A Weather Foundation Model for the Power Grid

📄 arXiv: 2509.25268v1 📥 PDF

作者: Cristian Bodnar, Raphaël Rousseau-Rizzi, Nikhil Shankar, James Merleau, Stylianos Flampouris, Guillem Candille, Slavica Antic, François Miralles, Jayesh K. Gupta

分类: cs.LG, cs.AI, physics.ao-ph

发布日期: 2025-09-28

备注: 31 pages, 22 figures

💡 一句话要点

针对电网的定制化天气预报基础模型，提升极端天气事件预警能力。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 天气基础模型 电力系统 超本地化预报 极端天气预警 霜冰检测

📋 核心要点

  1. 现有天气预报模型在电力基础设施应用中精度不足，尤其在极端天气事件的超本地化预测方面存在挑战。
  2. 论文通过微调大型天气基础模型GFT，并结合电力资产观测数据，实现对电网关键变量的精准预测。
  3. 实验结果表明，该模型显著提升了温度、降水和风速的预测精度，并在霜冰检测方面取得了突破性进展。

📝 摘要（中文）

本研究探索了天气基础模型(WFMs)在电力系统中的应用价值。通过在Hydro-Québec的资产观测数据（包括输电线路气象站、风电场气象塔数据和覆冰传感器）上微调Silurian AI的15亿参数WFM——生成式预报Transformer(GFT)，为五个电网关键变量提供超本地化、资产级预报：地表温度、降水、轮毂高度风速、风力涡轮机覆冰风险以及架空导体上的霜冰积聚。在6-72小时的提前期内，该模型超越了最先进的数值天气预报(NWP)基准，温度平均绝对误差(MAE)降低15%，总降水量MAE降低35%，风速MAE降低15%。最重要的是，它在提前一天的霜冰检测中达到了0.72的平均精度，这是现有运行系统所不具备的能力，为潜在的灾难性停电事件提供了数小时的可操作预警。结果表明，经过少量高保真数据后训练的WFMs可以作为下一代电网弹性智能的实用基础。

🔬 方法详解

问题定义：论文旨在解决电力系统中对超本地化、高精度天气预报的需求，特别是针对极端天气事件（如覆冰）的预警。现有数值天气预报(NWP)模型在资产级别的预测精度不足，无法为电网的运行和维护提供充分的支持。现有方法难以准确预测输电线路和风力涡轮机等关键基础设施周围的局部天气状况，导致对潜在风险的预警能力有限。

核心思路：论文的核心思路是利用大规模天气基础模型(WFM)的强大泛化能力，通过在特定电力资产的观测数据上进行微调，使其适应超本地化的预测需求。这种方法结合了WFM的全局天气知识和局部高精度观测数据，从而实现更准确的预测。通过微调，WFM能够学习到与电网资产相关的特定天气模式和风险因素。

技术框架：整体框架包括以下几个主要步骤：1) 选择一个预训练的天气基础模型（GFT）。2) 收集Hydro-Québec电力资产的观测数据，包括气象站、风电场气象塔和覆冰传感器的数据。3) 使用收集到的数据对GFT进行微调，使其适应电网相关的预测任务。4) 评估微调后的模型在不同预测任务上的性能，并与现有NWP基准进行比较。

关键创新：该研究的关键创新在于将天气基础模型应用于电力系统，并展示了其在超本地化天气预报方面的潜力。与传统的NWP模型相比，WFM具有更强的泛化能力和学习能力，可以通过少量的高质量数据进行微调，从而实现更高的预测精度。此外，该研究还首次提出了利用WFM进行霜冰检测的方法，为电网的运行和维护提供了新的工具。

关键设计：论文使用了Silurian AI的15亿参数生成式预报Transformer(GFT)作为天气基础模型。微调过程中，使用了Hydro-Québec的资产观测数据，包括输电线路气象站、风电场气象塔数据和覆冰传感器数据。模型针对五个电网关键变量进行预测：地表温度、降水、轮毂高度风速、风力涡轮机覆冰风险以及架空导体上的霜冰积聚。评估指标包括平均绝对误差(MAE)和平均精度(AP)。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，微调后的GFT模型在多个关键指标上超越了现有NWP基准。温度MAE降低15%，总降水量MAE降低35%，风速MAE降低15%。最重要的是，该模型在提前一天的霜冰检测中达到了0.72的平均精度，为电网提供了数小时的预警时间，这在现有运行系统中是无法实现的。

🎯 应用场景

该研究成果可应用于电力系统的智能运维、风险评估和灾害预警。通过提供精准的超本地化天气预报，可以帮助电网运营商更好地管理电力资产，优化运行策略，降低极端天气事件造成的损失。未来，该技术还可扩展到其他对天气敏感的基础设施领域，如交通运输、通信和水利等。

📄 摘要（原文）

Weather foundation models (WFMs) have recently set new benchmarks in global forecast skill, yet their concrete value for the weather-sensitive infrastructure that powers modern society remains largely unexplored. In this study, we fine-tune Silurian AI's 1.5B-parameter WFM, Generative Forecasting Transformer (GFT), on a rich archive of Hydro-Québec asset observations--including transmission-line weather stations, wind-farm met-mast streams, and icing sensors--to deliver hyper-local, asset-level forecasts for five grid-critical variables: surface temperature, precipitation, hub-height wind speed, wind-turbine icing risk, and rime-ice accretion on overhead conductors. Across 6-72 h lead times, the tailored model surpasses state-of-the-art NWP benchmarks, trimming temperature mean absolute error (MAE) by 15%, total-precipitation MAE by 35%, and lowering wind speed MAE by 15%. Most importantly, it attains an average precision score of 0.72 for day-ahead rime-ice detection, a capability absent from existing operational systems, which affords several hours of actionable warning for potentially catastrophic outage events. These results show that WFMs, when post-trained with small amounts of high-fidelity, can serve as a practical foundation for next-generation grid-resilience intelligence.