综合能源系统的零样本负荷预测：一种基于大语言模型的多任务学习框架
机器学习
2025-02-25 v1 人工智能
摘要
电力系统中可再生能源渗透率的不断提高增加了负荷预测的复杂性和不确定性，特别是对于具有多种能源载体的综合能源系统。传统预测方法严重依赖历史数据，在不同场景间的可迁移性有限，给智能电网和能源互联网中的新兴应用带来了重大挑战。本文提出了 TSLLM-Load Forecasting Mechanism，一种基于大语言模型（LLM）的新型零样本负荷预测框架，以应对这些挑战。该框架由三个关键组件组成：处理多源能源负荷数据的数据预处理模块；通过多任务学习和相似性对齐弥合能源数据与 LLM 之间语义鸿沟的时间序列提示生成模块；以及利用预训练 LLM 进行准确预测的预测模块。该框架的有效性在一个包含 20 个澳大利亚太阳能家庭负荷曲线的真实数据集上得到了验证，在常规场景和零样本场景中均展现出卓越性能。在常规测试中，该方法达到了 0.4163 的均方误差（MSE）和 0.3760 的平均绝对误差（MAE），较现有方法至少提升 8%。在跨 19 个家庭的零样本预测实验中，该框架保持了稳定的准确性，总 MSE 为 11.2712，MAE 为 7.6709，较现有方法至少提升 12%。结果验证了该框架在综合能源系统中进行准确且可迁移的负荷预测的潜力，特别有利于可再生能源并网和智能电网应用。
引用
@article{arxiv.2502.16896,
title = {Zero-shot Load Forecasting for Integrated Energy Systems: A Large Language Model-based Framework with Multi-task Learning},
author = {Jiaheng Li and Donghe Li and Ye Yang and Huan Xi and Yu Xiao and Li Sun and Dou An and Qingyu Yang},
journal= {arXiv preprint arXiv:2502.16896},
year = {2025}
}