ARTICLE
14 May 2026

融合网页多源数据治理的规则增强RAG 用于电力市场风险决策支持研究

墨轩 史1
Show Less
1 广州工商学院, 中国
TACS 2026 , 3(9), 74–76; https://doi.org/10.61369/TACS.2026090053
© 2026 by the Author(s). Licensee Art and Technology, USA. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution -Noncommercial 4.0 International License (CC BY-NC 4.0) ( https://creativecommons.org/licenses/by-nc/4.0/ )
Abstract

针对电力市场风险决策中多源信息分散、领域知识注入不足、推理可解释性弱等问题,提出融合网页多源数据治理的规则增强检索增强生成(RAG)方法。构建覆盖采集、清洗、实体对齐、知识抽取的数据治理流水线;设计规则前置过滤、规则引导检索、规则约束生成三级增强机制,将电力市场风控规则贯穿检索与生成全流程。在验证集上通过网格搜索完成超参数调优后,测试集结果表明MRR 达0.87,风险识别准确率达92.1%,事实性错误率仅3.2%,均显著优于基线模型。

Keywords
电力市场
风险决策
检索增强生成
多源数据治理
规则增强
References

[1] LEWIS P, PEREZ E, PIKTUS A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks[C]//NeurIPS. 2020: 9459-9474.
[2] GAO Y, XIONG Y, GAO X, et al. Retrieval-Augmented Generation for Large Language Models: A Survey[J]. arXiv:2312.10997, 2023.
[3] LUAN Y, EISENSTEIN J, TOUTANOVA K, et al. Sparse, Dense, and Attentional Representations for Text Retrieval[J]. TACL, 2021, 9: 329-345.
[4] 谢敬东, 陆池鑫, 鲁思薇, 等. 基于序关系- 熵权法的电力市场风险评估[J]. 中国电力, 2021, 54(6): 71-78.
[5] 丁红坚, 辛诚, 李沐阳, 等. 考虑电力现货市场风险的抽水蓄能电站竞价策略[J]. 电力建设, 2024, 45(5): 150-158.
[6] 加鹤萍, 郭宇辰, 马乾鑫, 等. 基于机器学习方法的现货电价预测研究综述[J]. 电力建设, 2025, 46(2): 160-179.
[7] 黄莹, 薛禹胜, 谢敏, 等. 价格接受模式下发电集团电- 碳协同交易决策优化方法[J]. 电力系统自动化, 2023, 47(21): 25-35.
[8] 赵俊华, 文福拴, 黄建伟, 等. 基于大语言模型的电力系统通用人工智能展望:理论与应用[J]. 电力系统自动化, 2024, 48(6): 13-28.
[9] 李子骏, 肖辉, 李雪峰. 面向知识密集型任务的检索增强生成技术综述[J]. 微电子学与计算机, 2025, 42(10): 48-65.
[10] 晋良海, 张倩, 徐童欣, 等. 融合LLM-RAG-KG 的电力生产安全事故问答大模型[J]. 中国安全科学学报, 2026, 36(3): 66-73.
[11] 张犬俊, 谢杨, 房春荣, 等. 检索增强生成在软件工程中的应用综述[J]. 软件学报, 2026, 37(3): 1316-1339.
[12] 陈晓红, 傅文润, 刘朝明, 等. 人工智能大模型在电力设备运维场景中的应用探讨[J]. 中国工程科学, 2025, 27(1): 180-192.

Share
Back to top