LFPLM：基于预训练语言模型的一种通用和灵活的负荷预测框架

准确的负荷预测对于维持发电机与消费者之间的电力平衡至关重要，尤其是在可再生能源整合不断增加的背景下，这些能源引入了显著的间歇性波动。随着数据驱动方法的发展，基于机器学习和深度学习的模型已成为负荷预测任务的主要方法。近年来，预训练语言模型（PLMs）取得了显著进展，在各个领域展现了优越的性能。本文提出了一种基于PLMs的负荷预测方法，提供了准确的预测能力，同时具有通用性和灵活性。此外，提出了一种数据建模方法，可以有效地将负荷序列数据转换为自然语言用于PLM训练。此外，我们介绍了一种数据增强策略，消除了PLM幻觉对预测结果的影响。所提方法在两个真实世界数据集上进行了验证。与现有方法相比，我们的方法在所有验证指标上表现出最先进的性能。