电力系统 forecasting 应用中时间序列基础模型的实证评估
系统与控制
2026-04-27 v1 系统与控制
摘要
精准预测电力负荷和可再生能源发电对于可靠且经济的电力系统运行至关重要。近期受大规模预训练、可用数据和计算量增加，以及架构创新驱动，基于 transformer 的和基础机器学习模型在多个领域显示出在时间序列 forecasting 中的前景。然而，这些模型在电力系统 forecasting 任务中的应用仍大体未被探索。本工作针对使用 ERCOT 电网的高分辨率 ARPAE PERFORM 数据集，对最先进的时间序列基础模型、transformer 架构和深度学习基线进行了全面实证基准测试。评估了八项核心能力，包括零样本性能、微调效率、多变量输入输出处理、时域敏感性、对未知站点的泛化、概率 forecasting 以及上下文窗口效应。评估的模型包括 TimesFM、Chronos Bolt、MoiraiL、MOMENT、Tiny Time Mixer、Temporal Fusion Transformer、PatchTST、TimeXer、LSTM 和 CNN。本文旨在为何时基础模型可提供增强的可再生能源和负荷 forecasting 能力以及何时其他方法仍是电力系统运行中更实用选择提供明确指导。
关键词
引用
@article{arxiv.2604.22077,
title = {Empirical Assessment of Time-Series Foundation Models For Power System Forecasting Applications},
author = {Muhy Eddin Za'ter and Bri-Mathias Hodge},
journal= {arXiv preprint arXiv:2604.22077},
year = {2026}
}