评估大型语言模型用于强制停电风险预测: 优势及与机器学习的比较

摘要

这项研究在零样本框架下考察大型语言模型（LLM）预测配电网天气相关强制停电风险的能力，无需带标签训练数据。研究将问题设为二元严重度分类，覆盖3h、6h和12h三个预测时距，使用得克萨斯州中部某公用事业服务区6年的停电记录和高分辨率天气数据。4个零样本LLM与2个监督分类器比较，并分别采用当前天气观测和天气预报数据作为输入。结果显示，监督模型在宏平均F1和精确率上优于LLM，但较新的LLM代际取得了有竞争力的分数。除准确性外，LLM在可操作推理和地理可扩展性方面具有互补优势，研究认为将其与监督模型结合可能是最佳实践。