Почему распределённая энергетика — вызов для операторов
Активные распределительные сети всё меньше похожи на классическую «трубу», по которой электричество течёт в одну сторону. Из-за массового подключения солнечных панелей, накопителей, зарядных станций и появления активных потребителей, которые одновременно и покупают, и продают энергию, управление такими сетями превращается в задачу с большим числом сценариев и противоречивых целей. Одно и то же решение должно учитывать и надёжность, и экономику, и ограничения оборудования, и рыночные сигналы — причём в режиме, близком к реальному времени.
Чтобы решать подобные проблемы, инженеры и исследователи за последние годы создали множество узкоспециализированных моделей: одни прогнозируют нагрузку, другие оптимизируют потоки мощности, третьи оценивают состояние сети. По отдельности такие модели работают хорошо. Но когда перед оператором возникает новая комплексная задача, ему приходится вручную выбирать нужные алгоритмы, разбираться в их интерфейсах, передавать данные между ними и интерпретировать результаты. Это требует высокой квалификации и огромного количества ручной работы. Практически каждый новый сценарий превращается в отдельный проект по интеграции.
Получается парадокс: специализированных ИИ-моделей становится всё больше, а их совокупная польза для оператора не растёт так быстро, потому что слишком много времени уходит на оркестрацию. Нужен инструмент, который взял бы на себя рутинную часть этой работы: понял бы запрос человека, разбил его на подзадачи и сам вызвал нужные модели в правильном порядке.
LLM-координатор превращает сложный запрос в рабочий процесс
Группа исследователей во главе с Xu Yang предложила подход, где роль диспетчера играет большая языковая модель. Разработка получила название ADN-Agent. Идея в том, что пользователь общается с системой на обычном языке, а языковая модель внутри координирует набор доменных моделей — тех самых узких специалистов, которые уже существуют в энергетике.
На практике это выглядит так: оператор пишет один запрос, например, «оценить последствия отключения фидера при таком-то прогнозе погоды и предложить оптимальное переключение». Не нужно вручную запускать прогноз, расчёт установившегося режима и оптимизационную модель. ADN-Agent сам распознаёт намерение, раскладывает задачу на этапы и определяет, какие специализированные модели подключить к работе. За счёт адаптивного выбора моделей система может подстраиваться под разные типы вопросов и не требует от человека знания деталей реализации каждой модели.
Важно, что LLM не пытается сама считать энергию или решать уравнения. Это принципиальный момент: языковые модели хороши в понимании контекста и планировании, но не в численных расчётах. Поэтому ADN-Agent отдаёт вычисления проверенным доменным моделям, а себе оставляет работу «координатора» — декомпозицию задач, выбор инструментов и сборку ответа в понятный для человека вид.
Единый интерфейс для «разнобоя» моделей
Одна из главных проблем при создании таких систем — неоднородность доменных моделей. Они написаны на разных языках программирования, используют разные форматы данных и ожидают на входе разные структуры. Просто «скормить» такой зоопарк языковой модели нельзя. Поэтому в составе архитектуры авторы предложили новый механизм взаимодействия, который даёт всем моделям единый и гибкий интерфейс. Благодаря этому координатор может одинаково общаться и с простым скриптом, и с тяжёлым оптимизатором, не вникая в их внутреннее устройство.
Такой единый слой — не просто техническая деталь, а необходимое условие масштабирования. Если завтра появится новая доменная модель, достаточно один раз подключить её к общей шине, и она сразу становится доступной всем пользователям через стандартный языковый запрос.
Как система становится умнее: дообучение маленьких языковых моделей
Координация с помощью LLM — только половина истории. Некоторые подзадачи внутри сложного запроса требуют не столько численных расчётов, сколько обработки языка. Например, нужно извлечь параметры объекта из свободного текста, сопоставить названия оборудования или сформировать пояснение к результату. Для таких языкоёмких операций исследователи применили отдельный приём: встроили в систему небольшие языковые модели, которые дообучаются автоматическим конвейером под конкретные функции.
Зачем это нужно, если уже есть большая языковая модель? Затем, что маленькие модели можно быстро и дёшево запускать в реальном времени, а их дообучение под специфику энергетики повышает точность системы в целом. При этом конвейер обучения автоматизирован, то есть не требует ручного сбора примеров на каждом шаге — система во многом сама готовит данные и учит помощников. В результате получается многоуровневая архитектура: большая LLM «думает» стратегически, а маленькие дообученные модели выполняют локальные языковые операции, не нагружая основной координатор.
Эксперименты: ансамбль выигрывает у одиночной LLM
Авторы не ограничились описанием идеи. Они провели детальные сравнения и абляционные эксперименты, в которых проверяли вклад каждого компонента — от механизма маршрутизации до дообучения малых моделей. Результаты показали, что подход ADN-Agent превосходит существующие парадигмы использования больших языковых моделей в энергетических задачах. Особенно заметно преимущество на многосценарных и комплексных запросах, где одной языковой модели не хватает либо точности, либо способности обращаться к внешним решателям.
Сама статья «One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing» доступна на arXiv под номером 2511.12484 и была принята к публикации в журнале CSEE Journal of Power and Energy Systems летом 2026 года. Это сигнал, что работа прошла серьёзную экспертную оценку, а не осталась лишь препринтом. Направление, в котором языковая модель становится не автономным «всезнайкой», а гибким координатором специализированного ансамбля, выглядит перспективным для многих индустриальных областей — и энергетика здесь лишь одна из первых ласточек.
