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

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

引用

搜狐

1.

https://www.sohu.com/a/773815380_121123754

随着全球气候变化和可持续发展问题日益严重，减少温室气体排放成为当务之急。新型电力系统以可再生能源为主体，有助于实现国家双碳战略。然而，新型电力系统面临诸多挑战，如电力供应安全、新能源消纳、系统运行压力等。人工智能（artificial intelligence, AI）技术，尤其是大语言模型（large language model，LLM）在自然语言处理和认知功能方面取得了重大突破，为通用人工智能（AGI）的发展奠定了基础。

智能电网（图片来源于网络）

大语言模型

大语言模型（large language model，LLM）是一种利用大规模文本语料进行预训练与微调的深度学习语言模型，能够理解和生成与人类语言相似的表达。LLM基于神经网络进行序列建模，使用Transformer网络结构进行信息传递和处理。通过在大规模语料库上进行无监督预训练和特定任务上的有监督微调，LLM能够学习文本的统计规律和语义信息，提高任务性能。目前，LLM已经在逻辑推理、编程与代码理解以及数学推理等领域展现出了远超传统AI技术的智能水平。尽管仍存在一些挑战和局限性，但LLM的强大能力为构建通用人工智能系统提供了有力的基础。

图1 Transformer架构

大语言模型在新型电力系统中的应用展望

电力系统负荷与发电出力预测

电力系统调度机构 (ISO) 需要准确预测电力负荷和发电出力以实现经济安全的电力系统运行规划和管理。LLM在这一领域具有潜在应用，包括用电行为理解与用户画像、负荷预测和间歇性电源出力预测。LLM的强泛化能力有助于解决用电行为分析中的用户特征缺失和多源数据融合问题。在负荷预测方面，LLM的小样本学习能力有望解决新增用户和低频用电场景下的数据匮乏问题。对于中长期负荷预测，LLM在解决可信度等问题的基础上，可以解决特征选择和非用电数据生成问题。在间歇性电源出力预测方面，LLM的小样本数据学习能力和知识迁移能力有望帮助实现更准确的超短期预测，同时提供实时的天气信息。

电力系统规划

电力系统规划是为了满足电力需求增长、系统安全运行、可再生能源消纳和系统整体经济性等目标，对电力系统的发电资源配置和主配电网结构进行综合性规划。从不确定性模拟、规划场景生成和规划方案优化三个方面来看，LLM具有潜在的应用价值。在不确定性模拟方面，LLM可以基于知识生成直觉性的模拟结果，节省采样计算过程并达到近似结果，同时实现基于不确定性模拟结果的电力系统风险评估。在规划场景生成方面，LLM可以实现典型规划场景的自动生成，通过自然语言描述自动生成典型规划场景，并调整优化具体场景。在规划方案优化方面，LLM可以应用于优化方案自动解释中，生成最优方案的自然语言说明，同时通过训练规划方案与模型和约束之间的关系，快速生成对应的规划模型和约束条件，减少电力系统规划的工作量。

电力系统运行

电力系统调度过程中需要调度员根据实时负荷偏差进行人为调度修正。在此过程中，LLM可以从五个方面发挥潜在应用：1.调度员经验提取，通过总结调度员行为数据，形成通用的调度经验知识；2.调度建模，辅助调度员进行调度模型的特性解释和自然语言生成；3.调度决策，快速评估决策结果并提供改进建议；4.操作执行，根据调度员的调度决策生成规范化的业务操作票；5.电力系统态势感知，将预测数值结果转化为自然语言表示并辅助可视化展示。LLM的泛化性和自然语言处理能力可以帮助调度员快速学习调度知识、提高调度效率和准确性，从而实现电力系统的经济、安全和低碳运行。

电力系统故障诊断和恢复

电力系统故障诊断和恢复是电力行业的重要环节，涉及设备故障诊断、输电和配电系统故障诊断、输电系统恢复和配电系统恢复等方面。设备故障诊断主要利用感应数据进行故障类型识别，LLM的泛化性优势有望帮助提高设备故障检测的准确性。输电和配电系统故障诊断需要快速匹配故障特征，分析故障原因和位置，LLM的通用性有望实现多类型故障的同时诊断能力。输电系统恢复关注输电网裂解后子系统如何快速协调恢复，LLM适用于对恢复方案的多维度安全综合评估。配电系统恢复主要涉及修复故障设备、恢复接通用户和运行备用设备等操作，LLM可以快速生成恢复方案，并通过具体标准进行评价，以帮助调度员快速选择合适的恢复方案。

电力市场

全球范围内的电力市场正在经历深刻的变革，以提高效率和鼓励创新。中国等国家正逐步打破电力行业的垄断，引入竞争机制，并推动电力系统的清洁和智能化。在此背景下，电力市场研究涉及电力市场建模、决策和机制设计等复杂问题。

1. 电力市场建模方面：LLM可以基于常识理解和逻辑推理能力，在少样本和无样本的情况下，构建更加精确的交易行为模型。与传统经济学理论假设相比，LLM可以更好地模拟真实市场的交易行为。

2. 电力市场决策方面：LLM具有自主生成策略的能力，可以应对快速变化的市场环境。相较于现有的时间序列模型、深度学习模型和深度强化学习等技术，LLM可以更好地处理市场边界条件预测、竞价策略优化、风险管理等决策问题。

3. 电力市场机制设计方面：LLM可以与机制设计理论相结合，利用其常识理解和逻辑推理能力更精确地模拟市场主体行为，从而更好地保证电力市场机制设计的合理性和实用性。

基于大语言模型构建电力系统通用人工智能所面临的挑战

在电力系统应用研究中，LLM面临着数据管理、透明可靠性和信息安全与隐私保护等挑战。

1. 首先，数据管理问题包括数据质量和可获取性挑战。为解决这些问题，研究人员可以采用数据清洗、预处理技术、分布式计算和云计算技术等方法。

2. 其次，LLM的透明可靠性问题主要涉及可解释性和可靠性。可解释性问题在于LLM通常是黑盒模型，难以解释其预测结果的原因。为提高LLM的可解释性和可靠性，研究人员需要关注模型的训练过程，以避免数据偏差和样本不平衡的影响。此外，通过交叉验证和测试集验证等方法，也可以评估和验证模型的可靠性。

3. 最后，LLM在电力系统应用中还面临着信息安全和隐私保护挑战。为应对这些挑战，需要采取防火墙、加密传输、身份认证等网络安全措施，保证模型在传输和共享过程中的安全性。同时，在收集和处理电力系统数据时，应采用数据脱敏和匿名化技术，以减少数据泄露的风险。此外，对LLM的使用和访问进行实时监控，也可以及时发现和应对潜在的安全威胁。

结语

建立创新的电力系统被视为实现国家碳中和目标的关键策略和必要保障。近年来，大型语言模型代表了人工智能领域的重大突破，标志着通用人工智能发展的新方向。运用通用人工智能技术进一步增强电力系统的智能水平，为解决新型电力系统所面临的各种挑战提供了全新的途径。本文首先对大型语言模型的原理和实施技术进行了介绍，同时探讨了与传统人工智能技术相比，大型语言模型在智能水平上的核心优势。接着对大型语言模型在电力系统方面的潜在应用进行了展望，包括负荷预测、发电出力预测、电力系统规划、电力系统运行、电力系统故障诊断与系统恢复、电力市场等领域，进一步通向新型电力系统的自主调度、可靠规划与决策、智能诊断与恢复等目标。本文最后探讨了大型语言模型在数据管理、模型透明可靠、信息安全等方面所面临的挑战。综合而言，本文试图为实现电力系统通用人工智能的方法和建议提供了初步的研究思路。