大模型技术在新能源功率预测中应用初探

新能源预测的需求和挑战

• 新能源功率预测需计及数值天气预报（NWP）不确定性，并满足多样化的预测需求。
• 预测面临的挑战包括复杂数据形式和不同预测任务需求，核心在于如何以需求为导向实现精确预测。

大模型技术应用思路

• 大模型技术可应用于新能源功率预测，主要分为两大路线：大模型主导的预测新范式和融合大模型思想的混合建模框架。

大模型主导的预测新范式

• 方法分类：时间序列基座大模型（TSFM）如TimeGPT-1，和基于大语言模型的时序大模型（LBM4TS）如Chronos-Bolt、Time-LLM、Moirai。
• 基于TSFM的零样本预测尝试：使用TimeGPT-1进行风电和光伏日前预测（15分钟分辨率），但预测精度未明显优于小参数模型。
• 基于LBM4TS的预测方法：分为基于提示工程和词化工程两类，无需重训练，只需微调或无需调整。
  • 基于词化工程的模型：通过连续数据离散化（词化）、大模型推演（BERT、GPT、T5）、离散分段连续化（反词化）三个阶段进行建模。
• 挑战与局限：TSFM难以解决多模态协变量输入问题，且大模型决策可解释性差。

融合大模型思想的混合建模框架

• 大模型与多模态融合技术：
  • 中期融合模型：利用LLM中的注意力机制挖掘多时间尺度特征和空间域特征，实现时空概率预测。
  • 末期融合模型：通过对比学习解决数据异质性问题，提高深度学习算法可解释性。
• 大模型与极端场景生成技术：
  • 问题：极端场景样本少、特征维度多样化、定义不明导致模型欠拟合和泛化能力差。
  • 解决方法：
    • 利用大模型的zero-shot/one-shot/few-shot生成能力实现小样本或无样本场景生成。
    • 融合多模态数据和先验信息增强模型泛化能力。
    • 利用条件生成式模型（如Diffusion、GAN）增强极端场景样本数据量。
  • 应用场景：系统规划、长期调度、安全风险评估、功率波动及供电可靠性分析。

总结

• 新能源功率预测需应对NWP不确定性和多样化需求，大模型技术提供两种应用路线：主导预测新范式和融合混合建模框架。
• 大模型主导范式存在精度和可解释性局限，而融合框架通过多模态融合和极端场景生成技术提升预测能力和泛化性。
• 大模型在解决样本不足、特征对齐和极端场景生成问题中具有显著优势，但需进一步优化以实现更精准的预测。