Evaluatie van grote taalmodellen voor het voorspellen van gedwongen uitvalrisico: voordelen en vergelijking met machine learning

Deze studie onderzoekt het vermogen van grote taalmodellen (LLM's) om het risico op weergerelateerde gedwongen stroomuitval in het distributienet te voorspellen in een zero-shot-opzet, zonder gelabelde trainingsdata. Het probleem is geformuleerd als een binaire ernstclassificatietaak over drie voorspelhorizons (3u, 6u, 12u), met gebruik van zes jaar aan storingsregistraties en hoogwaardige weersdata voor een nutsbedieningsgebied in centraal Texas. Vier zero-shot-LLM's worden ge-