M2WLLM：基于大语言模型的多模态多任务超短期风电功率预测算法
机器学习
2025-06-03 v1 人工智能
摘要
将风能并入电网需要准确的风电超短期预测，以确保电网稳定性并优化资源配置。本研究引入了 M2WLLM，这是一种利用大语言模型 (LLM) 能力来预测细粒度时间间隔下风电功率输出的创新模型。M2WLLM 通过无缝整合文本信息和时间数值数据，克服了传统和深度学习方法的局限性，通过多模态数据显著提高了风电预测的准确性。其架构包含提示嵌入器和数据嵌入器，能够在 LLM 框架内有效融合文本提示和数值输入。数据嵌入器内的语义增强器将时间数据转换为 LLM 可以理解的格式，使其能够提取潜在特征并提高预测准确性。在三个中国省份的风电场数据上进行的实证评估表明，M2WLLM 在各种数据集和预测时间跨度上始终优于现有方法（如 GPT4TS）。结果突显了 LLM 在提高超短期预测准确性和鲁棒性方面的能力，并展示了其强大的少样本学习能力。
引用
@article{arxiv.2506.00531,
title = {M2WLLM: Multi-Modal Multi-Task Ultra-Short-term Wind Power Prediction Algorithm Based on Large Language Model},
author = {Hang Fana and Mingxuan Lib and Zuhan Zhanga and Long Chengc and Yujian Ye and Dunnan Liua},
journal= {arXiv preprint arXiv:2506.00531},
year = {2025}
}