文章主要内容总结研究背景：大型语言模型（LLMs）在自然语言处理和知识储备上的优势使其逐渐被引入电力系统，但现有研究中LLMs多用于辅助任务（如模拟设置、预测等），在调度策略生成中仅起支持作用，依赖优化算法或强化学习代理。核心问题：探索LLMs能否独立生成电力系统调度策略，针对配电网电压控制这一典型的“经验驱动”场景（实际中模型和数据精度有限，调度策略常依赖专家经验）展开研究。提出方法：构建了基于LLMs的经验驱动电压控制方案，包含四个核心模块：经验存储：存储包含上下文（负荷和光伏预测）、推理过程、最终动作（OLTC和电容器操作）、调度结果的典型经验。经验检索：基于轮廓相似度（负荷和光伏的时间趋势）和统计相似度（幅值信息），从存储中检索最相关的经验。经验生成：通过提示词（包含角色任务、环境描述、输出格式、检索到的经验、思维链引导）让LLMs生成控制动作。经验修改：结合环境反馈，通过多轮对话优化动作，并更新经验存储，实现策略自进化。实验验证：在IEEE 141节点配电网系统（含22个光伏、5个电容器、1个OLTC）上进行实验，对比了无控制（NoC）、无经验（NoE）、无修改（NoM）、无推理（NoR）等基线方法，结果显示所提方法在奖励值、