IISE PG&E 能源分析挑战赛 2025：小时分箱回归模型在负荷预测中击败 Transformer
机器学习
2025-05-19 v1 系统与控制
计量经济学
系统与控制
摘要
准确的电力负荷预测对于电网稳定性、资源优化和可再生能源整合至关重要。虽然像 TimeGPT 这样基于 Transformer 的深度学习模型在时间序列预测中获得了关注，但它们在长期电力负荷预测中的有效性仍不确定。本研究使用 ESD 2025 竞赛的数据，评估了从经典回归技术到先进深度学习架构的预测模型。该数据集包含两年的历史电力负荷数据，以及五个站点的温度和全球水平辐照度 (GHI)，预测周期为提前一天。由于实际测试集的负荷值未公开，利用预测值会累积误差，这使得该任务成为一个长期预测挑战。我们采用 (i) 主成分分析 (PCA) 进行降维，(ii) 将任务构建为一个回归问题，使用温度和 GHI 作为协变量来预测每小时的负荷，(iii) 最终堆叠 24 个模型以生成年度预测。我们的结果表明，由于训练数据和外部变量的可用性有限，包括 TimeGPT 在内的深度学习模型未能持续优于更简单的统计和机器学习方法。相比之下，XGBoost 在极少特征工程的情况下，在所有测试案例中提供了最低的错误率，同时保持了计算效率。这凸显了深度学习在长期电力预测中的局限性，并强调了基于数据集特征而非模型复杂性进行模型选择的重要性。我们的研究为实际预测应用提供了见解，并为关于传统与现代预测方法之间权衡的持续讨论做出了贡献。
引用
@article{arxiv.2505.11390,
title = {IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting},
author = {Millend Roy and Vladimir Pyltsov and Yinbo Hu},
journal= {arXiv preprint arXiv:2505.11390},
year = {2025}
}