基于条件扩散模型的大语言模型驱动新能源出力场景生成方法OA

新能源大规模并网背景下,出力场景的准确表征是量化不确定性的关键。虽然深度学习模型在捕捉复杂分布方面具有优势,但其性能高度依赖超参数设置,而贝叶斯优化等数值驱动寻优方法存在冷启动困难、收敛速度慢等问题,难以满足日前调度对时效性的严苛要求。为此,文中提出大语言模型驱动下基于条件扩散模型的新能源出力场景生成方法。首先,构建适用于电网侧新能源出力场景生成的条件扩散模型,嵌入条件信息隐式学习新能源实际出力的条件概率分布,并基于马尔可夫链生成场景集。其次,提出大语言模型驱动的思维链寻优框架,利用大语言模型的语义推理能力分析训练状态,在极低计算预算下快速锁定最优参数区间。中国西南某省实例验证表明,所提方法在场景生成精度和寻优效率上表现出显著优势,生成场景集的平均欧氏距离较传统方法提升约30.7%,即便在仅允许10次迭代的极少计算预算下,仍可进一步提升约1%的精度。同时,该方法有效增强了调度决策的可靠性和系统运行的稳定性,为高效、多场景的电力系统调度提供了有力支持。