GLM大模型在火电厂智能拟票Agent中的应用实践

1. 项目背景与核心价值

火电厂运行规程的拟票工作长期以来都是个技术活，更是个体力活。运行人员需要熟记数百页的操作规程，在每次启停机或异常处理时，手动填写包含几十个步骤的操作票。这不仅容易出错，更让新人望而生畏。我见过太多刚入职的同事，半夜抱着规程手册死记硬背的样子。

现在，基于GLM大模型的智能拟票Agent正在改变这一现状。这个方案最吸引我的地方在于：

• 零代码开发：运行人员无需编程基础，用自然语言描述需求即可
• 知识沉淀：将老师傅的经验转化为可复用的数字资产
• 实时校验：自动核对规程条款，避免人为疏漏

以某300MW机组冷态启动为例，传统人工拟票平均需要45分钟，而我们的智能Agent在接入历史操作数据库后，首次拟票时间缩短到8分钟，经过3个月迭代后更是降至3分钟以内。

2. 技术架构解析

2.1 核心组件设计

这个智能拟票Agent的系统架构包含三个关键层：

1. 知识处理层

   • 规程文档解析：使用GLM-4的文档理解能力，将PDF版规程转换为结构化知识图谱
   • 操作案例库：近5年2000+张历史操作票的清洗与向量化
   • 设备台账对接：通过API实时获取机组当前状态参数

2. 推理决策层

   • 多轮对话引擎：基于GLM-130B的32k长上下文版本
   • 规则校验模块：硬编码的安规校验点（如锅炉上水温度梯度限制）
   • 操作链生成：将自然语言指令分解为可执行的操作序列

3. 交互呈现层

   • 微信小程序端：支持语音输入和手写批注
   • DCS系统对接：生成的电子操作票可直接推送至集控室大屏
   • 数字孪生验证：在虚拟机组上预演操作步骤

关键突破点：我们创新性地将GLM的文本生成能力与火电专业的SIS（厂级监控）系统实时数据结合，使Agent能感知机组真实状态。比如在拟制锅炉点火步骤时，会主动检查当前汽包壁温是否满足升温曲线要求。

2.2 关键技术实现

2.2.1 知识抽取与增强

火电规程的特殊性在于：

• 大量非结构化描述（如"缓慢提升给水泵转速"）
• 隐含的时序约束（B操作必须在A操作完成且参数达标后执行）
• 设备联锁关系（磨煤机启动前必须满足的风压条件）

我们的解决方案是：

python复制# 规程条款的结