日前光伏出力预测在实际应用中精度有待提升,且存在新建光伏电站数据缺乏难以预测的问题。为此,充分利用大语言模型(large language model,LLM)的推理优势和序列各维相关性信息,提出一种气象协变量注意力增强Time-LLM模型用于日前光伏...日前光伏出力预测在实际应用中精度有待提升,且存在新建光伏电站数据缺乏难以预测的问题。为此,充分利用大语言模型(large language model,LLM)的推理优势和序列各维相关性信息,提出一种气象协变量注意力增强Time-LLM模型用于日前光伏出力预测。首先,通过填充和拼接构建融合气象协变量信息和光伏出力历史信息的模型输入序列。然后,通过所提协变量注意力模块融合气象协变量序列与光伏出力序列之间的相关性信息。最后,通过Time-LLM架构实现时间序列与文本序列的模态对齐,有效利用LLM的文本分析能力进行光伏出力时间序列的准确预测。在光伏出力公开数据集上进行算例分析,结果表明:所提模型不仅在测试集上预测准确率最高,还具有最低的零样本预测误差。所提方法既提高了日前光伏出力预测任务的准确率,也为解决新建光伏电站因历史数据匮乏而难以应用传统深度模型预测的问题提供了新思路。展开更多
文摘日前光伏出力预测在实际应用中精度有待提升,且存在新建光伏电站数据缺乏难以预测的问题。为此,充分利用大语言模型(large language model,LLM)的推理优势和序列各维相关性信息,提出一种气象协变量注意力增强Time-LLM模型用于日前光伏出力预测。首先,通过填充和拼接构建融合气象协变量信息和光伏出力历史信息的模型输入序列。然后,通过所提协变量注意力模块融合气象协变量序列与光伏出力序列之间的相关性信息。最后,通过Time-LLM架构实现时间序列与文本序列的模态对齐,有效利用LLM的文本分析能力进行光伏出力时间序列的准确预测。在光伏出力公开数据集上进行算例分析,结果表明:所提模型不仅在测试集上预测准确率最高,还具有最低的零样本预测误差。所提方法既提高了日前光伏出力预测任务的准确率,也为解决新建光伏电站因历史数据匮乏而难以应用传统深度模型预测的问题提供了新思路。
