ETH&哈佛新基准：AI智能体修复电网不收敛，成功率从82.6%冲到100%

把这个问题再往前推一步：潮流不收敛以后，电网调度员通常要反复“试探”——检查网络结构、分析残差、判断是不是无功支撑不够、猜想某个发电机电压定值压得太低，然后带着假设去跑仿真，不行就换个方向再来。

龙哥读论文发布于 2026-09-04 00:20:20 阅读 1 查看原文

#Agent #大语言模型 #AI应用

原论文信息如下：

论文标题:
RestoreBench: Can AI Agents Restore Power Flow Convergence? 发表日期:
2026年09月发表单位:
ETH Zürich, Politecnico di Milano, Harvard University 原文链接:
https://arxiv.org/pdf/2609.00384v1.pdf

paperdaily_reaction_gif

把这个问题再往前推一步：潮流不收敛以后，电网调度员通常要反复“试探”——检查网络结构、分析残差、判断是不是无功支撑不够、猜想某个发电机电压定值压得太低，然后带着假设去跑仿真，不行就换个方向再来。这套流程既有电力系统专业知识，又有“在约束里试错”的工程判断，以前还真没人想过可以让大模型智能体来干。

ETH Zurich、米兰理工和哈佛大学的研究者这次带来了 RestoreBench，一个专门检验大语言模型智能体“修复潮流收敛”能力的基准测试。它不考背诵，不考问答，而是把智能体丢进真实的电力系统仿真环境里，让它们自己观察、自己判断、自己在有限操作预算内把不收敛的电网救回来——行不行，全由物理求解器说了算。

电力系统遇上AI智能体：一个全新的挑战

先说一说“潮流计算”这个词。潮流计算，英文叫 power flow，是电力系统规划和运行里最基础的数学工具：给定电网拓扑、发电机出力和负荷大小，求解每个节点的电压幅值和相位。

绝大多数情况下，现代软件用牛顿-拉夫逊迭代法（Newton–Raphson，简称 NR）几毫秒就能解出来。但电网一旦逼近电压稳定极限、局部无功支撑不足，迭代就可能发散——数学上找不到满足功率平衡方程的解。专业上叫“潮流不收敛”。

这可以类比成解方程组时怎么都配不平：某些发电机该吐的无功吐不出来，电压撑不住，算来算去残差越滚越大。现实中，调度员面对这种情况只能手动排查：看哪台发电机的无功到了上限，看哪个区域的电压被拖垮，然后尝试调整发电机电压设定值、投入电容器或电抗器、调整变压器分接头，一步不行再换一步。这个过程很依赖经验。

过去两年，AI智能体在电力系统里的应用研究逐渐多了起来：有做稳态安全分析的 PowerAgentBench-SS，有做动态研究的 PowerAgentBench-Dyn，也有让智能体分析配电网的 PowerChain。但这里有个共同的盲区——它们大多假设仿真本身能顺利收敛。真正让电力工程师头疼的“不收敛”反而没人系统研究过。

RestoreBench 正是来填这个坑的。它把“让潮流从不收敛恢复到收敛”定义成一个带物理约束的智能体任务，要求模型在有限动作空间里，通过一步步调整设备、反复查看仿真反馈，把系统救回到满足安全约束的运行点。据论文所述，此前还没有专门的智能体基准瞄准这个问题，这也是这工作值得一读的核心原因。

RestoreBench基准测试框架详解

RestoreBench 把整个任务做了严格的形式化定义。智能体的输入是一张“场景卡”（Scenario Card），里面包含电网拓扑、当前网络状态以及各设备的运行限值。智能体需要输出一串动作，让潮流计算重新收敛，并且让发电功率、电网交换功率等非电压约束全部满足。

核心环境设计非常克制：动作空间只保留电力调度员最常用的三类“慢控制”手段——一是发电机电压设定值调整，每次只能上调或下调 0.01 p.u.（p.u. 是标幺值，per unit，即以基准值为1的相对单位）；二是投切并联电容器/电抗器；三是变压器分接头（tap）调节，每次只能调一档。所有动作都是单设备、单步且必须不越限。每个 episode 最多执行 10 次有效动作，如果动作全部消耗完还没恢复收敛，就判定为预算耗尽。

动作空间故意设计得这么“小”，是有讲究的。电力系统不是游戏里的“一键满血复活”，调度员的很多调整本来就是微小、离散、需要累积的。单步操作越细，就越考验智能体理解电气耦合关系的能力，而不是靠一两次大动作蒙混过关。同时，每次尝试都会被真实的交流潮流求解器验证，杜绝了模型“嘴上说恢复了”这种幻觉。

RestoreBench 一共设定了三种交互架构，也是后续对比的主角：第一种是最朴素的 chatbot，让模型一口气输出一串固定动作，中间不提供任何仿真反馈；第二种是单智能体（single agent），让模型反复调用“检查网络拓扑”“检查动作是否可执行”“跑交流潮流”“对候选动作排序”这四个诊断工具，然后根据每次仿真反馈决定下一步；第三种是多智能体（multi-agent），把决策拆给分析师（Analyst）、执行者（Executor）与编排者（Orchestrator）三个角色协同完成。三者之间的关系如图1所示。

图1：RestoreBench的三种交互架构示意。聊天机器人按固定序列执行动作、没有中间反馈；单智能体迭代调用诊断工具并接收最新的仿真反馈；多智能体则由分析师、执行者与编排者共同推进同一迭代过程。

给AI一双能“看见”不收敛状态的眼睛

这个基准里最妙的一个设计，是处理“不收敛时没有解可供观察”的问题。普通潮流收敛时，节点电压、发电机无功都摆在那里，智能体看一眼就知道自己调整的效果。可一旦潮流不收敛，很多电气量根本不存在，那智能体靠什么判断“刚才那个动作是让情况变好还是变坏”？

论文给出的办法很聪明：给环境做一次“诊断性退避”。具体来说，把全网负荷按比例逐步降低，每降低一档就用锁定策略跑一次潮流，直到找到一个既能收敛又满足基本可行性的最大负荷水平。这个最大负荷水平记为 λ*，再用它定义一个“过应力分数”（overstress score）：

过应力分数 σ = 1/λ* - 1，λ* 是诊断退避后能恢复收敛的最大负荷比例。λ* 越接近 0，说明这个运行点离收敛可行域越远，电网“病得越重”。这个分数只用于给智能体提供参考，并不会修改基准状态。它相当于把“不收敛”这种二值化现象，转换成了一个平滑的、可比较的连续信号，让大模型能隐约感觉到自己每一步操作是在好转还是在恶化。

潮流计算本身遵循经典节点功率方程。在极坐标形式下，节点注入有功功率 P_i 和注入无功功率 Q_i 分别写成：

P_i(v,θ) = v_i Σ_j v_j (G_ij cosθ_ij + B_ij sinθ_ij)，其中 v_i 是节点 i 的电压幅值，θ_ij 是节点 i 和 j 的相角差，G_ij 和 B_ij 分别是支路电导与电纳。

Q_i(v,θ) = v_i Σ_j v_j (G_ij sinθ_ij - B_ij cosθ_ij)。牛顿-拉夫逊法就是在反复求解这两个方程组的残差，直到最大功率失配量小于收敛容差。基准里特别锁定了求解器策略，包括启用发电机无功越限后的 PV-PQ 切换、直流潮流初始化、最多 30 次迭代等，保证所有智能体面对的是同一套“物理规则”，公平且可复现。

场景是如何造出来的

造数据是这类基准最见功力的地方。RestoreBench 不能随便拿个不收敛算例往里塞，因为必须保证：第一，它确实是因为无功支撑不足而发散；第二，它确实能通过允许的动作在 10 步内恢复；第三，它还需要有足够的多样性，不能全是同一个毛病。

于是论文设计了一套自动化的场景生成管道。先从初始收敛网络出发，对电网做必要的基础增强，定义清楚各种运行限值；接着构造“初始化断面”，给场景生成提供不同的初始运行状态；然后在电网中挑选不同的锚点母线，用阻抗距离加权的办法圈出一片片“电气口袋”（electrical pocket）——也就是局部同时被加压的负荷群。

电气口袋里每个负荷的权重按 w̃_i = exp(-d_i/τ) 计算，d_i 是负荷到口袋锚点的阻抗加权距离，τ 控制口袋范围大小。距离锚点越近的负荷，加压越明显；不同 τ 值可以生成空间尺度各异的受压区域。

生成时沿着一条“应力轨迹”逐步放大口袋内有功和无功负荷，放大系数为 s，口袋权重为 w_i，即 P_L,i(s) = P_L,i^0(1+sw_i)，Q_L,i(s) = Q_L,i^0(1+sw_i)。系统一边加压一边用锁定策略求解，记录从“收敛”跳变到“不收敛”的临界点，然后在临界点之外再取三个不同深度的偏移量生成候选目标。候选场景还要再过一遍“无功缺额准入”测试：只有那些去掉发电机无功上限就能收敛、加上无功上限就发散、并且相比基准点出现明显电压劣化与无功裕度下降的场景才被收录。最后还要跑离线搜索，确认这些场景确实存在不超过 10 步的有效修复动作序列。

图4：数据集生成管道示意图。在完成电网特定的基础增强之后，所有场景都通过同一条标准生成管道产生，最终在 IEEE 118 节点和 PEGASE 89 节点系统上各选出 46 个非收敛场景。

下面这张表概括了 RestoreBench 的整体配置：

表1：RestoreBench基准配置概览。工具包括网络检查、动作可行性检查、潮流评估和候选动作排序；输入是非收敛场景卡；允许的动作是发电机电压设定值调整、并联无功设备投切和变压器分接头调整；指标包括成功率、成本、运行时间和带内母线比例。

三种架构七种模型：谁最能修复潮流收敛？

实验部分，论文在 IEEE 118 节点标准测试系统上对 7 个大语言模型进行了评测：GPT-5.6 Sol、Claude Haiku 4.5、Claude Sonnet 5、Claude Opus 5、DeepSeek V3.2、Kimi K2.5 和 GLM-5。每个模型都要穿过 chatbot、单智能体、多智能体三种架构，每个架构跑 46 个非收敛场景。换句话说，一个模型在单张网上要完成 138 个 episode 的评测，整个实验矩阵相当庞大。

先看最关键的成功率。从图2(a)能看出一条清晰规律：聊天机器人架构的整体成功率明显偏低，纯靠模型“闭卷答题”式地输出动作，很容易在第一步就偏离正确方向；而接入诊断工具的单智能体，成功率有肉眼可见的提升。更意外的是，多智能体并没有在所有模型上都稳定地压过单智能体，有些模型配上多角色协调后成功率反而没有明显变化。最好的工具型配置，成功率几乎可以拉满。

图2(a)：各模型在三种架构下的成功率对比（%）。“聊天机器人”列在左侧，单智能体和多智能体依次排列，可以看出架构带来的影响往往比模型本身的差异更明显。

看到这里，估计很多人会想：那是不是让智能体多开会、多角色一起上，效果就一定更好？答案是否定的。从图2(b)能看到，多智能体的成本常常成倍往上翻，成功率却未必跟着涨。反而是单智能体站在了“成功率-成本”平面的甜蜜点上——既不需要让一堆角色反复交流，又能通过工具反馈不断修正自己。

图2(b)：成功率与单场景平均成本的关系。横轴是美元成本，纵轴是成功率，不同架构用不同颜色区分。多智能体明显往“高成本”方向移动，但并没有带来系统性更高的成功率。

除了能不能救回来，论文还关心救回来的“质量”。成功收敛并不代表电压都合格，所以额外定义了带内母线比例（In-band Buses，%）：在所有成功恢复的算例里，电压幅值落在 [0.95, 1.05] p.u. 范围内的母线占比。同时，运行时延也全部被记录下来。图3展示了这两组分布。

图3：电压质量与运行时间分布。上图是各配置成功用例的带内母线比例分布，下图是所有用例的运行时间（对数坐标）。可以看出电压质量在不同架构间差异并不剧烈，但多智能体的运行时间明显变得更长。

为了确认结论不是某一个电网上的巧合，论文还在 PEGASE 89 节点系统上补了一组验证。结果整体趋势与 IEEE 118 节点类似：工具型智能体优于纯聊天机器人，单智能体的性价比优于多智能体。也就是说，“多开会不如多动手”这条观察在两个不同规模的电网里都站得住脚。

失败模式分析：智能体为何失败？

比看谁成功更有价值的，是看那些没成功的智能体到底“死”在了哪里。RestoreBench 每个 episode 结束时会返回确定性终止状态。除了成功（SUCCESS），常见的还有两类：预算耗尽（BUDGET_EXHAUSTED）和超时（TIMEOUT）。前者表示 10 次有效动作都用完了还没修好；后者表示 2400 秒内都没能走到终点。

论文把预算耗尽前消耗动作的事件进一步拆成了四类：第一类是“加了动作但仍然不收敛”（still diverged）；第二类是“结构化输出失败”（structured-output failure），也就是模型吐出来的内容不符合约定的格式要求，系统理解不了；第三类是“非法动作”（invalid action），模型想操作的设备不存在、动作越限或者一次动了多个设备；第四类是“收敛但不可行”（solved infeasible），即潮流虽然收敛了，但发电机或联络线功率越限，终局判负。图6给出了这四类事件在不同架构里的占比。

图6：BUDGET_EXHAUSTED 场景中消耗预算事件的构成。每一根柱状条代表一种交互架构下各类事件的归一化占比，颜色区分“仍然发散”“结构化输出失败”“非法动作”和“收敛但不可行”。

一个非常值得注意的细节是：DeepSeek V3.2 在工具型架构里经常输不出结构化的终端输出，导致大量预算被浪费在格式错误上。这说明大模型“会推理”和“会严格遵循接口协议”其实是两种能力，后者在智能体落地时的重要性往往被低估。

另一个有趣的视角是看“进展”。论文把最终成功和最终失败的 committed 动作分成三类：让过应力分数显著下降的“改善”、基本没变的“持平”和让状态变差的“恶化”。从图7可以看到，成功案例里智能体的动作绝大多数是在持续改善系统状态；而失败案例里经常出现大量“持平”甚至“恶化”的无效动作，说明有些模型确实在“瞎试”。

图7：成功与预算耗尽两种结局里已提交动作的进展构成。每个架构-结局组合下的动作被分类为“改善”“持平”或“恶化”，三类比例之和为100%。

超时失败同样值得玩味。一个 episode 最多能提交 10 次动作，但模型的中间推理次数并不设上限。有些配置在超时前只提交了很少几个动作，绝大多数时间都花在反复调用大模型自我对话上，典型表现就是“想得太多、动手太少”。这说明在限制智能体总时延的任务里，控制推理节奏和“该出手时就出手”的决策习惯，和电气知识本身同等重要。

成本与效率的权衡：单智能体为何胜出？

如果把智能体当成一个将来可能要天天跑在调度中心里的系统，那成本就不是小事。论文专门统计了每个模型每类 episode 的平均 API 调用费用。从图2(b)的散点分布可以看出，多智能体的平均成本普遍比单智能体高一截，原因很直接：每轮决策都要分别调用分析师、执行者、编排者三个角色，相当于同样的活要付三份模型推理的钱，还要额外承担角色间消息传递的开销。

原文还给出了按模型和网络拆分的成本表。表2中每个数值都是一个模型在对应网络上跑完 138 个 episode 之后的单 episode 平均成本。这个表的价值在于提醒大家：不同模型之间的推理定价差异非常大，在做架构选型时不能只看成功率，还要把单位成功率的成本算清楚。

表2：按模型和电网拆分的实验成本。表中数值是每个模型在每个网络上全部 138 个评测 episode 的平均单场景成本，单位是美元。

成本之外，时延也是一个现实瓶颈。图3下方的运行时间分布显示，多智能体因为多角色往返，整体耗时经常比单智能体高出数倍。对于电力系统这种对决策时效敏感的领域，如果花 20 分钟调一次电压，哪怕最终成功了，在真实应急场景里也可能已经错过最佳处置窗口。

这也是论文核心结论之一：单智能体架构是当前性价比最高的“甜点区”。它比聊天机器人多了实时反馈能力，又不像多智能体那样背负沉重的协调开销。用一句通俗的话来概括就是——让一个内行老师傅自己动手，往往比让一群人开会推诿更快也更省钱。

未来展望与开放问题

RestoreBench 目前最明显的局限在于随机性。大语言模型本身的输出是有随机性的，但论文里每个模型-架构-场景组合只执行了一次，没有跑多次取平均。虽然仿真环境和物理求解器是确定性的，单次结果只能算一次采样，不能代表这个配置的真实成功率分布。作者很诚实地在论文里点出了这一点：完整跑完 IEEE 118 和 PEGASE 89 两张网的全部评测，大约花了 978 美元的大模型 API 费用。这个成本约束决定了他们没法随便重复几十轮实验。未来如果能通过更便宜的模型或采样策略把成本压下来，补上置信区间，结论的说服力会更强。

另一个值得期待的方向，是把电压质量也纳入成功判据，并给智能体提供“后收敛灵敏度分析工具”。现在的成功条件刻意排除了母线电压限制，是为了先聚焦“能不能恢复收敛”这个更基础的问题；但实际运行里，调度员当然希望恢复后的电压不要贴着边界。论文提到后续会引入相关工具，帮助智能体在恢复收敛之后继续精调电压。

对读者来说，这篇论文更大的价值是抛出了一个开放问题：在真实电力系统里，到底该让 AI 智能体扮演什么角色？RestoreBench 已经证明，工具型单智能体确实具备独立修复不收敛潮流的能力，但电网调度事关安全，任何自动决策都需要经过严格的离线验证、人工复核和在线影子模式测试。未来更现实的路线，可能不是让智能体一步登天接管调度台，而是先让它成为调度员的“第二双眼睛”——在仿真环境里给出候选修复方案，再由人来决策和兜底。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？为解决电力系统潮流不收敛难题，ETH Zürich、米兰理工与哈佛团队推出RestoreBench基准，考试7个大模型在聊天机器人、单智能体、多智能体三种架构下的修复能力。

这篇工作最值得看的点是什么？实验结果表明，基于工具的智能体架构（单智能体和多智能体）相比聊天机器人基线通常能获得更高的成功率，但多智能体架构显著增加了成本而不一定提高性能，单智能体架构在成本效益上更优。

这篇工作的边界或风险在哪里？优点：(1) 提出了一个新颖且可复现的基准测试框架，填补了AI智能体在电力系统潮流不收敛诊断领域的空白；(2) 系统性地比较了三种交互架构和七种LLM的性能；(3) 提供了详细的诊断工具和评估指标设计。缺点：(1) 每种配置只执行一次，缺乏对LLM随机性的统计分析；(2) 仅关注无功功率支撑不足导致的潮流不收敛，覆盖范围有限；(3) 评估成本较高。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆把“大模型智能体修潮流收敛”做成系统的基准，定义了环境、动作空间、观测反馈和指标，填补了一个真实工程盲区，方向很新。

实验合理度：★★★★☆覆盖 7 个模型、3 种架构、2 张电网，还专门做了失败模式和成本分解，设计相当周全；唯一短板是每个组合只跑了一次，随机性没有被量化。

学术研究价值：★★★★☆给“LLM 智能体在电力系统中的应用”提供了一个高质量的可复现试验台，后续做模型调优、架构设计甚至工具增强的人都能从中受益。

稳定性：★★★☆☆环境本身是确定性的，但大模型输出带随机性，而且不同模型之间差距很大，部分模型还有结构化输出失败问题，整体还没达到可以稳定复现成功的程度。

适应性以及泛化能力：★★★☆☆测试网覆盖了 IEEE 118 和 PEGASE 89 两张典型系统，但场景类型集中在“无功支撑不足导致的不收敛”，对拓扑错误、参数异常、有功瓶颈等其他成因的泛化能力还有待验证。

硬件需求及成本：★★★★☆不需要本地训练 GPU，主要开销是大模型 API 费用和 CPU 上的潮流仿真。整套实验开销约 978 美元，对学术团队来说可以接受。

复现难度：★★★★☆代码已开源在 GitHub，基于 pandapower 做物理校验，环境配置清晰，MIT 许可证友好。复现的主要门槛是各模型 API 的调用权限与费用，以及少量依赖包的版本管理。

产品化成熟度：★★☆☆☆基准整体还处于科研阶段，适合用来横向评测模型与架构，距离放进真实调度系统辅助运行还有不小的距离，至少需要补上重复试验、置信区间、电压精调和安全影子模式验证。

可能的问题：所有配置只执行一次导致结果方差未知，难以下强结论；非收敛成因局限在无功-电压领域；PEGASE 89 的完整结果放在附录而非正文；多智能体“无系统性提升”的结论也可能随模型升级而改变。

主要参考文献

[1] Mansutti R, Pomarico A, Jakob R, et al. RestoreBench: Can AI Agents Restore Power Flow Convergence? arXiv:2609.00384, 2026.

[2] RestoreBench 开源代码: https://github.com/Mansutti081/RestoreBench

[3] Zhang Q, Xie L. PowerAgent: A Road Map Toward Agentic Intelligence in Power Systems. IEEE Power and Energy Magazine, 2025.

[4] Mylonas C, Foti M, Pomarico A, et al. PowerAgentBench-SS: A Benchmark for Agentic AI in Power System Steady-State Studies. arXiv:2606.18789, 2026.

[5] Thurner L, Scheidler A, Schäfer F, et al. pandapower: An Open-Source Python Tool for Convenient Modeling, Analysis, and Optimization of Electric Power Systems. IEEE Transactions on Power Systems, 2018.

论文原文链接: https://arxiv.org/pdf/2609.00384v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！