Fault Diagnosis in Power Grids with Large Language Model

本文提出了一种新颖的方法，利用大型语言模型（LLMs），特别是ChatGPT和GPT-4，结合先进的提示工程来提高故障诊断的准确性和可解释性。传统的诊断系统经常在电网数据的复杂性和可变性方面遇到困难。我们设计了全面的、上下文感知的提示，指导LLMs解释复杂数据并提供详细的、可行的见解。我们的方法使用新构建的数据集进行了评估，该数据集包括实时传感器数据、历史故障记录和组件描述，与基线技术进行比较，包括标准提示、思维链（CoT）和思维树（ToT）方法。实验结果表明，我们的方法在诊断准确性、可解释性质量、响应连贯性和上下文理解方面都有显著的改进，凸显了我们方法的有效性。这些发现表明，提示工程LLMs为强大、可靠的电网故障诊断提供了有前途的解决方案。

本论文旨在解决电力基础设施的故障诊断问题，提出了一种利用大型语言模型（LLMs）和高级提示工程相结合的方法来提高诊断准确性和可解释性。

本文通过设计全面的上下文感知提示来引导LLMs解释复杂数据并提供详细的可操作见解，从而提高了电力基础设施故障诊断的准确性和可解释性。

实验结果表明，相较于基线技术，本文方法在诊断准确性、解释质量、响应连贯性和上下文理解方面均有显著改进。本文的方法为电力基础设施故障诊断提供了一种可靠的解决方案。

近期在该领域的相关研究包括传统的诊断系统、Chain-of-Thought（CoT）和Tree-of-Thought（ToT）等方法。