Ключевые слова
большая языковая модель, установившийся режим, электрическая сеть, нормативные возмущения, корректирующие мероприятия

Аннотация
Анализ установившихся режимов электроэнергетической системы (далее – ЭЭС) предполагает наличие у разработчика экспертных знаний, опыта и требует выполнения большого объема расчетов. Рассматриваемая в статье технология больших языковых моделей (LLM) показывает возможности создания экспертов-агентов (ИИ-агентов) для автоматизации процесса анализа установившихся режимов ЭЭС.
Сформулированы основные требования, которым должен удовлетворять ИИ-агент для его эффективного применения в проектировании ЭЭС. На базе LLM создан ИИ-агент, способный самостоятельно выполнять расчеты установившихся режимов ЭЭС в ПВК RastrWin3, проводить анализ полученных результатов и осуществлять поиск недопустимых параметров режимов, предлагать и проверять инженерные решения по вводу параметров режимов в область допустимых значений, а также формировать итоговый отчет о проделанной работе. Корректная работа созданного ИИ-агента подтверждена решением задачи расчета нормативных возмущений, выявления недопустимых параметров режима и определения мероприятий для ввода параметров режима в область допустимых значений для модифицированной 57-узловой модели IEEE.
Показана перспективность использования ИИ-агентов на базе LLM для анализа установившихся режимов электрической сети. Подтверждено, что ИИ-агент способен самостоятельно управлять внешним комплексом расчета установившихся режимов ЭЭС, моделировать нормативные возмущения, выявлять отклонения параметров режима из области допустимых значений и итеративно подбирать корректирующие мероприятия. Показано, что предложенный ИИ-агент, беря на себя выполнение рутинных операций, существенно повышает эффективность работы инженера-проектировщика ЭЭС.

Authors
Akimov D. A.,Ph.D., Sberbank of Russia, St.-Petersburg, Russia.
E-mail: akimovdmitry1@mail.ru
Korovkin N. V., Dr, Peter the Great St.Petersburg Polytechnic University, St.Petersburg, Russia.
E-mail: Nikolay.Korovkin@gmail.com
Odintsov M. V., Scientific and Technical Center of Unified Power System, St.-Petersburg, Russia.
E-mail: odintsov-mv@ntcees.ru

Keywords
large language model, steady-state analysis, electrical network, N–1 contingency, corrective measures

Annotation
Power systems steady-state analysis demands extensive expertise from the engineer and involves a large volume of calculations. This paper explores how large language model (LLM) technology can be leveraged to create expert AI agents that automate this process.
We formulate the key requirements that such an AI agent must satisfy to be effective in power system design. Building on these requirements, we develop an LLM-based agent capable of autonomously performing steady-state calculations in the RastrWin3 software suite, analyzing the results, detecting violations of operating limits, proposing and verifying engineering measures to restore parameters to their permissible range, and generating a final report.
The AI agent´s performance was validated on a modified IEEE 57-bus test system through a case study involving standard contingency calculations, identification of limit violations, and selection of corrective actions. The results confirm that the agent can independently control an external steady-state solver, simulate standard contingencies, detect parameter deviations, and iteratively select corrective measures.
Overall, the study demonstrates the potential of LLM-based AI agents for steady-state analysis of electric power grids. By taking over routine tasks, the proposed agent substantially improves the productivity of power system design engineers.

1. Bubeck S., Chandrasekaran V., Eldan R. et al. Sparks of Artificial General Intelligence: Early experiments with GPT-4 // arXiv:2303.12712. 2023.
2. Jia M., Cui Z., Hug G. Enabling Large Language Models to Perform Power System Simulations with Previously Unseen Tools: A Case of DALINE // arXiv:2406.17215. 2024.
3. Jin H., Kim K., Kwon J. GridMind: LLMs-Powered Agents for Power System Analysis and Operations // arXiv:2509.02494. 2025.
4. Wen Y., Chen X. X-GridAgent: An LLM-Powered Agentic AI System for Assisting Power Grid Analysis // arXiv:2512.20789. 2025.
5. Sarwar M., Rizwan M., Aziz M., Sudais A. R. Large Language Models for Power System Applications: A Comprehensive Literature Survey // arXiv:2512.13004. 2025.
6. NREL. Generative AI for Power Grid Operations. Technical Report NREL/TP-5D00-91176. 2024.
7. Методические указания по проектированию развития энергосистем: Приказ Министерства энергетики Российской Федерации от 06.12.2022№ 1286 / Минэнерго России. – 2022.
8. IEEE 57-bus test case // Power Systems Test Case Archive. URL: https://labs.ece.uw.edu/pstca/(дата обращения 01.05.2026).