文章核心总结主要内容文章提出RE-LLM框架，将大型语言模型（LLMs）融入可再生能源系统建模流程，核心是结合优化型情景分析、机器学习替代模型和LLM驱动的自然语言生成，解决传统能源系统模型输出技术化、非专业利益相关者难以理解的问题。以德国2020-2050年陆地温室气体减排策略为案例，验证框架在计算效率、结果可解释性上的优势，最终搭建数据驱动分析与实际决策之间的桥梁。创新点框架融合性：首次将优化模型、机器学习替代模型与LLM深度整合，同时兼顾计算效率（替代模型提速超一个数量级）和结果可解释性（LLM生成通俗叙事）。stakeholder导向：通过LLM将复杂数据转化为多语言、交互式自然语言解释，配合SHAP分析确保叙事可追溯，提升政策制定者、公众等非专业群体的可及性。扩展性与实用性：适配不同优化平台和能源系统模型，案例验证其在国家尺度减排规划中的适用性，支持实时情景探索和多因素敏感性分析。翻译部分（Markdown格式）Abstract能源系统模型日益被用于多部门环境下的长期规划，其决策涵盖电力、热力、交通、土地利用和工业等领域。尽管这些模型能提供严谨的定量洞见，但输出结果通常高度技术化，使得政策制定者、规划师和公众等非专业利益相关者难以解读。这种沟通鸿沟限制了情景建模的可及性和实际影响力，尤其是在可再生能源占比提升、部门融
