LLM-DFL：大语言模型赋能的决策聚焦学习在本地能源社区中的应用

香港大学研究团队提出LLM-DFL框架，创新性结合大语言模型（LLM）推理能力与决策聚焦学习（DFL），解决传统预测-优化两阶段目标错位问题，显著降低本地能源社区运营成本。该框架在复杂场景（如含整数约束优化、分布外场景）中展现明显优势。

传统能源优化采用预测-优化两阶段法：先预测需求，再调度优化。但存在三大缺陷：目标不一致（预测优化误差，实际关注成本）、信息丢失（缺失决策上下文）、反馈缺失（预测模型不知其对决策的影响）。DFL试图解决此问题，但传统DFL处理整数约束、非凸问题时梯度计算困难。

LLM-DFL核心创新是用LLM推理能力增强DFL，关键洞察：LLM可理解领域知识、识别相似历史模式、少样本学习、处理分布外场景。框架流程：输入特征→基础预测模型→LLM校正（基于历史案例）→优化求解→决策执行。步骤含构建提示词、LLM输出校正建议、反馈优化模型。

研究设计四种场景：NN+LP、Tree+LP、NN+MILP、NN+SO。结果：LLM-DFL平均降低额外运营成本2.38%-3.69%；复杂场景（Tree+LP、NN+MILP）优势显著；分布外场景（如圣诞负荷突变）无需显式标签即可适应。计算成本：LLM推理86.8-356.75秒，API每次0.010-0.043美元，均可控。

LLM-DFL意义：1. 打破预测-优化分离范式，强调端到端优化；2. 拓展LLM至数值优化领域，解决传统梯度难题；3. 展示提示词工程价值；4. 平衡鲁棒性与精确性。为LLM与运筹优化结合提供创新思路。

局限：LLM推理延迟高、大规模部署成本需考量、输出不确定性影响可复现性、泛化性待扩展。未来方向：轻量级LLM/蒸馏降延迟、量化控制不确定性、扩展至供应链/金融场景、结合强化学习实现端到端训练。