PowerPM：电力系统的基础模型
内容提要
本文探讨了智能电网中电力负荷预测的深度学习模型，包括前馈神经网络和LSTM的性能评估。研究提出了基于Koopman算子的解释性机器学习方法，强调了电网特有特征在模型设计中的重要性。此外，介绍了HEDGE工具生成住宅能源数据，并探讨大型基础模型在电力系统中的应用潜力，提出了利用微调语言模型恢复负荷数据的新方法，展示了其在电力系统分析中的重要性。
延伸解读
模型演进：从专用网络到基础模型
文章梳理了电力负荷预测模型的演进路径：从早期前馈神经网络、循环神经网络，到混合分层模型，再到基于Koopman算子的解释性方法。2023年后，研究转向大型基础模型，验证其在最优潮流、电动汽车调度等任务上的能力，并探索微调语言模型恢复负荷数据。这一趋势表明，电力系统正从定制化模型向通用基础模型迁移，以提升跨任务泛化能力。
数据瓶颈与合成数据工具
真实住宅能源数据稀缺是制约研究的关键问题。文章介绍了HEDGE工具，它基于英国真实数据生成住宅光伏、电负荷、电动车消耗等日常数据，填补了可用数据不足。同时，微调大型语言模型的方法能在数据有限时恢复丢失负荷数据，且成本效益高。这些方案共同指向：在数据获取困难时，合成数据与迁移学习是可行路径。
可解释性与电网特征的重要性
文章强调，忽视电网特有的时空特征会导致模型泛化风险。基于Koopman算子的方法将负载动态分解为时空模式，在精度和计算效率上优于LSTM，提供了可解释性。此外，双向LSTM在短期预测中表现优于单向LSTM，说明捕捉双向时序依赖对电网数据很重要。这些发现提示，模型设计需结合电网物理特性，而非直接套用通用架构。
Q&A
电力负荷预测中使用了哪些深度学习模型？
使用了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型。
基于Koopman算子的机器学习方法有什么优势？
该方法在精度和计算效率上优于LSTM，能够识别负载动态并分解为时空模式。
HEDGE工具的主要功能是什么？
HEDGE工具用于生成真实住宅能源数据，填补可用数据的不足，为研究提供数据支持。
大型基础模型在电力系统中的应用潜力如何？
大型基础模型在提升电力系统操作效率和可靠性方面表现出强大的能力，适用于多个任务。
双向LSTM与LSTM在短期预测中的表现如何？
双向LSTM在短期预测中表现优于LSTM。
如何利用微调语言模型恢复负荷数据？
通过微调大型语言模型，可以有效恢复丢失的负荷数据，展示了其在准确性和成本效益上的优势。
