模型[EB/OL].[2025-04-20].

[52] 智谱AI公司.General language model 4 (GLM-4)模型[EB/OL].[2025-04-20].

[53] 中国电力企业联合会.电网运行准则:GB/T 31464—2022[S]北京:中国标准出版社,2022.

[54] Ollama[CP/OL].[2025-04-20].doi:10.21070/ups.7532

[55] Cloud Alibaba.Qwen technical report[EB/OL].[2025-04-20].

[56] Manning C D, Raghavan P, Schütze H.Introduction to information retrieval[M].Cambridge:Cambridge University Press,2008. doi:10.1017/cbo9780511809071.011

[57] Friedl J E F.Mastering regular expressions[M].3rd ed.Sebastopol:O'Reilly,2006.

[58] SpaCy:Industrial-strength natural language processing in python[EB/OL].[2025-04-20].doi:10.1007/978-981-96-3208-4_14

[59] Mistral AI.Mistral 7B|Mistral AI [EB/OL].[2025-04-20].doi:10.5840/mr201814

[60] OLMo.Accelerating the science of language models[EB/OL].[2025-04-20].

[61] Llama 3.1 :Model cards and prompt formats[EB/OL].[2025-04-20].

基金资助

国家电网公司科技项目(5700-202417231A-1-1-ZN)