通用大模型不了解电力行业的设备规范、调度规程、市场规则，直接应用往往“不懂行”。清大科越报告提出，电力行业大模型需要通过领域预训练、知识图谱融合、RAG、指令微调等方式注入行业知识，并构建适配电力时序特性的模型骨架。从“通用”到“专精”，从“模型”到“智能体”，电力行业大模型正在成为新型电力系统的“懂行”助手。
电力行业大模型的定制化骨架
电力数据以时序为主，包含大量数值型数据，对模型捕捉时间依赖和动态变化能力要求高。通用大模型并非为电力系统的时序性、物理性、高维动态性而生，直接应用效果有限。报告提出三种定制化路径：在成熟通用模型基础上增加电力专用层（如时序特性、物理约束层），兼顾通用能力与专业性；设计适用于电力时序数据的模型架构（如基于状态空间模型、图神经网络结合时序特征的模型），更精准捕捉电力系统动态；融合物理机理模型与数据驱动模型，形成优势互补。选择模型骨架需综合考虑电力数据的特性、不同任务（预测、控制、诊断）的侧重点以及计算资源约束。
数据与知识——大模型价值的核心要素
数据贯穿模型训练、部署、应用的全过程。数据质量决定模型上限——低质量数据可能导致模型产生错误认知；数据维度拓展认知边界——融合源、网、荷、储、气象、市场等多维度数据，让模型更全面地理解电力系统的复杂运行状态和相互影响。电力系统拥有庞大的专业知识体系，这是通用大模型的知识盲区。报告提出四种知识传递方式：领域数据预训练/微调——使用大量电力专业文献、报告、规程、运行日志等语料库进行训练或微调；知识图谱融合——构建电力专业知识图谱，增强模型的逻辑推理和知识关联能力；检索增强生成（RAG）——实时更新知识库（如设备台账、故障案例库、标准规范库），在模型生成答案时提供相关知识作为参考；指令微调——针对特定电力任务构造指令数据集进行微调，可蒸馏小模型部署在终端。
智能体范式——“辅助机器人”的构建
基于大模型构建面向特定业务场景的“辅助机器人”，其架构由“头脑-躯干-四肢”构成。“头脑”是核心大模型与推理决策引擎，负责理解指令、知识推理与复杂决策规划。“躯干”是数据融合与知识管理系统，接入SCADA、气象、市场等多源数据，实时清洗融合，动态维护知识库。“四肢”是功能专一的子智能体，包括感知类、计算分析类、执行类、交互类等，分工协作完成复杂任务链。当前已形成市场交易辅助机器人、智能调度辅助机器人、智慧能源辅助机器人等多个具体应用。
从模型到应用的五级演进与未来路径
大模型在电力领域的应用方式从简单到复杂依次为：提示工程（实施门槛低）、RAG（减少幻觉）、思维链/任务链（复杂任务拆解）、工具调用（链接外部世界）、多智能体协同（相互通信协作）。未来遵循“场景出发，模块化研发，积木式构建”理念，持续推进技术迭代，逐步实现新型电力系统的“整体智能”。
