论文题目：Interpretable SLM-Driven Trust Framework for Smart Cities: Managing Distributed Energy Resources in Networked Microgrids

论文链接：https://doi.org/10.3390/smartcities8060186

期刊名称：Smart Cities

期刊主页：https://www.mdpi.com/journal/smartcities

近日，来自美国南密歇根大学的Razi Iqbal教授及其团队在Smart Cities期刊上发表了一篇文章。该团队成功构建并验证了一个创新的可解释小语言模型（SLM）驱动的信任评估框架，旨在解决智慧城市背景下，网络化微电网（NMGs）中分布式能源资源的可信度评估难题。该框架包含两大组成部分：一是基于SLM的数据分析模块；二是基于神经网络的信任评分计算模块。本研究验证了该框架在规模和效率上优于现有框架；同时，其信任评估模型在高噪声环境下展现出卓越的鲁棒性。这项研究对于提升智慧城市微电网系统的安全性、可靠性以及推动自动化、可解释的能源管理决策具有重要意义。

基于 SLM 和神经网络的 NMG 架构

研究过程与结果

作者针对智慧城市网络化微电网中分布式能源资源的可信度评估问题，提出了一种创新性的可解释信任评估框架。该框架的核心创新在于构建了一个两阶段的混合架构，巧妙地结合了SLM与神经网络的各自优势。第一阶段是SLM模块，负责处理来自分布式能源资源的海量非结构化数据，如SCADA日志、状态信息和运行报告等。该模块采用基于Transformer的轻量化架构，包含四个Transformer块和八头自注意力机制，能够从原始文本数据中精确提取五个关键的信任指标，即可用性、可靠性、生产率、稳定性和声誉。

基于 GPT 的 SLM 架构

第二阶段是神经网络信任框架模块，该模块以第一阶段提取的五个指标作为输入，设计了一个集成注意力机制的深度神经网络。注意力层能够动态学习每个指标的重要性权重，从而实现对不同特征的差异化处理。经过注意力加权后的特征再通过批量归一化和两个全连接隐藏层进行深度模式学习，最终通过Sigmoid函数输出一个介于0和1之间的综合信任分数。为了增强模型的可解释性，研究团队还引入了双重解释机制：内在解释性来自注意力机制本身提供的特征权重，直观展示模型关注的重点；外在解释性则通过SHAP方法实现，能够量化每个输入特征对最终预测结果的边际贡献。

所提出的信任框架，结合了注意力机制+SHAP

在实验数据方面，由于公开的分布式能源资源日志数据集较为稀缺，作者根据IEEE电力机组可靠性、可用性和生产率标准定义合成了实验所需的全部数据。他们生成了模拟太阳能分布式能源资源的SCADA风格日志数据，其中包含了系统初始化、发电状态、故障事件等多种类型的运行信息。同时，根据IEEE标准中定义的公式，如可用性生成因子、强迫停运率、性能指数等，从合成数据中计算出五个信任指标的真实值，用于模型的监督学习和性能评估。为了模拟现实世界中可能出现的复杂情况，数据中还被注入了不同程度的噪声和故障事件，以测试模型的鲁棒性。

来自太阳能 DER 的类 SCADA 日志样本

实验过程分为两个主要部分。第一部分是SLM性能评估，将提出的定制SLM与多个现有的流行模型进行对比，包括Gemma2 2B、DeepSeek R1 1.5B、Phi-3-mini 3.8B及其微调版本。评估指标采用均方误差来衡量模型预测的五个指标值与IEEE标准计算出的真实值之间的偏差，同时还对比了各模型在磁盘占用和运行时内存方面的计算开销。

为了测量预测变异性，实验中进行了五次独立运行。现有模型在多次运行中显示出显著的变异性和误差。尽管微调后的 DeepSeek R1 1.5B 表现出相对更好的一致性，但其 MSE 值在大多数指标上仍高于自定义单线程模型。所提出的定制 SLM 在所有五项指标中始终获得最低的 MSE 值。它展现了与真实价值观的高度契合，尤其是在可获得性和稳定性方面，而其他模式则较为困难。

采用均方误差比较提出的 SLM 与流行模型

第二部分是信任框架鲁棒性评估，为了模拟真实网络化微电网环境中常见的传感器波动、天气变化和通信干扰等问题，研究团队向输入数据中加入了不同程度的高斯噪声，噪声水平为=[0.00,0.01,0.02,0.05,0.10,0.15]。将所提出的带注意力机制的神经网络与一个简单的基线分类器和一个常用的随机森林分类器进行对比，评估指标包括准确率、F1分数和 ROC 曲线下的面积（AUC）值。

所提出的信任框架在噪声条件下优于其他模型，即使在最恶劣的噪声条件下也能保持准确性。

高斯噪声条件下模型精度的比较

随机森林和带注意力机制的神经网络在噪声增加时性能逐渐下降。然而，即使在高噪声水平下，带注意力机制的神经网络仍保持优异的 F1 分数。

高斯噪声条件下 F1 分数比较

即使在高噪声水平下，带注意力机制的神经网络在 AUC 分数上也始终与随机森林模型持平，而基线模型保持平坦。

高斯噪声条件下模型 AUC 分数比较

综上所述，本研究通过系统性的实验设计和全面的结果分析，成功验证了所提出的可解释信任评估框架的有效性。在精度方面，提出的SLM 在所有五个信任指标上的预测误差均显著低于现有模型；在鲁棒性方面，带注意力机制的神经网络在高噪声条件下仍能保持与随机森林模型持平的AUC值；在可解释性方面，注意力权重和SHAP值的结合提供了从全局到局部的全面解释。这些实验结果充分证明了该框架在智能城市网络化微电网中部署应用的可行性和优越性。

研究总结

本文提出了一种面向智慧城市网络化微电网的可解释信任评估框架，通过SLM解析分布式能源资源的非结构化SCADA日志，提取可用性、可靠性等关键信任指标，并集成注意力机制与SHAP方法的神经网络计算综合信任分数。实验验证了该框架在指标提取精度上优于现有模型，且计算开销显著降低；在高噪声环境下仍保持稳定的分类性能，同时通过注意力权重和SHAP值提供了从全局到局部的决策解释。该研究为提升智能城市能源系统的安全性、可靠性提供了可解释的自动化解决方案，推动了数据驱动的微电网可信管理发展。

Iqbal, R.; Hamill, N.S. Interpretable SLM-Driven Trust Framework for Smart Cities: Managing Distributed Energy Resources in Networked Microgrids. Smart Cities 2025, 8, 186.

Smart Cities 期刊介绍

主编：Pierluigi Siano, University of Salerno, Italy

发表与智慧城市相关所有领域的研究论文、通讯论文和综述等，主题包括但不限于：智慧城市信息通信技术 (ICT)、面向智慧城市的物联网、智能传感、智能电网和智能基础设施、智能交通和移动、智能能源、智能建筑、智能管理、智能经济、智能医疗等。