科學家研發風電領域專用大模型優化風電場維修決策

　　近日，中國工程院院士、北京航空航天大學教授王自力團隊聯合挪威科技大學教授劉一騮等，提出基于標注數據監督微調的風電場維修決策領域專用大語言模型，顯著提升了該模型在設備維修調度問題上的適應性與決策能力。相關研究成果發表于中國工程院院刊Engineering。

　　據悉，21世紀，全球社會進入了清潔能源和低碳轉型時期。雖然風力發電對環境無害，但風力資源固有的間歇性和風力渦輪機的多種故障模式仍然限制了風力發電場的可用性。因此，風電場運營商始終需要優化維護策略，以提高資源利用效率，同時控制運維成本。然而，傳統的維護決策方法耗時長，對各種場景的靈活性和適應性差，無法滿足工程上的需要。

　　針對這一難題，研究團隊提出了一種大語言模型驅動的風電場維修計劃框架，通過將待維修節點的地理位置信息、故障模式以及各維修團隊的相關能力（維修時間、移動速度等）信息，填入預先設計的結構化提示詞模板中，構建了大規模的訓練數據集。隨后，采用低秩自適應方法對模型進行監督微調，并經過多次迭代，最終得到面向風電維修領域的專用大語言模型，即LLM4M。

　　值得一提的是，本研究采用的經過微調的小參數LLM（Qwen2.5-7B-Instruct）在生成可實施方案的比例，以及與最優解之間的平均絕對百分比誤差（MAPE）方面，均顯著優于四種主流的大參數LLM（ChatGPT、Claude、Qwen和DeepSeek）。同時，與傳統優化模型相比，微調后的LLM4M模型也表現出較強的競爭力，體現在其結果與最優解的偏差以及解集的分布特征上。

　　更重要的是，LLM4M模型僅需借助自然語言提示即可運行，無需依賴復雜的智能優化算法專業知識，并可在數秒內生成可實施的維修方案。同時，與主流大語言模型相比，LLM4M具備更低的部署成本，且運行不依賴互聯網接入，從而為工程師提供了一種便捷的獲取可執行維護計劃的途徑。

　　研究還發現，LLM4M模型的泛化能力與其訓練數據集密切相關。除在T2F5、T2F9、T2F10、T2F11和T2F12數據集上訓練的模型外，所有經過微調的LLM4M模型在TRFR（混合模型）基準測試中均取得了具有競爭力的性能。

　　這一發現還引出了另一重要觀察：本研究識別出LLM在維修任務中表現出的“相變”行為。當訓練數據的特征超過某一臨界閾值時，系統屬性會發生質的轉變。具體而言，當維修團隊的數量超過特定值時，系統會過渡到高維空間中的混沌邊緣狀態，從而迫使LLM4M模型發展出更為復雜的決策邏輯。

　　這一發現具有深刻意義：訓練數據集的策略性選擇應遵循原則性設計，而非任意的試錯。所識別的團隊數量閾值表明，看似微小的參數變化即可引發模型行為的根本性狀態轉變，這凸顯了在運籌學應用中建立系統性數據構建框架的必要性。

　　本研究為相關領域學者利用LLM訓練與解決維修決策問題提供了有益的經驗與指導。未來研究團隊將進一步拓展數據集，納入更廣泛且更復雜的維護模型與參數（如維護能力、天氣因素及其他約束條件）。同時，可解釋性作為另一個重要的研究方向，對于深入理解模型的決策過程、建立信任并推動人工智能在工程實踐中的實際應用具有重要意義。