综述：面向风能与太阳能发电及负荷需求曲线预测与优化的AI驱动大语言模型（LLM）增强方法

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Harnessing AI-driven large language models (LLMs) for enhanced forecasting and optimisation of wind and solar energy generation and load demand profiles

　　

加速推进的可再生能源转型需要可靠的预测与优化技术支撑稳定高效的电网运行。近年来，基础模型（Foundation Models），包括大语言模型（Large Language Models, LLMs）和时间序列基础模型（Time-Series Foundation Models），已被应用于集成传感器遥测数据、维护日志、天气叙述文本及地理空间描述符等多源输入的可再生能源预测任务中。本文针对2020至2025年间发表的、关于语言导向基础模型及相关基于Transformer架构的基础模型在风电、光伏及负荷需求预测中的应用研究进行了结构化综述。综述并未断言此类模型具有普适性能优势，而是综合现有证据表明，在与传统机器学习（Machine Learning, ML）基线对比的研究中，改进主要出现在涉及多模态融合、更长预测周期或文本增强决策支持的场景中。同时，本文也强调了部分研究中收益有限或强烈依赖数据集与评价协议的情况。此外，本文审视了影响实际部署的实用约束，包括与数据采集与监视控制系统（Supervisory Control and Data Acquisition, SCADA）、物联网（Internet of Things, IoT）系统的集成、延迟性、可靠性与治理问题。文中总结了可用的可解释性方法，包括沙普利加性解释（Shapley Additive Explanations, SHAP）、注意力可视化及事后解释，并指出计算成本、幻觉风险以及在安全关键型预测中的不确定性量化等关键开放挑战。

1. 1.
   引言
   高比例可再生能源并网是实现脱碳目标的必由之路，但其固有的间歇性与波动性给电力系统稳定性带来严峻挑战。风电与光伏发电强依赖于外部气象条件，短期内的剧烈波动会放大供需失衡，增加备用容量需求，并劣化调度决策，最终影响电网可靠性与运行成本。因此，在高比例可再生能源渗透情境下，准确的预测与优化仍是保障电网可靠高效运行的核心。现代能源系统产生的多模态数据流，如SCADA遥测数据、维护日志、操作员记录及天气公报等，超出了传统统计与机器学习方法的处理范畴。在此背景下，以语言为核心的大语言模型（LLMs）成为下一代预测流程中的重要组件，其不仅能处理数值序列，还能理解与推理非结构化或半结构化信息，并通过指令遵循与工具调用支持任务编排、检索与解释。本文明确指出需区分语言预训练的大语言模型与时间序列基础模型，前者侧重于语言理解，后者专注于数值时序建模，厘清这一边界对于准确解读性能增益至关重要。鉴于现有综述缺乏针对LLM特定适配策略及其与文本增强建模结合的专门梳理，本文提出了针对性的研究问题，旨在分析语言中心建模如何提升包含异构数据源与运行约束的可再生能源预测流程。
2. 2.
   综述方法
   本文采用PRISMA指导的结构化文献综述方法，系统梳理了2020至2025年间的相关研究。文献检索覆盖Scopus与Google Scholar数据库，检索词组合涵盖了“大语言模型”、“基础模型”、“指令微调”、“检索增强生成（Retrieval-Augmented Generation, RAG）”及各类可再生能源与电网关键词。筛选过程严格遵循纳入与排除标准，仅保留明确涉及语言中心大语言模型且在风电、光伏或电力负荷需求预测与优化领域具有实质性方法论贡献或实证评估的研究。经过去重与层层筛选，最终纳入226项研究进行基于分类法的综合分析。数据提取框架涵盖了任务定义、预测周期、模型类别、数据模态、适配方法、评估协议及实际考量等多个维度，确保跨研究的系统性比较。
3. 3.
   预测模型背景
   本节明确了三类模型的分类边界：语言中心大语言模型（LLMs）、时间序列基础模型（Time-Series Foundation Models, TSFMs）以及不具备语言预训练能力的Transformer预测器。传统机器学习（如线性回归、支持向量机、随机森林、梯度提升树）与深度学习模型（如人工神经网络、长短期记忆网络LSTM、卷积神经网络CNN）构成了预测的基线，但在分布偏移与稀疏标签场景下表现受限。现代Transformer及混合器（Mixer）类时序预测架构（如Informer、FEDformer、PatchTST、TimeMixer）虽在处理长周期依赖方面表现出色，但不属于语言模型范畴。对比分析表明，传统模型在结构化数值预测上计算成本低且成熟稳定，而LLM赋能的方法则在融合文本、元数据、检索与解释等复杂任务中展现潜力，两者并非互斥，而应根据具体任务特性进行选择。
4. 4.
   LLM赋能与混合方法的应用
   本节详细回顾了LLM在太阳能、风能及负荷需求预测中的具体应用。
   4.1 太阳能预测：研究显示LLM的应用不仅限于直接功率预测，还延伸至光伏面板检测与评估。例如，基于Chronos的时间序列基础模型在特定数据集上实现了零样本预测，并在30分钟预测尺度上较季节性朴素基准显著降低了均方根误差（Root Mean Square Error, RMSE）。结合领域知识的混合框架在小样本场景下表现出色，但需注意区分检测任务的性能提升与发电预测的性能提升。
   4.2 风能预测：研究重点在于时空建模与跨站点泛化。通过微调预训练BERT模型或结合时空提示（Prompt）的GPT-2架构，多项研究在多步预测中报告了优于传统深度学习基线的结果，特别是在零样本迁移至未见过的风电场场景中展现了鲁棒性。
   4.3 负荷需求预测：LLM在处理非传统上下文信息方面优势明显。研究表明，融合社会经济人口文本的模型能有效降低预测误差，而在建筑级负荷的小样本与零样本预测中，基于LLM的适配器方法显著优于对比方法。此外，结合条件风险价值（Conditional Value at Risk, CVaR）的风险感知混合专家模型，将预测误差与下游配电网络运行风险对齐，体现了LLM在决策支持层面的价值。
   4.4 预测模型的共性问题：本节分析了预测周期适用性、不同天气条件下的鲁棒性及模型可解释性。指出LLM主要作为混合管道的一部分，辅助处理文本上下文，而非单纯替代数值预测模型。
5. 5.
   可再生能源中LLM赋能与混合预测管道的跨域能力
   5.1 多模态数据集成：LLM管道的核心作用在于整合SCADA遥测、维护日志与市场文档等非结构化信息，通过模态特定编码器处理后，支持异常解释与决策支持。
   5.2 时空模式学习：复杂的时空依赖主要由时空预测架构与图神经网络捕捉，LLM则负责在此基础上进行上下文推理与解释，而非独立进行物理预测。
   5.3 预测性维护与异常检测：结合数值异常检测输出与维护日志、手册等文本证据，LLM支持故障根源解释与维护建议生成，提升了运维智能化水平。
   5.4 场景建模与决策优化：在不确定性条件下，LLM协助制定“假设”分析场景，将定量的预测与优化结果转化为人类可读的建议与政策感知推理，辅助运营商应对极端天气或市场波动。
   5.5 缓解数据质量问题：利用自然语言理解能力，LLM辅助进行元数据协调、缺失值填补指导及噪声数据处理，提升了输入数据的可靠性。
6. 6.
   挑战、未来方向与实施指南
   6.1 技术挑战：数据质量方面，异构数据源的整合与实时同步仍是瓶颈。模型可解释性方面，黑盒特性阻碍了信任建立，需结合注意力机制、SHAP及物理约束嵌入来增强透明度。计算复杂度与延迟方面，大模型的高资源消耗限制了实时部署，需通过参数高效微调（如LoRA）、模型蒸馏及硬件感知部署来缓解。幻觉风险与不确定性评估方面，必须引入检索增强生成（RAG）与事实核查机制，并强制要求报告概率预测区间与校准指标，以确保安全关键场景下的可靠性。
   6.2 集成挑战：主要涉及与现有SCADA协议、IoT设备流及电网基础设施的兼容性，以及满足不断演变的政策法规与网络安全要求。
   6.3 未来方向：应发展融合物理模型的混合人工智能，提升预测的物理解释性；开发专用的能源领域大语言模型，注入领域知识与物理定律；完善可解释性工具链与交互界面。
   6.4 循证报告指南：为确保研究的可复现性与可部署性，本文提供了标准化的基准测试与报告模板，建议明确报告数据集描述、预测任务、数据切分、基线对比、评估指标、计算硬件、运行指标、鲁棒性检查及部署环境等关键信息。
7. 7.
   结论
   本文综述表明，LLM及相关基础模型在增强可再生能源预测方面展现出潜力，特别是在处理多模态数据与提供决策支持方面。然而，其性能优势并非普遍存在，且受限于具体的数据集与应用场景。当前该领域仍处于早期阶段，面临数据质量、可解释性、计算成本及部署可靠性等多重挑战。未来的研究应致力于建立开放的基准数据集，加强与传统及Transformer基线的公平对比，并重点关注幻觉抑制、不确定性量化及与SCADA系统的低延迟集成，从而将学术研究转化为实际的运营价值。