1.命题方向
智能计算
2.题目类别
计算类
3.题目名称
时序预测大模型在能源场景中的应用
4.背景说明
【整体背景】
近年来,基于预训练大模型的时序预测技术迅速发展。这类技术通过预训练的大语言模型或在大规模时序数据集上进行预训练,具备了出色的特征提取能力和跨领域适应性,为时序预测领域带来了重要创新。预训练模型在预训练阶段学习到的通用知识和模式,可在多种应用场景中迁移应用并微调适应特定领域,大大提升了预测效果。
时序预测在能源领域的应用尤为广泛,如电力负荷预测、可再生能源发电量预测、设备维护和能源调度等。高效准确的预测技术能够帮助能源企业优化资源配置,降低运营成本,提升系统可靠性和可持续性。然而,实际应用中往往面临领域数据缺乏的挑战。许多场景下的数据稀缺难以获得,或由于特定场景的限制,无法通过人工合成方式生成足够的数据,这导致模型在新领域的直接应用受限。预训练大模型则可以通过迁移学习有效利用已有的通用知识,弥补领域数据不足的问题,为时序预测技术在实际中的落地提供了可能。
【公司背景】
朗新科技集团是一家领先的能源科技企业,长期深耕电力能源领域,聚焦“能源数字化、能源互联网”双轮战略。通过新一代数字化、人工智能、物联网、电力电子技术等新质生产力,服务城市、产业、生活中的能源场景,推动社会绿色发展。朗新科技总部位于江苏无锡,在全国各地设有8大研发中心,业务和分支机构遍及全国31个省市区,为全球1.2万多家政企客户及4.7亿多大众生活用户长期提供技术与运营服务,是中国最大的电力及能源行业关键业务解决方案和服务提供商之一。
【业务背景】
朗新科技深耕电力领域多年,依托数字化技术与平台,支撑电网全环节智慧运行,倾力打造碳业务及市场服务、综合能源服务、市场化售电业务、电动汽车充换电四个核心业务板块,实现负荷柔性调节、源荷双向互动、多能供需协同,全面促进电力市场、碳市场的健康发展。朗新科技在多年的技术积累中,不断提升在时序预测技术上的能力。公司针对电力负荷预测、分时电价预测、风光发电出力预测等多个领域构建了成熟的时序预测模型,结合大数据与人工智能算法,实现了对复杂电力系统中多维度数据的高精度预测。这些时序预测技术不仅应用于电力负荷和电动汽车充换电领域,还支撑了碳市场交易和综合能源管理,为用户提供了智能化的预测分析,助力电力系统的智慧化升级和电力市场的高效运行。
5.项目说明
【问题说明】
在能源行业中,应用大模型技术对提升预测精度具有重要意义,特别是在风光发电预测、能源交易、电网负荷预测及充电量预测等关键领域。高精度的预测结果对于能源资源的高效配置与运营管理起到支撑作用,能够助力企业实现科学决策与资源优化。然而,部分业务场景中,数据量较少且数据质量参差不齐且难以人工构造,为预测带来了显著挑战。预训练大模型凭借其在海量数据上获得的通用知识和模式识别能力,可以在数据稀缺的情况下实现精确预测,有效提升模型对特定场景的适应性和预测效果,为智能化的能源管理提供了有力保障。
【用户期望】
用户期望通过采用先进的时序预测大模型技术提升在风光发电量预测、能源交易、电网负荷预测和充电量预测等能源相关领域的预测精度。针对不同使用场景,模型需在数据较少、数据质量参差不齐的情况下依然具备良好的适应性,确保在多变的环境中实现精确预测。
6.任务要求
【开发说明】
基于时序预测大模型技术,实现能源场景下的高精度预测。能源场景包括但不限于风光发电预测、能源交易、电力负荷预测、充电量预测等能源相关的领域。参赛队伍可自由设计或选择模型和实现方式。
【技术要求与指标】
(1)采用基于时序预测大模型。参赛队伍可自由设计或选择模型,包括但不限于大语言对齐的时序模型、时序数据预训练大模型。可以选择进行微调或zero-shot推理等方式;模型参数量: <= 8B(建议在1B~5B之间),为便于在产业中实际应用,模型尺寸不宜太大,尽量降低部署成本;
(2)模型支持多变量,包括预测目标变量,协变量和未来已知变量(如时间,气象预报);
(3)模型需支持多种输出预测长度,以满足多样化的场景需求;
(4)需要与当前主流的非大模型时序预测模型进行对比,体现提出方案在解决领域问题上的优势;
(5)模型评估:
① 评估模型性能的指标使用:MAE↓, MSE↓ ,使用标准差归一化后的数据评估。
② 评测的数据和方式采用TFB,评测数据为能源相关的子集,具体包括:
③ 参赛模型的结果与当前SOTA的模型结果进行对比排名,计算得分, 得分越高越好,计算方式采用以上TFB评测基准,建议参与对比的模型集为(可选择其中几个):
Index |
Model |
Publication |
Year |
1 |
Pathformer |
ICLR [bib] |
2024 |
2 |
iTransformer |
ICLR [bib] |
2024 |
3 |
PatchTST |
ICLR [bib] |
2023 |
4 |
Crossformer |
ICLR [bib] |
2023 |
5 |
DLinear |
AAAI [bib] |
2023 |
6 |
FiLM |
NeurIPS [bib] |
2022 |
7 |
TimeMixer |
ICLR [bib] |
2024 |
8 |
Triformer |
IJCAI [bib] |
2022 |
9 |
FITS |
ICLR [bib] |
2024 |
10 |
NLinear |
AAAI [bib] |
2023 |
【提交材料】
(1)项目概要介绍;
(2)项目简介 PPT;
(3)项目详细方案;
(4)项目演示视频;
(5)企业要求提交的材料:
①项目详细技术方案文档:详细描述算法实现的技术方案及原理;
②方案DEMO;
③方案的评估文档。
(6)团队自愿提交的其他补充材料。
【任务清单】
(1)深度学习模型调研;
(2)模型实现及优化改进;
(3)根据规定数据格式,实现推理接口;
(4)模型的效果评估。
【开发工具与数据接口】
自选
7.其他
无
8.参考信息
时序预测算法大全 ddz16/TSFpaper(github), 包含论文集配套工程,常用时序预测算法库等。
9.评分要点
赛题评分要点见附件一:A 类企业命题初赛统一评分标准。
除以上评分要点内容外,企业还重点关注命题的完成度,包含基础实现、优化与扩展、高级应用与创新,关注比例为4:3:3,具体如下:
(1)基础实现
① 任务要求:
A.完成深度学习模型的调研,并选择一种基于时序预测的大模型进行实现;
B.模型需支持多变量输入,包括预测目标变量、协变量和未来已知变量;
C.实现基本的推理接口,能够处理规定的数据格式。
② 关注要点:
A.模型选择与设计:选择的模型是否合理,是否适合能源场景下的时序预测;
B.多变量支持:模型是否能够正确处理多变量输入,包括目标变量、协变量和未来已知变量;
C.推理接口实现:推理接口是否稳定可靠,能够处理规定的数据格式;
D.基本功能展示:通过项目演示视频展示模型的基本功能和效果;
E.文档与PPT:项目概要介绍、项目简介PPT是否清晰明了,能够准确传达项目内容和目标。
(2)优化与扩展
① 任务要求:
A.在基础实现的基础上,对模型进行优化和改进,提高预测精度和效率;
B.模型需支持多种输出预测长度,以满足多样化的场景需求;
C.实现与当前主流的非大模型时序预测模型的对比实验,展示提出方案的优势。
② 关注要点:
A.模型优化与改进:模型优化是否合理有效,是否显著提高了预测精度和效率;
B.多种输出预测长度支持:模型是否能够根据需求灵活调整输出预测长度;
C.对比实验与优势展示:对比实验设计是否合理,是否能够准确展示提出方案在解决领域问题上的优势;
D.文档与PPT:项目详细方案、评估文档是否详细完整,能够准确反映项目的优化和改进过程。
(3)高级应用与创新
① 任务要求:
A.在优化与扩展的基础上,进一步探索模型的高级应用和创新点。例如,结合气象预报数据、能源交易策略等进行综合预测和分析;
B.实现更加复杂和实用的推理接口,支持实时数据输入和动态预测;
C.提交额外的补充材料,如算法实现的技术方案及原理的详细描述、方案DEMO等。
② 关注要点:
A.高级应用与创新点:高级应用是否切实可行,创新点是否独特且有价值;
B.复杂推理接口实现:推理接口是否支持实时数据输入和动态预测,是否稳定可靠;
C.补充材料质量:算法实现的技术方案及原理描述是否详细清晰,方案DEMO是否直观有效;
D.整体效果与展示:项目演示视频、项目详细技术方案文档等整体效果是否优秀,是否能够准确传达项目的创新点和价值。