【目的】随着大规模新能源入网,新型电力系统在对灵活性需求提出一定要求的同时,对预测技术也有了更高的精确性要求,而传统预测方法在处理动态复杂的场景时存在一定局限性,因此,亟需研究适用于新型电力系统的预测技术。大语言模型(large language model,LLM)是一种基于生成式人工智能(artificial intelligence,AI)的技术,具有多模态数据融合、少样本学习、多任务处理的能力,能够为电力系统中的预测任务提供更加智能化和精准化的解决路径。为此,针对LLM在电力系统预测领域的应用现状及优势展开分析。【方法】首先,对LLM的基本架构、训练方法及其应用现状进行阐释;然后,说明了其应用在预测领域的原理及实现过程,并重点探讨了在电力负荷预测、新能源出力预测和电价预测方面的优势和潜力;最后,从数据质量管理、隐私保护及计算资源3个方面分析了目前LLM在预测应用中存在的问题,并给出了可行的解决思路。【结论】通过对比各种预测任务研究发现,与传统预测方法相比,LLM在少样本学习和多模态数据处理方面的强大能力使其更适用于复杂多变的预测场景,对LLM合理有效的应用能够为电力市场预测提供新的解决方案。
随着“双碳”目标的提出,天然气作为火电转型过渡时期的重要能源,亟需通过绿色转型实现安全、稳定运行。碳捕集、利用和储存(carbon capture,utilization and storage,CCUS)技术的应用将为燃气电厂低碳发展提供可靠的技术支撑。文中提出一种发电机组(generator unit,GU)-电转气(power to gas,P2G)-CCUS系统,并构建一个考虑风电输出不确定性的数据驱动鲁棒优化(data-driven robust optimization,DDRO)模型。在此基础上,由于现有优化方法无法实现科学成本分配,考虑到主体间的合作博弈关系及系统运行的稳定性,建立了系统内部基于核仁法(nucleolus based cooperative game,NCG)的成本分配模型,以确保成本分配的科学性和合理性。结果表明:引入CCUS可以显著减少碳排放,并通过参与碳市场获得额外的利润;DDRO模型可以有效抵抗不确定风电输出的干扰,增强系统运行的安全性,降低传统优化模型的保守性;NCG模型可以实现GU、P2G和CCUS之间的合理分配,使得每个参与者都可以获得比其独立运行时更高的收益,提高参与者的合作意愿,进而增强合作的长期性与稳定性。
