本技术公开一种基于大语言模型及社会人口统计信息的电力负荷预测方法,涉及电力负荷预测技术领域,解决了电力负荷预测方法难以结合社会人口统计信息,难以处理非结构化文本信息,影响了电力负荷预测精度和泛化能力的技术问题。该方法包括基于时间序列转换模块得到电力历史负荷信息;基于社会适配器模块得到结构化人口统计信息;将电力历史负荷信息、结构化人口统计信息进行融合,作为电力负荷预测模型的输入数据;通过最小化电力负荷预测模型的预测误差进行训练,得到最终用于预测的电力负荷预测模型。本发明结合大语言模型与社会人口统计信息,突破传统负荷预测模型在数据利用方面的局限性,可处理非结构化文本信息,提高预测的准确性。
背景技术
随着全球能源需求的不断增加和对电力系统可靠性要求的提高,电力负荷预测成为电力系统规划与运营中的重要环节。传统的负荷预测方法主要依赖于时间序列数据和历史负荷数据,典型的预测模型包括基于回归、支持向量机、长短时记忆网络(Long Short-Term Memory,LSTM)等。这些方法在一定程度上能够捕捉到电力负荷变化的时间模式。
由于社会人口统计因素,如家庭收入、家庭规模、就业状况等,对于居民的用电行为有着重要影响,这些信息往往对电力负荷特性的理解也至关重要。传统的机器学习和深度学习模型在处理这类非结构化文本信息时存在较大困难,导致在负荷预测中的准确性不足。此外,随着能源使用模式的多样化和复杂化,仅依靠时间序列数据的预测方法很难适应现代用电需求的变化。因此,现有技术中也尝试将非时间序列的信息融入负荷预测模型中,例如通过图神经网络(Graph Neural Network, GNN)来建模不同电力用户之间的关系,或者通过多模态融合模型来整合多个数据源的信息。但这些方法难以将社会人口统计信息与电力负荷数据相结合,并难以处理高维的非结构化文本信息。
大语言模型(Large Language Model,LLM)在处理自然语言和文本信息方面表现出色,能够有效理解和推理复杂的文本信息。因此,亟需将LLM引入到电力负荷预测中,通过融合社会人口统计信息,提高电力负荷预测的精度和泛化能力。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
电力负荷预测方法难以结合社会人口统计信息,难以处理高维的非结构化文本信息,影响了电力负荷预测精度和泛化能力。
实现思路