面向物理约束点对点能源市场的能源贫困公平性：基于Grounded且计算高效的LLM策略Agent

arXiv:2609.01918v1 发布类型: 新论文

摘要: 能源贫困在"NLP for social good"领域几乎无人问津，且现有少量工作要么是静态检索/问答，要么依赖高碳排放的云上 LLM——对于人道主义场景而言，这是一种自相矛盾的"计算讽刺"。我们提出 EqGrid，一个闭环仿真系统：其中低频、open-weight LLM 策略 agent 为一个基于实证数据的家庭 persona 社区设定价格与碳排放上限及定向补贴，而高频多 agent RL 交易者在受物理配电网（带动态运行包络的 IEEE-33-bus）约束的连续双边拍卖中完成市场出清。我们的贡献有三方面，直接回应如何衡量 AI 的社会影响：(i) 基于区域匹配的社会人口统计数据构建 grounded persona，其负荷曲线通过与真实智能电表数据对比校验形状与量级真实性；(ii) 形式化的能源贫困公平指标（Energy Burden、EB 的 Gini 系数、LIHC）表明，该干预在不提高净电网成本的前提下降低了负担不平等；(iii) 计算效率前沿分析，衡量将策略 agent 从 235B 教师模型压缩到可部署于笔记本的 sub-1B 模型时，公平性能保留多少，并以每次决策的估算能耗/碳排放量化。解耦安全设计（LLM 设定上限；验证-投影电网门控执行）实现了零电网约束违规，而直接 LLM 控制下则有 55 次违规。在能源贫困公平方面，LLM 策略将能源负担的 Gini 系数降至 0.305（原为 0.351），平均负担降低 28%，同时削减成本（优于调优规则基线）；3B 激活参数模型以约 9 倍低于教师模型的推理能耗保留了 95% 的收益，而 0.8B 端侧模型以约 24 倍更低能耗仍保留 92%。我们将开源代码与配置。