JEPA 世界模型 + CEM 隐空间规划 + LLM 策略先验的算电协同调度 Agent，基于 OpenG2G 框架（OpenDSS 三相配网 + ML.ENERGY 推理负载格式）。
数据收集(混合策略) → JEPA 世界模型训练 → CEM 隐空间规划 → 评估对比
↑
LLM 先验(DeepSeek API) — 每步动作建议
- 仿真层：
OpenG2G Coordinator+OpenDSSGrid（IEEE13 配网，真实潮流）+OfflineDatacenter（ML.ENERGY 格式 LLM 推理负载，batch size 可控） - 世界模型：Encoder(obs→z) + Action-conditioned Predictor(z,a→z')，VICReg 防坍缩，cost head 预测 (电费, 越限, 负载率)；观测含完整 24h 未来电价曲线，使 rollout 能关联"峰降谷补"
- 规划器：CEM 在隐空间滚动预测 H=8 步。评分 = 解析电费（预测负载 × 电价查表 − 吞吐收入）+ 越限惩罚。经济学解析化，网络只学动力学
- LLM 先验：每步调用 DeepSeek API（
llm_actor.py），把电网/电价/负载上下文注入 prompt，返回 JSON 动作建议；作为 CEM 采样中心，由世界模型校验细化。API key 从.env读取（DEEPSEEK_API_KEY），不落盘
conda env create -f environment.yml # 或 pip install -r requirements.txt
# .env 中配置 DEEPSEEK_API_KEY（可选，LLM 先验需要）
cd src
# 1. 收集轨迹（mixed = 70% 随机 + 30% 电价启发式）
python -m jepa_dispatch.collect --episodes 40 --policy mixed --out data/transitions.npz
# 2. 训练世界模型
python -m jepa_dispatch.train --data data/transitions.npz --out data/jepa_wm.pt --epochs 300
# 3. 评估 JEPA-CEM vs noop/random（--use-llm 加入 LLM 先验策略）
python -m jepa_dispatch.evaluate --model data/jepa_wm.pt --episodes 3 --use-llm| 策略 | 总电费 | vs noop |
|---|---|---|
| noop | 187.8 | — |
| random | 196.3 | +4.5% |
| JEPA-CEM | 177.5 | −5.5% |
| LLM+CEM | 177.0 | −5.7% |
调度模式：谷时段（电价 <0.5 元）抬升负载、峰时段（>0.85 元）削减负载。
| 图 | 内容 |
|---|---|
| fig1_schedule.png | 24h 电价曲线 + 各策略 DC 功率时序 |
| fig2_costs.png | 策略总电费对比（相对 noop 变化率） |
| fig3_actions.png | dc0/dc1 的 LLM 先验 vs CEM 动作（峰降谷补） |
| fig4_dataset_traces.png | 合成负载数据集：各 batch size 功率轨迹 |
| fig5_dataset_itl.png | 合成负载数据集：ITL 延迟分布拟合 |
data/grid/ieee13/ OpenDSS IEEE13 算例
data/specs/<hash>/ 合成推理负载（trace.csv + itl_fit.json，ML.ENERGY 兼容格式）
data/transitions.npz 探索轨迹
data/jepa_wm.pt 训练好的世界模型
src/jepa_dispatch/ env / jepa / cem / llm_actor / synth_data / collect / train / evaluate