一种基于大语言模型微调的区域风力发电功率预测方法技术

本发明专利技术提供一种基于大语言模型微调的区域风力发电功率预测方法，属于电数据处理领域，包括：收集区域内所有风电站的风力发电功率数据；对风力发电功率数据进行分段；调整风电站点的数据形式，以预训练后的BERT神经网络进行风力发电功率数据的时空建模；进行第一阶段的微调训练，以使大语言模型适用于风电数据；进行第二阶段的微调训练，初步训练预测层；进行第三阶段的更精细微调；训练结束后得到的模型用于区域风力发电功率的预测。本发明专利技术利用大语言模型的高效一维序列建模能力，实现风力数据时空特性的建模，同时设计新的时间和空间编码，以使模型适用于区域风电功率预测任务；优化训练方式，使语言模型更加精准地迁移到时空数据建模中。

【技术实现步骤摘要】

本专利技术属于电数据处理领域，具体涉及一种基于大语言模型微调的区域风力发电功率预测方法。

技术介绍

1、随着全球对可再生能源需求的不断增加，风电越来越受到关注。然而，实际的风力发电严格取决于风速，风速可能会随着时间的推移而发生严重变化，这给电网设备的安全和能源利用效率带来了重大挑战。更糟糕的是，受各种气象和地理因素的影响，风速的难以捉摸使风电预测任务变得非常复杂。因此，准确预测风力发电量对于确保电力安全、调度各种能源和提高能源利用率至关重要。

2、现有技术对风电预测的研究采用了统计模型，如arima和机器学习技术，这些模型易于实现，但往往在性能上不足。通过利用深层神经网络学习复杂的气象特征，基于深度学习的模型始终可以优于前述的简单方法。常见的基于深度学习的模型包括卷积神经网络(cnn)、长短期记忆网络(lstm)和自注意网络。近年来，由于其在各种场景中表现时间特征的强大能力，自注意力方法越来越受欢迎。

3、由于风力模式的难以捉摸，一些研究考虑特定区域的所有风电站进行统筹预测，旨在时间和空间领域对风力发电进行建模。时空数据挖掘是近年来本文档来自技高网...

【技术保护点】

1.一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤1包括：

3.根据权利要求2所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤2包括：

4.根据权利要求3所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤3包括：

5.根据权利要求4所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤4包括：

6.根据权利要求5所述的一种基于大语...

【技术特征摘要】

1.一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤1包括：

3.根据权利要求2所述的一种基于大语言模型微调的区域风力发电功率预测方法，其特征在于，所述步骤2包括：

4.根据权利要求3所述的一种基于大语言模型微调的区域风力发电功...

【专利技术属性】
技术研发人员：凌强，赖泽锋，方毅，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：