1月2日，國(guó)網(wǎng)山東省電力公司電力調(diào)度控制中心調(diào)度計(jì)劃處負(fù)荷預(yù)測(cè)專責(zé)查看山東電網(wǎng)負(fù)荷預(yù)測(cè)數(shù)據(jù)，研判山東電網(wǎng)電力供需形勢(shì)。自2024年迎峰度冬開始以來，山東電網(wǎng)負(fù)荷預(yù)測(cè)準(zhǔn)確率達(dá)98.9%，較去年同期提高0.9個(gè)百分點(diǎn)，為電網(wǎng)安全運(yùn)行提供了有力支撐。負(fù)荷預(yù)測(cè)精度的提升得益于國(guó)網(wǎng)山東電力于2024年6月以來開始應(yīng)用的負(fù)荷預(yù)測(cè)大模型技術(shù)。

　　電網(wǎng)負(fù)荷易受氣溫變化影響。高溫、寒潮、強(qiáng)對(duì)流等極端天氣與重大轉(zhuǎn)折天氣容易導(dǎo)致用電負(fù)荷快速增長(zhǎng)，增加用電高峰時(shí)段電力保供壓力;影響新能源出力，使其在短時(shí)間內(nèi)發(fā)生劇烈變化。近年來，極端天氣頻發(fā)，高比例新能源接入規(guī)模不斷增長(zhǎng)，電網(wǎng)安全穩(wěn)定工作增加了更多不確定性，對(duì)電力平衡精度提出更高要求，需要通過提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性來提升電力供應(yīng)的可靠性。

　　傳統(tǒng)負(fù)荷預(yù)測(cè)模型主要依賴從大量歷史負(fù)荷數(shù)據(jù)中歸納總結(jié)規(guī)律和特征。但極端天氣、重大轉(zhuǎn)折天氣復(fù)雜多樣、歷史樣本少，傳統(tǒng)負(fù)荷預(yù)測(cè)模型難以根據(jù)天氣變化給出準(zhǔn)確預(yù)測(cè)，也無法對(duì)分時(shí)電價(jià)政策、負(fù)荷統(tǒng)計(jì)口徑調(diào)整等非確定影響因素作出自適應(yīng)調(diào)整。

　　為此，國(guó)網(wǎng)山東電力與外部相關(guān)企業(yè)開展技術(shù)合作，組建研發(fā)團(tuán)隊(duì)，搭建“氣象大模型+負(fù)荷預(yù)測(cè)大模型”。前者通過“全球-區(qū)域”聯(lián)合建模技術(shù)，在搭建全球廣域范圍的宏觀氣象模型的同時(shí)，為公里級(jí)別的山東區(qū)域微氣象過程建模，實(shí)現(xiàn)高精度和高分辨率區(qū)域天氣預(yù)報(bào)。后者可通過培育自學(xué)習(xí)能力和專家經(jīng)驗(yàn)學(xué)習(xí)能力，不斷優(yōu)化調(diào)整負(fù)荷預(yù)測(cè)模型，逐步實(shí)現(xiàn)“逼近人、模擬人、超越人”進(jìn)階升級(jí)，提升負(fù)荷預(yù)測(cè)精度。兩個(gè)大模型彼此交互。

　　研發(fā)團(tuán)隊(duì)還通過人工智能(AI)技術(shù)，在負(fù)荷預(yù)測(cè)大模型上搭建了“教師AI+學(xué)生AI”雙AI預(yù)測(cè)模塊。學(xué)生AI從氣象數(shù)據(jù)、歷史負(fù)荷數(shù)據(jù)及其他負(fù)荷影響因素中歸納重大轉(zhuǎn)折天氣、節(jié)假日等特殊場(chǎng)景典型特征，訓(xùn)練形成對(duì)電網(wǎng)負(fù)荷的預(yù)測(cè)模型。教師AI考評(píng)學(xué)生AI預(yù)測(cè)效果并打分反饋，同時(shí)通過基于大語言模型的人機(jī)交互界面接收負(fù)荷預(yù)測(cè)專責(zé)專家經(jīng)驗(yàn)，調(diào)優(yōu)學(xué)生AI形成的預(yù)測(cè)模型，優(yōu)化模型預(yù)測(cè)效果。

　　據(jù)介紹，負(fù)荷預(yù)測(cè)大模型實(shí)現(xiàn)了對(duì)負(fù)荷規(guī)律的自學(xué)習(xí)、預(yù)測(cè)偏差的自分析和自調(diào)整，解決了傳統(tǒng)負(fù)荷預(yù)測(cè)模型在重大轉(zhuǎn)折天氣等情況下負(fù)荷預(yù)測(cè)偏差大的難題。在2024年迎峰度夏期間，山東地區(qū)出現(xiàn)高溫突轉(zhuǎn)降雨等7次重大轉(zhuǎn)折天氣，該模型預(yù)測(cè)準(zhǔn)確率較往年的人工預(yù)測(cè)提升了3.35個(gè)百分點(diǎn)。(張冰 周蕾 葛暢)