<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">TACS</journal-id><journal-title-group><journal-title>Technology and Application of Computer Science</journal-title></journal-title-group><issn>2998-8926</issn><eissn>2998-8934</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/TACS.2026090053</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>融合网页多源数据治理的规则增强RAG 用于电力市场风险决策支持研究</title><url>https://artdesignp.com/journal/TACS/3/9/10.61369/TACS.2026090053</url><author>史墨轩</author><pub-date pub-type="publication-year"><year>2026</year></pub-date><volume>3</volume><issue>9</issue><history><date date-type="pub"><published-time>2026-05-14</published-time></date></history><abstract>针对电力市场风险决策中多源信息分散、领域知识注入不足、推理可解释性弱等问题，提出融合网页多源数据治理的规则增强检索增强生成（RAG）方法。构建覆盖采集、清洗、实体对齐、知识抽取的数据治理流水线；设计规则前置过滤、规则引导检索、规则约束生成三级增强机制，将电力市场风控规则贯穿检索与生成全流程。在验证集上通过网格搜索完成超参数调优后，测试集结果表明MRR 达0.87，风险识别准确率达92.1%，事实性错误率仅3.2%，均显著优于基线模型。</abstract><keywords>电力市场,风险决策,检索增强生成,多源数据治理,规则增强</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] LEWIS P, PEREZ E, PIKTUS A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks[C]//NeurIPS. 2020: 9459-9474.[2] GAO Y, XIONG Y, GAO X, et al. Retrieval-Augmented Generation for Large Language Models: A Survey[J]. arXiv:2312.10997, 2023.[3] LUAN Y, EISENSTEIN J, TOUTANOVA K, et al. Sparse, Dense, and Attentional Representations for Text Retrieval[J]. TACL, 2021, 9: 329-345.[4] 谢敬东, 陆池鑫, 鲁思薇, 等. 基于序关系- 熵权法的电力市场风险评估[J]. 中国电力, 2021, 54(6): 71-78.[5] 丁红坚, 辛诚, 李沐阳, 等. 考虑电力现货市场风险的抽水蓄能电站竞价策略[J]. 电力建设, 2024, 45(5): 150-158.[6] 加鹤萍, 郭宇辰, 马乾鑫, 等. 基于机器学习方法的现货电价预测研究综述[J]. 电力建设, 2025, 46(2): 160-179.[7] 黄莹, 薛禹胜, 谢敏, 等. 价格接受模式下发电集团电- 碳协同交易决策优化方法[J]. 电力系统自动化, 2023, 47(21): 25-35.[8] 赵俊华, 文福拴, 黄建伟, 等. 基于大语言模型的电力系统通用人工智能展望：理论与应用[J]. 电力系统自动化, 2024, 48(6): 13-28.[9] 李子骏, 肖辉, 李雪峰. 面向知识密集型任务的检索增强生成技术综述[J]. 微电子学与计算机, 2025, 42(10): 48-65.[10] 晋良海, 张倩, 徐童欣, 等. 融合LLM-RAG-KG 的电力生产安全事故问答大模型[J]. 中国安全科学学报, 2026, 36(3): 66-73.[11] 张犬俊, 谢杨, 房春荣, 等. 检索增强生成在软件工程中的应用综述[J]. 软件学报, 2026, 37(3): 1316-1339.[12] 陈晓红, 傅文润, 刘朝明, 等. 人工智能大模型在电力设备运维场景中的应用探讨[J]. 中国工程科学, 2025, 27(1): 180-192.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
