面向电网的天气基础模型

天气基础模型（WFM）最近在全球预测技能上设定了新的基准，但它们对支撑现代社会的天气敏感型基础设施的具体价值在很大程度上仍未被探索。在本研究中，我们在 Hydro-Québec 丰富的资产观测数据档案上微调了 Silurian AI 的15亿参数WFM——生成式预测Transformer（Generative Forecasting Transformer, GFT），这些数据包括输电线路气象站、风电场测风塔流和覆冰传感器，以提供五个电网关键变量的超局部、资产级预报：地表温度、降水、轮毂高度风速、风机覆冰风险以及架空导线上的雾凇覆冰。在6至72小时的预见期上，该定制模型超越了SOTA的NWP基准，将温度平均绝对误差（MAE）降低了15%，总降水MAE降低了35%，风速MAE降低了15%。最重要的是，它在日前雾凇检测中达到了0.72的平均精度分数，这是现有运营系统所不具备的能力，可为潜在的灾难性停电事件提供数小时的可行预警。这些结果表明，WFM在使用少量高保真度数据进行后训练后，可以作为下一代电网弹性智能的实用基础。