一种基于大语言模型的负荷弹性分析方法与流程
本发明属于电力负荷预测、人工智能及电力系统数据分析,具体涉及一种基于大语言模型的负荷弹性分析方法。
背景技术:
1、随着电力市场化改革不断推进,售电公司需要根据代理用户未来的用电需求制定购售电计划。负荷预测误差会影响电量申报、购电成本及偏差考核,因此,提高售电公司短期负荷预测精度具有重要意义。
2、售电公司聚合负荷除受历史负荷、温度、湿度、工作日和节假日等常规因素影响外,还会受到企业增产、企业减产、设备检修、临时停产和需求响应等业务事件影响。上述业务事件通常以自然语言通知的形式存在,并可能使特定时段的负荷发生明显上升或下降。
3、现有lstm等深度学习模型能够学习历史负荷的周期性和非线性变化规律,但其输入通常为数值变量,难以直接利用自然语言业务通知,基础预测模型在突发业务事件日容易出现明显的高估或低估。
4、传统相似日方法通常根据温度、湿度、工作日属性、节假日属性和历史负荷等特征选择历史日期。当预测日和历史日期的常规特征相似、但业务事件类型不同时,传统方法可能选取业务场景不一致的历史日期,导致残差修正结果不准确。
5、大语言模型具有较强的自然语言理解和信息提取能力,可以从业务通知中提取事件类型、影响方向、影响强度和作用时段。但是,直接由大语言模型生成连续负荷数值存在稳定性和可重复性不足的问题。
技术实现思路
1、本发明要解决的技术问题是:针对现有负荷预测方法难以利用业务通知文本、传统相似日方法容易发生业务场景误匹配,以及lstm基础模型在业务事件日预测误差较大的问题,提供一种基于大语言模型的负荷弹性分析方法。
2、为解决上述技术问题,本发明采用的技术方案是:
3、第一方面,提供了一种基于大语言模型的负荷弹性分析方法,包括以下步骤:
4、s1,获取售电公司的历史负荷数据、气象数据、日历属性数据和业务通知文本,将所述历史负荷数据、气象数据和日历属性数据输入长短期记忆网络,输出预测日未来24小时的基础负荷预测值;
5、s2,将所述业务通知文本输入大语言模型,仅提取事件类型、影响方向、影响强度、开始时刻和结束时刻结构化事件语义特征,所述大语言模型不直接生成负荷预测数值;
6、s3,当预测日存在业务事件时,先根据所述事件类型筛选同类历史事件日,再比较影响方向、影响强度、开始时刻、结束时刻和传统特征距离,选取历史相似日;
7、s4,计算各所述历史相似日的预测残差,按历史相似日与预测日之间的相似程度加权得到负荷弹性修正量,并将所述负荷弹性修正量叠加到所述基础负荷预测值上,得到最终负荷预测值。
8、具体地,步骤s2中,所述事件类型采用独热编码表示,影响方向和影响强度合并为带方向的影响强度,所述带方向的影响强度与开始时刻和结束时刻共同组成8维事件语义特征;当预测日不存在业务事件时,事件类型编码、影响强度和作用时段均按无事件状态处理。
9、具体地,步骤s3中,所述传统特征距离根据传统相似日特征向量计算,所述传统相似日特征向量包括预测日的平均温度、平均湿度、工作日标志、节假日标志、星期属性和前一日平均负荷,表示为:,所述传统特征距离为:;
10、其中,式中,为预测日平均温度,为预测日平均湿度,为工作日标志,为节假日标志,为星期属性,为预测日前一日平均负荷,和分别为预测日和历史候选日标准化后的第j个传统相似日特征,j=1,2,…,6。
11、具体地,步骤s3中,所述历史相似日的数量为5个;当预测日不存在业务事件时,从无业务事件的历史日期中选取历史相似日。
12、具体地,步骤s4中,第k个历史相似日第h时刻的预测残差为,其中,为历史相似日的实际负荷,为其lstm基础预测负荷;当残差大于0时表示长短期记忆网络低估负荷,当残差小于0时表示长短期记忆网络高估负荷。
13、具体地,步骤s4中,预测日d第h时刻的负荷弹性修正量为:
14、;
15、其中,为预测日的历史相似日集合,为第个历史相似日对应的归一化权重,为该相似日第个时刻的预测残差;
16、预测日d第h时刻的最终负荷预测值为:,其中,为预测日d在第h个时刻的最终负荷预测值;为相应时刻的lstm基础预测值。
17、具体地,对历史负荷数据、气象数据和日历属性数据进行时间对齐,对缺失数据进行填补,并根据训练集参数对连续变量进行归一化处理;以预测日前连续168小时的数据作为一个输入样本,以预测日未来24小时负荷作为预测目标。
18、具体地,长短期记忆网络的输入特征数为5,隐藏单元数为64,批次大小为32,初始学习率为0.001,最大训练轮数为100。
19、第二方面,提供一种基于大语言模型的负荷弹性分析系统,包括:数据获取模块,用于获取售电公司的历史负荷数据、气象数据、日历属性数据和业务通知文本;基础预测模块,用于将历史负荷数据、气象数据和日历属性数据输入长短期记忆网络,输出预测日未来24小时的基础负荷预测值;事件语义提取模块,用于将业务通知文本输入大语言模型,仅提取事件类型、影响方向、影响强度、开始时刻和结束时刻结构化事件语义特征,大语言模型不直接生成负荷预测数值;相似日选择模块,用于当预测日存在业务事件时,先根据事件类型筛选同类历史事件日,再比较影响方向、影响强度、开始时刻、结束时刻和传统特征距离,选取历史相似日;修正模块,用于计算各历史相似日的预测残差,按历史相似日与预测日之间的相似程度加权得到负荷弹性修正量,并将负荷弹性修正量叠加到基础负荷预测值上,得到最终负荷预测值。
20、第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于大语言模型的负荷弹性分析方法。
21、与现有技术相比,本发明具有以下有益效果:
22、(1)利用大语言模型将自然语言业务通知转换为结构化事件语义特征,使负荷预测模型能够利用企业生产调整、设备检修、临时停产和需求响应等文本信息;
23、(2)大语言模型仅用于事件信息提取,不直接生成负荷预测数值,有利于提高预测结果的稳定性;
24、(3)在传统相似日特征基础上增加事件类型、影响方向、影响强度和作用时段,先按事件类型筛选同类历史事件日,降低业务场景误匹配的可能性;
25、(4)利用历史相似日预测残差形成负荷弹性修正量,能够修正lstm模型在业务事件时段的高估或低估;
26、(5)仿真结果表明,本发明方法的总体mae、rmse和mape分别为1.402mw、1.783mw和1.624%;在业务事件日,本发明方法的mape为1.92%,相较传统相似日方法的4.82%降低60.17%。
1.一种基于大语言模型的负荷弹性分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s2中,所述事件类型采用独热编码表示,影响方向和影响强度合并为带方向的影响强度,所述带方向的影响强度与开始时刻和结束时刻共同组成8维事件语义特征;当预测日不存在业务事件时,事件类型编码、影响强度和作用时段均按无事件状态处理。
3.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s3中,所述传统特征距离根据传统相似日特征向量计算,所述传统相似日特征向量包括预测日的平均温度、平均湿度、工作日标志、节假日标志、星期属性和前一日平均负荷,表示为:,所述传统特征距离为:;
4.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s3中,所述历史相似日的数量为5个;当预测日不存在业务事件时,从无业务事件的历史日期中选取历史相似日。
5.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s4中,第k个历史相似日第h时刻的预测残差为,其中,为历史相似日的实际负荷,为其lstm基础预测负荷;当残差大于0时表示长短期记忆网络低估负荷,当残差小于0时表示长短期记忆网络高估负荷。
6.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s4中,预测日d第h时刻的负荷弹性修正量为:
7.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,步骤s1之前还包括:对所述历史负荷数据、气象数据和日历属性数据进行时间对齐,对缺失数据进行填补,并根据训练集参数对连续变量进行归一化处理;以预测日前连续168小时的数据作为一个输入样本,以预测日未来24小时负荷作为预测目标。
8.根据权利要求1所述的基于大语言模型的负荷弹性分析方法,其特征在于,所述长短期记忆网络的输入为预测日前连续168小时的历史负荷、温度、湿度、工作日标志和节假日标志,所述长短期记忆网络的输入特征数为5,隐藏单元数为64,批次大小为32,初始学习率为0.001,最大训练轮数为100。
9.一种基于大语言模型的负荷弹性分析系统,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于大语言模型的负荷弹性分析方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com