基于大語言模型的低碳電力市場發展應用前景

曹 祎，張 莉，郭 靜，李 楠，齊劍川，陳皓軒，趙潤彤

（1.北京信息科技大學信息管理學院，北京 100192；2.清華大學，北京 100084）

0 引言

隨著全球環境問題日益嚴峻以及“雙碳”目標的提出，低碳電力市場的發展已成為各國共同關注的焦點[1]。盡管中國在電力市場體系的形成和可再生能源產業的發展方面已取得顯著進展，但低碳轉型過程中仍面臨諸多挑戰，如電源結構調整、電力系統靈活性不足以及市場體制改革的滯后。傳統的研究方法和工具在應對這些復雜性和不確定性方面顯得力不從心[2]。一方面，傳統的數值模擬和優化方法難以精準捕捉電力系統的非線性和多維特性[3]，導致難以有效滿足電網系統的運行需求[4]；另一方面，現有方法在跨學科綜合分析和全面系統評估方面存在缺陷，難以全面反映和解決系統層面的復雜問題。

本研究旨在探索新的解決方案，特別是利用大語言模型（Large Language Models，LLMs）的潛力來應對這些挑戰。LLMs 如GPT-3（Generative Pre-Trained Transformer）[5]，T5（Text-to-Text Transfer Transformer）[6]，BERT（Bidirectional Encoder Representations from Transformers）[7]和GPT-4[8]等，在自然語言處理領域已取得顯著進展。這些模型能夠自動學習和理解復雜的語言規律，具備處理和分析大規模數據的能力。我們特別關注將LLMs 應用于低碳電力市場中的可能性，如電力系統優化、技術創新和市場優化，以促進數據處理和分析的能力，提供決策支持，并發掘新的見解和創新點。

本研究的主要貢獻在于明確提出使用LLMs 來解決低碳電力市場中的一系列具體問題，采取的方法不僅包括對LLMs 進行全面的分析和評估，還涉及到在電力系統優化、技術創新和市場優化等多個方面的實際應用探索。本研究的目的是為低碳電力市場提供全新的視角和思路，幫助決策者和研究人員更深入地理解市場所面臨的挑戰，并探討LLMs 在該領域的應用潛力和前景。通過這種方式，我們期望為低碳電力市場的發展提供有力的支持和創新方案。

1 低碳電力市場發展現狀及挑戰

中國政府近年來高度重視低碳發展，出臺了一系列政策文件和行動方案，旨在推動能源體系轉型，實現碳達峰和碳中和的目標。在這一背景下，電力市場作為能源消費和排放的關鍵環節，對于實現碳中和具有重要作用。

1.1 我國低碳電力市場發展情況

低碳電力過渡是實現碳中和目標的關鍵步驟。在低碳轉型背景下，中國的電力市場已初步形成了多層次、覆蓋區域和時間周期的市場體系，包括電力中長期交易和現貨交易[9]。截至2022 年，中國市場化交易電量已達到5.25×109MWh，同比增長39%，其中可再生能源交易份額占比顯著提高。此外，輔助服務市場的試運行促進了水電消納和跨區調峰，區域電力現貨市場的試運行實現了區域間的交易。展望未來，中國電力市場將進一步發展，增加現貨交易的品種和頻率，加速新能源電力進入市場交易階段，擴大綠電綠證交易規模，推動儲能技術和智能電網建設。這些舉措將為低碳電力過渡提供基礎和支持。

盡管低碳電力市場已取得了一定的進展，但在實現碳中和目標的過程中仍然存在諸多困難和問題。

1.2 主要困難及問題

1.2.1 電源結構調整困難

新型低碳電力系統面臨的難點是大規模消納可再生能源。我國西北地區風光水資源豐富，但受地理、技術和政策等因素影響，消納能力有限。電力系統調峰能力不足導致大量可再生能源無法輸送至負荷中心，資源利用率低，可再生能源替代效果受限。此外，我國電源結構長期以來以煤炭發電為主[10]，盡管可再生能源裝機比重持續增加，但與傳統電源相比，電力支撐能力差距較大，煤電地位難以撼動[11]。在儲能大規模商業化前，煤電在保障電力系統安全穩定運行和促進可再生能源消納方面具重要作用[11]。過快退出煤電將對電力供應安全產生重大影響。

1.2.2 電力系統靈活性不足

實現高比例可再生能源消納和穩定運行的關鍵是開發利用靈活性資源。不過，我國尚未充分挖掘靈活資源潛力。煤電靈活性改造滯后，清潔能源靈活性資源供應不穩定?，F有煤電廠設計和技術難以滿足靈活調節需求，改造需要大量投入，面臨經濟和技術挑戰。同時，可再生能源富集區電網側互聯互通水平有限、儲能側靈活性資源規?；幻黠@[12]。隨著“雙碳”目標的要求增加，高比例新能源并網容量需求逐年攀升，常規煤電等被替代。同時，電力需求卻持續增加，導致電力系統靈活性要求日益增加[13]。但高比例新能源接入存在發電連續性差、地理位置限制和短期過?；蚨倘钡葐栴}[12]，系統調峰容量、備用容量和爬坡容量不足普遍存在。整體來說，目前我國源-網-荷-儲的靈活性資源不足以支撐含高比例可變可再生能源的電力系統靈活性需求。

1.2.3 儲能和智能電網建設不足

儲能技術是解決可再生能源大規模消納問題的關鍵[14]，但目前仍存在規模、成本和性能挑戰。盡管電池技術有所進步，但仍存在成本高、能量密度低、壽命短和環境影響等問題[13]。儲能技術的實現價格取決于電力市場提供的價格信號和補償機制，但當前電力市場建設不完善，未能充分補償儲能技術提供的調頻、備用容量等輔助服務，缺乏穩定的經濟激勵，導致儲能項目投資風險較大[15]。

智能電網建設是提高電力系統靈活性的重要途徑[16-17]，但在我國的發展仍然相對滯后。雖然已經展開了一系列智能電網試點項目，但在整體規模和深度方面還有很大的提升空間。智能電網發展面臨的挑戰包括技術更新換代、標準和規范體系建設、數據安全與隱私保護等多方面問題[18-19]。此外，智能電網建設需要大量資金投入，但由于當前我國電力體制改革尚未完全到位，投資主體和利益相關方尚未形成完全一致的利益訴求，導致智能電網建設推進緩慢。

1.2.4 電力市場體制改革需要加快

考慮到中國計劃與市場長期并存、資源大范圍配置需求突出、新能源迅速發展的國情[9]，中國電力市場建設還面臨著以下挑戰：（1）價格形成機制；（2）電力市場與機制之間的銜接。

價格形成機制是電力市場的核心與關鍵[20]。傳統的定價機制未能充分考慮電力需求彈性[21-22]，中長期分時段電價與現貨市場價格之間的銜接問題[21]，與新能源特點和市場需求不相符[23]。建立更靈活、市場化的電力定價機制，反映供求關系和能源成本，加強電力交易市場功能，提高價格發現能力和融資功能，促進市場競爭和參與。

加強電力市場與機制之間的銜接至關重要。中國的能源分布和可再生能源需求決定了省間和省內市場的兩級運作[9]，需要有效的跨省和跨區電力交易來確保資源的分配和供應[24]。同時，存在多個并行的可再生能源市場化機制，如綠證交易、綠電交易和碳交易，推動可再生能源發展但也帶來了問題和挑戰，如證電關系混亂、環境價值重復計算以及并行市場可能影響效率和效果[23，25]。

2 大語言模型簡介與應用潛力

在全球范圍內，低碳電力市場的發展及其所面臨的挑戰日益受到重視。在這一背景下，LLMs 這一人工智能技術被認為是應對這些挑戰的有效工具，有望為解決相關問題提供創新的解決方案。

2.1 大語言模型簡介

LLMs，如GPT-3[5]，T5[6]，BERT[7]，GPT-4[8]等，是基于深度神經網絡的先進人工智能模型。這些模型通過對海量文本數據的深入學習，掌握了豐富的語言知識和復雜的語法規則，具備了解讀和生成人類語言的能力。特別值得一提的是OpenAI 繼GPT-4 推出后發布的最新大型語言模型GPT-4 Turbo，它不僅能夠處理高達128，000 個tokens，而且預計將支持圖像輸入，表現出更廣泛的一般知識和高級推理能力。這些模型的基礎構架為Transformer 架構[7]，其核心機制是自注意力，使得它們在處理各類自然語言任務時表現出色[26]。

LLMs 的主要優勢在于其卓越的泛化能力和靈活性。它們通過大規模的預訓練，形成了一個全面的語言知識庫[5]，能夠理解和生成各種類型的文本。與傳統自然語言處理模型相比，LLMs 無需針對每個特定任務進行繁復的監督學習。它們能夠借助少量提示，在各種任務中靈活適應，從文本摘要到情感分析，再到語言生成等復雜任務，都能高效處理[27-28]。這種快速適應的能力，加上對語境和細微差別的敏銳把握，使得LLMs 在多樣化的應用場景中具有獨特的優勢。

2.2 LLMs應用潛力

LLMs 在自然語言處理領域展現出強大的能力及廣泛的應用潛力[29]。為滿足特定領域需求，采用領域專業化的方法變得尤為重要[30]。通過對LLMs進行微調（Fine-tuning），可以根據特定領域的數據和任務需求調整模型的內部參數，提高在該領域的性能。例如，在語法糾錯領域，GrammarGPT[31]使用LLMs 進行微調能顯著提高模型在糾正語法錯誤方面的性能，尤其是在利用少量標注數據進行訓練時。此外，Instruction Tuning[32]和LLM-Adapters[33]等方法展現了微調LLMs 以適應特定領域的多樣策略，突出了在保持模型靈活性的同時提升特定任務性能的重要性。

精準有效的提示語設計（Prompt Engineering）對基于LLMs 的應用同樣至關重要。這些提示語作為與模型交互的橋梁，不僅幫助模型理解用戶的意圖，還決定了模型輸出的方向和質量[34]。適當設計的提示語可以有效地“激活”預訓練模型中的知識，從而針對特定任務生成更準確的輸出[34]。在專業領域中，準確而精心設計的提示語尤為重要，因為它們直接影響模型在特定任務上的表現和輸出的專業水平。例如，在醫療診斷領域，精心設計的提示語可以使LLMs 基于臨床數據和病例描述提供更準確的醫療建議[35-36]。此外，像AutoPrompt[37]這樣的自動生成提示語技術，能夠無需額外微調，即可提高LLMs 在各領域的應用效果。

整合外部知識庫和工具以提高LLMs 在專業領域應用的效率和準確性是至關重要的。在這一過程中，語義嵌入（Semantic Embedding）技術通過將文本、圖片、視頻、音頻等內容轉換成數值向量，匹配相似的語義內容，使LLMs 能夠更有效地處理專業領域的語言和概念。例如，LLMs 可以整合法律數據庫[38]，利用語義嵌入相關案例或法律條文，構建1 個法律領域專業知識庫，從而提供專業咨詢、案例分析以及法律條文溯源。此外，為了應對需要廣泛背景知識的復雜查詢，可以借助檢索增強生成（Retrieval Augmented Generation，RAG）技 術[39]。RAG 通過結合信息檢索組件和文本生成模型，允許LLMs 根據查詢從外部知識源檢索相關文檔，增強其回應的事實一致性和準確度。這種方法特別適用于知識更新迅速或需要持續監測的領域。再通過整合外部接口[40]，如應用程序編程接口（Application Programming Interfaces，APIs），LLMs 可以直接與外部系統和數據庫進行交互，有效處理實時任務。語義嵌入在搜索和信息檢索中顯示出其快速、高效的優勢，對處理復雜查詢尤為重要，顯著提升LLMs 在多個領域的應用能力。

集成智能體（Agents）和思維鏈（Chain of Thought）等概念的應用可以提升LLMs 在任務執行中的動態響應和決策支持能力[41]，為通用人工智能（Artificial General Intelligence，AGI）的實現提供了一種前瞻性的路徑[42]。長期以來，智能體被視為實現AGI 的關鍵組成部分，因為它們能夠通過自我指導的規劃和行動高效完成各種任務[43]。這些智能體能模擬專家的決策過程，自動執行復雜任務，而思維鏈則為模型提供結構化和邏輯化的推理路徑[44]。更進一步地，集成多智能體協作可有效處理復雜的系統級任務，提高任務執行效率，增強解決方案的清晰度和可解釋性[45]。在這種框架下，每個智能體可以被專門化以處理特定的子任務或領域，共同協作以達成更大的目標。在處理復雜問題的場景中，通過將問題分解為更小的語言序列，即“思維鏈”，可以簡化問題并逐步推進，從而達成最終的解決目標。不同的智能體可能各自承擔信息收集、數據分析、策略規劃和執行控制等任務，它們的輸出相互依賴，形成1 個強大的協作網絡。例如，ChatDev[46]提出了1 個端到端的框架，多個智能體通過自然語言的對話交流與合作，共同完成了軟件開發的整個生命周期。

綜合應用這些專業化方法，能夠使LLMs 更好地適應特定領域任務，提高其準確性和適應性。在醫學[47-50]、教育[51-52]、計算機科學領域[46，53]、學術研究[54]、經濟學[55]、建筑學[56]等多個領域，LLMs 已展現出廣泛的應用潛力。在低碳電力市場，LLMs 也有著重要的應用前景，可提供高質量解決方案、個性化服務，優化工作流程，節省時間和資源。尤其在電力系統優化和推動創新技術、市場優化方面，LLMs 可以發揮關鍵作用。圖1 為基于大語言模型的低碳電力市場應用前景。

圖1 基于大語言模型的低碳電力市場應用前景Fig.1 Future applications of large language models in low-carbon electricity market

3 基于LLMs驅動電力系統優化

3.1 電源結構調整方案模擬和優化

實現電力系統低碳轉型的關鍵環節之一是電源結構的調整。在這一過程中，LLMs 的應用，尤其是集成智能體的運用，在電源結構調整方案的設計和評估方面展現出顯著的潛力。這些基于LLMs 的智能體不僅能全面評估和比較不同方案的影響，還能為決策者提供精準的策略支持。智能體的設計融合了精準有效的提示語設計，允許其在綜合考慮技術參數、發電能力、成本效益及環境影響等多重因素的同時，還可通過語義嵌入技術處理文本、圖像及廣泛的知識庫資源，進而提供全面而精確的方案評估。

電源結構和市場需求的特定需求可以通過對LLMs 進行微調來滿足，這一過程提高了LLMs 在特定環境下的適用性和準確度度[5]。此外，基于思維鏈的方法分解任務，設計智能體能夠逐步分析和評估影響電源結構的各個因素，并在復雜的決策框架中進行優化，提供深入的策略和調整建議。

基于LLMs 的預測和規劃工具，結合微調、語義嵌入等方式，可以整合諸如負荷模型、季節性變化、特殊事件和行為模式等多種因素，以精確預測未來負荷需求?；赥ransformer 架構的深度學習能力[7，26]使基于LLMs 的預測和規劃工具能夠捕捉復雜數據模式，從而提供高精度的預測[29]。同時，設計智能體有效利用預測數據，通過模擬不同運行場景，為電力系統的可持續發展提供策略支持。

3.2 提升電力需求預測的效率和準確性

電力需求預測直接影響電力企業的運營效率和能源分配。目前，利用LLMs 進行電力需求預測表現出顯著的潛力和優勢。特別是通過語義嵌入技術，可以構建包含電力歷史負荷數據的綜合性知識庫?；谔崾菊Z設計和語義向量相似度匹配的電力需求預測，能夠有效地從大量歷史數據中檢索并提取最相關的樣本，進而訓練高效的預測模型。例如，通過整合檢索增強生成技術，即將用戶輸入的信息和相關的預測樣本融入到LLMs 中，以增強模型生成的響應或答案。

此外，LLMs 的應用不僅局限于處理傳統文本數據，它們能夠從政策變動、技術進步趨勢、氣候變化等多維度信息源中提取關鍵信息，進而為電力需求預測提供更全面的視角。通過結合智能體和思維鏈的方法，LLMs 能夠進行更深層次的數據分析和整合，從而提供更精確和細致的預測結果。

在捕捉電力需求的復雜非線性關系方面，LLMs通過其深度學習和自注意力機制，能夠有效學習和理解語言結構及其語義[57]。這一點在電力需求預測中尤為關鍵，因為需求往往受到多重因素的影響，且關系復雜。值得注意的是，通過有效的提示語設計，即使在數據稀缺的情況下也能展現出強大的預測能力。它們能夠利用預訓練的知識和大規模語料庫中的信息來填補數據的空白，有效預測那些數據不足區域的電力需求。這對于一些數據記錄不完整的新興市場或特殊情況下的電力需求預測尤為重要，提高了預測的全面性和準確性。

3.3 電力系統風險預警

在電力系統管理中，基于LLMs 的風險預警和異常檢測發揮著至關重要的作用。這種方法能夠及時識別并響應可能發生的故障和事故，極大地減少由人為操作失誤引起的系統波動和風險。

通過分析歷史數據中的模式和趨勢，LLMs 可以有效地識別潛在的異常狀況。例如，采用基于日志的異常檢測方法如NeuralLog[58]，能夠從日志中提取語義向量，并利用基于Transformer 架構的分類模型來捕獲上下文信息，實現精確的異常檢測。這種能力對于及時發現并預警電力需求的異常波動至關重要，有助于防止電力供應中斷、設備損壞以及系統失效。

引入外部知識庫，基于LLMs 的電力系統實時監測和動態風險評估能夠結合最新的數據輸入和實時更新的信息，如天氣預報、市場動態和運行日志。知識庫數據的持續更新可以通過LLMs 智能體的設計來實現，使系統能夠不斷學習和迭代，以收集最新數據。這種實時監測和預測能力使得電力系統運維團隊能夠更迅速地識別潛在問題，預防意外事故的發生，提高整個電力系統的安全性和穩定性。

LLMs 的多領域知識綜合能力使其能夠提供跨學科的見解和創新解決方案?；贚LMs 的工具不僅能夠考慮電力系統的物理特性和設備工作狀態，還能夠整合數據分析、機器學習和人工智能領域的知識，為電力系統的風險預測和預防提供更準確且全面的支持。例如，分析電力系統的拓撲結構、輸電線路損耗和穩定性約束等因素，為系統優化提供有針對性的建議，并在故障診斷和預防方面提供先進的技術支持。

4 基于LLMs 推動技術創新與市場優化

4.1 儲能技術研發

儲能技術研發領域中，文獻檢索與篩選是1 個關鍵環節，特別是在處理和分析大量復雜數據時。在這方面，基于大語言模型（LLMs）和向量檢索引擎的應用展現出其獨特的價值。這些工具能夠高效地管理和處理來自不同來源的海量數據，為科研人員提供快速而準確的信息訪問途徑。例如，在一項關于數據驅動材料研究的未來發展方向的研究中，提到了ChatGPT 這種LLM 在材料信息提取方面的潛在應用，凸顯了LLMs 在科研領域的潛力[59]。利用LLMs 和向量檢索引擎，研究人員可以迅速地從龐大的學術資料庫中篩選出與特定儲能技術相關的文獻。這些工具不僅能夠理解復雜的查詢語句，還能夠根據研究人員的具體需求提供定制化的信息。

在數據處理和分析方面，有效的提示語設計可以有效地過濾掉重復信息、虛假新聞和廣告內容，確保搜索結果的純凈性和高質量。這對于研究人員在競爭激烈且快速發展的儲能技術領域中快速獲取準確、可靠信息至關重要。此外，LLMs 的語境理解能力和上下文處理能力，使它們能夠提供更精確、更相關的搜索結果。這不僅提升了搜索效率，也使研究人員能夠更快地獲取到最合適的信息，加速科研創新和技術發展。

特別值得注意的是，引入檢索增強生成技術[60]為科研人員提供了額外優勢。這種技術結合了信息檢索和答案生成的功能，使得基于LLMs 的文獻檢索工具不僅能夠找到與查詢最相關的文獻，還能基于這些文獻生成綜合性的答案或洞見，為科研人員的信息獲取和分析提供更深層次的支持。這種方法特別適用于處理復雜的科學問題，如儲能技術的新材料探索和性能分析，有效提高了科研工作的深度和廣度。

4.2 智能電網建設

在智能電網建設領域，LLMs 的應用扮演著至關重要的角色，特別是在以下幾個關鍵運營領域。

1）智能能源調度與管理知識庫的構建。LLMs的應用可以有效地整合和分析電力系統和交通系統的數據，包括能源市場信息和用戶需求。這種知識庫的構建不僅幫助理解復雜的能源數據，還支持智能能源調度的決策過程。通過語義嵌入技術，可以有效組織和理解這些數據，為能源調度提供有力支持。

2）基于LLMs 的分布式能源管理與協調。在智能電網中，分布式能源如太陽能、風能及儲能系統對適應變化的需求、確保電力系統高效、合理運行至關重要。通過對LLMs 的參數進行微調，可以根據特定電網的需求和特性調整模型，以更好地適應特定運營場景。這種微調使模型能夠在智能能源調度與管理知識庫的支持下，更加精確地分析能源的產生和消費情況，預測潛在的波動性，并據此制定有效的能源調度策略。

3）基于LLMs 的智能化電力系統管理平臺設計與建設。LLMs 與統一的API 接口相結合，能實現與現有監控和控制系統的無縫聯通，構建全面且智能化的電力系統管理平臺。在系統整體設計、開發框架選擇以及代碼開發等方面，LLMs 提供關鍵支持，從分析系統要求到提供技術解決方案，再到加速開發進程和提升代碼質量，LLMs 在這些方面都發揮著重要作用。

4）智能體和思維鏈概念的應用。在智能電網建設中，利用智能體和思維鏈的概念可以進一步提升系統的效能。智能體模擬電網操作者的決策過程，自動執行復雜任務。思維鏈為模型提供結構化和邏輯化的推理路徑，在決策過程中考慮更多變量和可能性，實現更精確和全面的電網管理。

4.3 電力市場規則優化

在電力市場規則優化領域中，LLMs 展現了其獨特的價值，尤其是在深入分析市場趨勢、優化交易策略、整合外部知識庫以及應用智能體和思維鏈技術方面。利用微調技術和精準的提示語設計，LLMs 能夠深入地分析電力市場的各種動態，包括能源價格波動、需求預測，以及可再生能源的市場滲透情況。這些模型利用歷史數據和實時市場信息進行深度學習，預測市場變化，為制定合理的市場策略提供關鍵支持。

在電力交易優化方面，基于LLMs 的應用通過分析供需關系、交易模式和用戶行為，提供高效的交易策略和價格優化方案。這種分析有助于優化電力市場的交易規則和定價機制，確保市場的公平性和效率。此外，通過整合政策法規、市場研究報告以及國際能源動態等外部知識庫，LLMs 能夠提供更廣闊的視角，幫助理解和適應市場的變化，為市場規則的優化提供數據支持。

基于智能體的智能能源調度與管理中，LLMs的應用通過集成智能體技術，可以模擬市場分析專家的決策過程，自動化地執行復雜的市場分析任務。結合思維鏈技術，這些模型能夠邏輯化地處理復雜問題，提供結構化的市場分析和預測，幫助制定更有效的市場策略。這種方法特別適合處理復雜的市場規則優化問題，如電力定價、需求響應策略以及市場入場規則等。

5 結論

本文探討了LLMs 在低碳電力市場中的潛在應用。首先概括了中國電力市場的現狀和挑戰，然后分析了基于LLMs 的調整電源結構、預測電力需求、異常檢測和技術創新等方面的優勢和應用。盡管基于LLMs 的方法能為電力系統低碳轉型和實現“雙碳”目標提供關鍵支持，但需關注其潛在風險和局限性，并采取適當措施確保其在低碳電力市場的安全可靠運用。

LLMs 的訓練和運行需要大量的計算資源，這可能導致顯著的能耗和環境影響。此外，LLMs 在處理數據時可能反映其訓練數據的偏見，這可能影響其生成內容的公正性和準確性。同時，在處理敏感數據時，可能存在隱私泄露的風險[61]，如基于GPT-3 的密鑰泄露[62]、欺詐或惡意軟件[61]等?；贚LMs 的應用還可能生成誤導性、攻擊性[28]或違法違規[63]的內容，增加信息安全和道德風險。應對這些挑戰，建議持續研究和開發知識蒸餾[64]、模型壓縮[65]等技術，以提高模型的計算效率和降低能耗。同時，加強對訓練數據的清洗和公平性評估至關重要，以減少人類偏見對模型輸出的影響，并開發可靠的內容控制技術[66]和模型評估框架[67]等工具。

本研究的核心發現在于，基于LLMs 的應用可增強電力市場的數據處理和分析能力，在決策支持和技術創新方面發揮關鍵作用。這為低碳電力市場提供了新的技術視角和解決策略，助力決策者和研究人員更有效地理解和應對市場挑戰。LLMs 技術的持續進步和電力體制改革的深化有助于實現低碳電力市場的可持續發展，應對氣候變化，推動綠色發展。未來研究可探討將LLMs 與區塊鏈、物聯網、人工智能等其他先進技術結合，實現跨領域融合，為低碳電力市場提供更多創新解決方案。同時，加強國際合作與技術交流，推動LLMs 在全球范圍內的應用，為全球氣候目標和可持續發展做出更大貢獻。