IHGR-RAG：一种用于准确且可解释的电力设备状态评估的增强检索增强生成框架

电力设备的状态评估对于优化维护策略至关重要。然而，知识驱动的方法严重依赖于设备故障特征与指导信息之间的人工对齐，而数据驱动的方法主要依赖现场实验来检测异常状态。这两者都面临效率低下和时效性限制的挑战。随着信息系统的日益集成，大量与状态评估相关的信息以文本形式存在，如系统警报和实验记录。尽管大型语言模型（LLMs）和检索增强生成（RAG）在处理此类基于文本的信息方面展现出潜力，但其实际应用受限于LLMs的幻觉问题和RAG的粗粒度检索机制，后者难以区分语义相似但语境不同的指导条目。为解决这些问题，本文提出了一种集成分层和全局检索机制的增强RAG框架（IHGR-RAG）。该框架综合采用三种优化策略：基于少样本学习提示工程的查询重写机制、结合分层与全局检索的整合方案，以及零样本思维链生成优化流程。此外，还开发了任务特定的定量评估基准以严格评估模型表现。实验结果表明，与传统RAG和独立分层方法相比，IHGR-RAG在准确匹配唯一正确指导条目的任务中分别提升了4.14%和5.12%的准确率。消融研究证实了各模块的有效性。本工作通过平衡可解释性、准确性和领域适应性，推动了电力设备动态健康监测的发展，为标注数据有限的场景提供了一条具成本效益的优化路径。