一种基于 Time-LLM 的分布式光伏功率预测新方法

分布式光伏 (DPV) 系统对于推进可再生能源应用和实现能源独立至关重要。准确的 DPV 功率预测可以优化电力系统规划与调度，同时显著减少能量损失，从而提高整体系统的效率与可靠性。然而，太阳能的间歇性特征和 DPV 系统的空间分布带来了巨大的预测挑战。传统方法通常依赖昂贵的外部数据，如数值天气预报 (NWP) 和卫星图像，这些数据难以在较小的 DPV 系统中扩展应用。为解决这一问题，本研究引入了先进的基于大语言模型 (LLM) 的时间序列预测框架 Time-LLM，以提高 DPV 功率预测的准确性和泛化能力。通过重编程，该框架将历史功率数据与自然语言模态对齐，促进时间序列数据的高效建模。随后，集成 Qwen2.5-3B 模型作为骨干 LLM，利用其模式识别与推理能力处理输入数据，实现了效率与性能的平衡。最后，通过展平与线性投影层，将 LLM 的高维输出转化为最终预测结果。实验结果表明，Time-LLM 优于近期领先的先进时间序列预测模型，如基于 Transformer 的方法和基于 MLP 的模型，在短期和长期预测中均实现了卓越的准确性。Time-LLM 还在少样本和零样本学习场景中展现出卓越的适应性。据作者所知，本研究是首次探索 LLM 在 DPV 功率预测中应用的尝试，可提供一种可扩展的解决方案，消除对昂贵外部数据源的依赖并提升真实世界的预测准确性。