一种基于大模型的风电功率预测方法及装置与流程

本说明书实施例涉及负荷预测，尤其是一种基于大模型的风电功率预测方法及装置。

背景技术：

1、近年来，随着全球能源结构的转型和气候变化问题的日益严峻，风电作为可再生能源的重要组成部分，其发展速度不断加快。风电的大规模并网不仅有助于减少温室气体排放，提高能源利用效率，也对电力系统的稳定运行和负荷预测提出了新的挑战。因此，短期风电功率预测技术的研究和应用显得尤为重要。短期风电功率预测技术是指对未来几小时至几天内风电场输出功率的预测。由于风力发电具有显著的随机性和波动性，风电功率的准确预测对于电网的调度和管理具有重要意义。有效的风电功率预测可以帮助电网运营商优化发电资源配置，减少备用容量需求，降低运行成本，同时提高电网对可再生能源的消纳能力。

2、目前的风电功率预测方法主要包括基于时间序列分析的方法、基于机器学习的方法以及基于深度学习的方法。时间序列分析方法可以捕捉历史数据的趋势和周期性，在一定程度上适应于相对稳定的气象条件下的功率预测，但该方法通常难以处理非线性、非平稳的数据，对于受多种因素影响的风电发电往往表现不佳。基于机器学习的算法能够自动学习数据中的复杂关系，能够处理多维数据，但对于尺度多变的复杂环境，以及非结构化的特征输入处理能力不足。基于深度学习的方法具有强大的特征学习能力，能够处理复杂的非线性问题和大规模数据，可以从多时空尺度的数据中提取高级特征，但相对的，深度学习方法对于不同场景需要不断调整训练参数，过度拟合风险高且泛化性能低，从而导致预测准确率低的问题。因此，亟需一种基于大模型的风电功率预测方法能够解决现有技术中风电功率预测准确性低，预测效果不稳定，难以有效应对风电负荷变化不确定因素及深度学习算法泛化性能低的问题。

技术实现思路

1、针对现有技术的上述问题，本说明书实施例的目的在于，提供一种基于大模型的风电功率预测方法及装置，以解决现有技术中风电功率预测准确性低，预测效果不稳定，难以有效应对风电负荷变化不确定因素及深度学习算法泛化性能低的问题。

2、为了解决上述技术问题，本说明书实施例的具体技术方案如下：

3、一方面，本说明书实施例提供一种基于大模型的风电功率预测方法，所述方法包括：

4、获取待预测风电场的历史风电时序数据，其中所述历史风电时序数据包括历史气象预报数据、历史气象实际数据、历史风电机组运行数据、历史风电负荷数据及历史风电功率数据；

5、将所述历史风电时序数据进行文本转换，得到历史风电时序数据文本表示；

6、根据所述历史风电时序数据生成相应的描述文本及预测需求提示文本；

7、将所述历史风电时序数据文本表示、描述文本及预测需求提示文本输入预先训练好的风电功率预测大模型中，得到所述待预测风电场的风电功率预测值。

8、进一步的，所述根据所述历史风电时序数据生成相应的描述文本，包括：

9、利用插值法对所述历史风电时序数据中的缺失值进行填充，得到填充后的历史风电时序数据；

10、计算所述填充后的历史风电时序数据的统计量；

11、将所述统计量填充至预先创建的描述文本模板中，得到所述历史风电时序数据的描述文本。

12、进一步的，所述将所述历史风电时序数据进行文本转换，得到历史风电时序数据文本表示，包括：

13、对所述历史风电时序数据进行归一化处理，得到归一化后的历史风电时序数据；

14、将所述归一化后的历史风电时序数据划分为若干等长度的时序数据段；

15、将每一所述时序数据段中包含的数值映射到预设词汇集中对应的词汇，得到每一所述时序数据段的词汇集；

16、根据所述每一所述时序数据段的词汇集得到所述每一所述时序数据段的文本表示。

17、进一步的，所述风电功率预测大模型包括嵌入层、特征提取层、全连接层及输出投影层；

18、其中所述嵌入层用于捕捉所述历史风电时序数据文本表示、描述文本及预测需求提示文本的上下文信息，得到相应的词嵌入向量；

19、所述特征提取层用于对所述词嵌入向量进行特征提取，得到特征向量表示；

20、所述全连接层用于根据所述特征向量表示进行时序回归预测，得到输出文本嵌入向量；

21、所述输出投影层用于将所述输出文本嵌入向量进行展平并投影，得到风电功率预测值。

22、进一步的，所述特征提取层包括时序卷积网络层、代理注意力层及池化层；所述对所述词嵌入向量进行特征提取，得到特征向量表示，包括：

23、将所述词嵌入向量输入所述时序卷积网络层进行特征提取，得到第一特征表示向量；

24、将所述第一特征表示向量输入所述代理注意力层，得到加权后的第一特征表示向量；

25、利用所述池化层将加权后的第一特征表示向量映射到低维特征空间，得到第二特征表示向量。

26、进一步的，所述风电功率预测大模型的训练过程包括：

27、获取历史风电时序数据和所述历史风电时序数据对应的风电功率实际值；

28、将所述历史风电时序数据进行文本转换，得到历史风电时序数据文本表示；

29、根据所述历史风电时序数据生成对应的描述文本及预测需求提示文本；

30、将所述历史风电时序数据文本表示、描述文本及预测需求提示文本输入所述嵌入层，得到词嵌入向量；

31、将所述词嵌入向量输入所述特征提取层，得到特征向量表示；

32、将所述特征向量表示输入所述全连接层，得到输出文本嵌入向量；

33、将所述输出文本嵌入向量输入所述输出投影层，得到风电功率预测值；

34、将所述风电功率实际值与所述风电功率预测值进行比对，基于比对结果和预设的损失函数迭代优化所述风电功率预测大模型直至满足预设的迭代终止条件，得到微调后的风电功率预测大模型；

35、将所述风电功率预测值输入预先训练好的奖励模型以对风电功率预测值进行质量评估，得到奖励值；

36、根据所述奖励值利用强化学习算法迭代优化所述微调后的风电功率预测大模型参数，直至模型性能达到预设条件，得到训练好的风电功率预测大模型。

37、另一方面，本说明书实施例还提供了一种基于大模型的风电功率预测装置，所述装置包括：

38、获取模块，用于获取待预测风电场的历史风电时序数据，其中所述历史风电时序数据包括历史气象预报数据、历史气象实际数据、历史风电机组运行数据、历史风电负荷数据及历史风电功率数据；

39、转换模块，用于将所述历史风电时序数据进行文本转换，得到历史风电时序数据文本表示；

40、生成模块，用于根据所述历史风电时序数据生成相应的描述文本及预测需求提示文本；

41、预测模块，用于将所述历史风电时序数据文本表示、描述文本及预测需求提示文本输入预先训练好的风电功率预测大模型中，得到所述待预测风电场的风电功率预测值。

42、又一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。

43、又一方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。

44、又一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。

45、本说明书的一些实施例提供的一个或者多个技术方案，至少具有如下的技术效果：

46、本说明书实施例通过获取待预测风电场的多种历史风电时序数据，综合考虑了影响风电功率预测的多种因素，从而为风电功率预测提供了全面的数据支撑，其次将历史风电时序数据转换为大模型能够处理的文本形式，使得大模型能够利用自身的学习和推理模式对历史风电时序数据进行分析，然后将输入时序文本表示、描述文本及预测需求提示文本输入预先训练好的风电功率预测大模型中，以提高大模型对时间序列数据内在规律和特性的理解和推理能力，从而提高大模型的预测能力，进而提高对风电功率预测的准确性。

47、上述说明仅是本说明书的一些实施例技术方案的概述，为了能够更清楚了解本说明书的一些实施例的技术手段，而可依照说明书的内容予以实施，并且为让本说明书实施例的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。