論文の概要: GridCodex: A RAG-Driven AI Framework for Power Grid Code Reasoning and Compliance

• arxiv url: http://arxiv.org/abs/2508.12682v1
• Date: Mon, 18 Aug 2025 07:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.058775
• Title: GridCodex: A RAG-Driven AI Framework for Power Grid Code Reasoning and Compliance
• Title（参考訳）: GridCodex: パワーグリッドコードの推論とコンプライアンスのためのRAG駆動AIフレームワーク
• Authors: Jinquan Shi, Yingying Cheng, Fan Zhang, Miao Jiang, Jun Lin, Yanbai Shen,
• Abstract要約: GridCodexはグリッドコードの推論とコンプライアンスのためのエンドツーエンドフレームワークである。 我々のフレームワークは、マルチステージクエリ改善とRAPTORによる検索の強化により、従来のRAGを進化させる。 実験の結果、回答の品質が26.4%向上し、リコールレートが10倍以上向上した。
• 参考スコア（独自算出の注目度）: 7.548297637334046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The global shift towards renewable energy presents unprecedented challenges for the electricity industry, making regulatory reasoning and compliance increasingly vital. Grid codes, the regulations governing grid operations, are complex and often lack automated interpretation solutions, which hinders industry expansion and undermines profitability for electricity companies. We introduce GridCodex, an end to end framework for grid code reasoning and compliance that leverages large language models and retrieval-augmented generation (RAG). Our framework advances conventional RAG workflows through multi stage query refinement and enhanced retrieval with RAPTOR. We validate the effectiveness of GridCodex with comprehensive benchmarks, including automated answer assessment across multiple dimensions and regulatory agencies. Experimental results showcase a 26.4% improvement in answer quality and more than a 10 fold increase in recall rate. An ablation study further examines the impact of base model selection.
• Abstract（参考訳）: 再生可能エネルギーへの世界的なシフトは、電気産業にとって前例のない課題を示し、規制の理由付けとコンプライアンスがますます重要になっている。 グリッド・コード(グリッド・オペレーションを規制する規則)は複雑であり、しばしば自動解釈ソリューションが欠如しており、産業の拡大を妨げ、電力会社の利益を損なう。 グリッドコード推論とコンプライアンスのためのエンドツーエンドフレームワークであるGridCodexを導入し,大規模言語モデルと検索拡張生成(RAG)を活用している。 我々のフレームワークは、マルチステージクエリの洗練とRAPTORによる検索の強化により、従来のRAGワークフローを進化させる。 我々は,GridCodexの有効性を総合的なベンチマークで検証する。 実験の結果、回答の品質が26.4%向上し、リコールレートが10倍以上向上した。 Ablation study has further examine the impact of base model selection。

関連論文リスト

• Semantic Reasoning Meets Numerical Precision: An LLM-Powered Multi-Agent System for Power Grid Control [3.2691480924588885]
  本稿では,リアルタイムにグリッド違反を検出し,対処する自律型AI駆動型フレームワークであるGrid-Agentを紹介する。 Grid-Agentは、モジュールエージェントアーキテクチャを通じて意味論的推論と数値的精度を統合する。 このフレームワークは、スイッチ設定の最適化、バッテリ配置、負荷削減戦略を通じて、コーディネートされた違反解決を可能にする。
  論文  参考訳（メタデータ） (2025-08-07T01:10:28Z)
• Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support [0.5277756703318045]
  本研究は、電力分野におけるロバストな顧客支援システムを構築するための最近の技術の評価である。 クエリ書き換えは,非標準用語を用いたクエリの検索を改善する。 RAG Fusionは、複数の検索をマージすることで、あいまいまたは多面的なクエリのパフォーマンスを向上させる。 インテント認識は、複雑な質問をよりターゲットとしたサブクエリに分解するのをサポートする。
  論文  参考訳（メタデータ） (2025-08-01T08:02:23Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
  UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。 我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
  論文  参考訳（メタデータ） (2024-12-16T19:11:55Z)
• Optimal Power Grid Operations with Foundation Models [0.0]
  本稿では,AIファンデーションモデル(FM)とグラフニューラルネットワークの進歩を利用して,ダウンストリームタスクの低可用性グリッドデータを効率的に活用することを提案する。 グリッドの基盤となる物理を捉えるために、電力流力学を学習する自己教師型モデルの構築は、電力グリッドのためのFMを開発するための重要な第一歩であると信じている。
  論文  参考訳（メタデータ） (2024-09-03T09:06:13Z)
• Graph Reinforcement Learning for Power Grids: A Comprehensive Survey [1.3124421498970822]
  再生可能エネルギーと分散型発電の台頭は、従来の方法の限界を克服するための新しいアプローチを必要とする。 グラフニューラルネットワークは、グラフ構造化データから学ぶことができるため、有望である。 本稿では,グラフ強化学習が電力グリッドのユースケースにおける表現学習と意思決定をどのように改善するかを概説する。
  論文  参考訳（メタデータ） (2024-07-05T14:07:15Z)
• CRAG -- Comprehensive RAG Benchmark [58.15980697921195]
  Retrieval-Augmented Generation (RAG) は、Large Language Model (LLM) の知識不足を緩和するための有望なソリューションとして最近登場した。 既存のRAGデータセットは、現実世界の質問回答(QA)タスクの多様性と動的な性質を適切に表現していない。 このギャップを埋めるために、包括的RAGベンチマーク(CRAG)を導入する。 CRAGは、Webと知識グラフ(KG)検索をシミュレートする4,409組の質問応答ペアとモックAPIの実際の質問応答ベンチマークである。
  論文  参考訳（メタデータ） (2024-06-07T08:43:07Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。