基于预训练大语言模型的光伏功率预测方法技术

本发明专利技术公开了基于预训练大语言模型的光伏功率预测方法，具体为：收集所有气象信息和历史光伏功率数据作为输入数据，将其划分为训练集和测试集，并对输入数据进行前置处理；对得到的光伏时间序列数据进行分块，将分块后的时间序列进行三种编码，并设计的提示词优化预训练大语言模型的输出；采用GPT‑4模型作为预训练的骨干模型，将训练集数据输入骨干模型中进行训练，并使用了低秩自适应对骨干模型的参数进行高效微调；将测试集数据作为微调后的GPT‑4模型的输入，最终输出预测结果。本发明专利技术采用参数高效微调策略，显著降低模型可训练的参数数量并提高预测精度，并通过线性映射得到最终的期望预测功率。

【技术实现步骤摘要】

本专利技术属于光伏功率预测，具体涉及基于预训练大语言模型的光伏功率预测方法。

技术介绍

1、光伏发电作为清洁可持续能源在能源结构中的比重日益增加，已成为电力系统新增装机的主力。然而，受气象信息、地理条件等众多因素的影响，其功率输出的强波动性和不确定性致使难以准确预测，进而影响电力系统平稳运行。因此，准确预测光伏输出功率对于高度依赖可再生能源的电力系统优化运行、调度规划、能源管理愈发重要。

2、当前，对光伏功率的预测方法大致可以分为三类：物理模型、统计模型和深度学习模型。物理模型结合数值气象预报提供的未来气象数据（辐照度、温度、风速等）来计算功率输出。统计模型挖掘历史数据中的时间序列规律和特征关联性，建立输入变量与输出功率之间的数学映射关系。但往往依赖于统计模型或物理原理，这在捕捉光伏输出功率与各种影响因素之间复杂的非线性关系方面受到限制。深度学习模型通过其对序列建模的强鲁棒性进一步完善了以上两种预测方法，使光伏功率预测模型的精准度获得提升。深度学习模型利用多层神经网络从历史数据中学习复杂线性或非线性模式和长期或短期依赖关系。循环神经网络（rnn本文档来自技高网...

【技术保护点】

1.基于预训练大语言模型的光伏功率预测方法，其特征在于，具体按照以下步骤实施：

2.如权利要求1所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤1中，具体为：

3.如权利要求2所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤1.3中，具体为：给定趋势分量的输入，计算趋势分量的均值和标准差，如式（4）-式（6）所示；

4.如权利要求3所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤2中，具体为：

5.如权利要求4所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤3中，具体为...

【技术特征摘要】

1.基于预训练大语言模型的光伏功率预测方法，其特征在于，具体按照以下步骤实施：

2.如权利要求1所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤1中，具体为：

3.如权利要求2所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤1.3中，具体为：给定趋势分量的输入，计算趋势分量的均值和标准差，如式（4）-式（6）所示；

4.如权利要求3所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤2中，具体为：

5.如权利要求4所述的基于预训练大语言模型的光伏功率预测方法，其特征在于，所述步骤3中，具体为：设计的提示词优化预训练大语言模型的输出，包括任务提示、历史光伏功率数据提示和预测结果输出提示；将三部分组合，...

【专利技术属性】
技术研发人员：王开艳，祝恒涛，王博，党建，王晓卫，梁振锋，贾嵘，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：