面向消费硬件的能源负荷预测时间序列基础模型: 多维零样本基准
摘要
时间序列基础模型 (TSFMs) 引入了零样本预测能力，绕过了对特定任务训练的需求。这些能力是否转化为以电力需求预测为例的关键应用——在此应用中，准确率、校准程度和鲁棒性直接影响电网运营——仍是一个未解之谜。我们对四个 TSFMs (Chronos-Bolt、Chronos-2、Moirai-2 和 TinyTimeMixer) 进行了多维基准评估，同时以 Prophet 作为行业标准基线和两个统计参考 (SARIMA 和 Seasonal Naive)，使用来自 2020 年至 2024 年的 ERCOT 小时负荷数据。所有实验均在消费级硬件上完成 (AMD Ryzen 7、16GB RAM、无 GPU)。评估包含四个维度: (1) 从 24 小时到 2048 小时的上下文长度敏感性, (2) 概率预测校准, (3) 在包括新冠疫情封锁和冬孤寒风暴 Uri 在内的分布迁移下的鲁棒性, (4) 面向运营决策支持的规范化分析。顶级基础模型在长上下文长度 (C = 2048 小时、日 ahead 预测范围) 下实现 MASE 接近 0.31 的值，相较于 Seasonal Naive 基线降低了 47%。Prophet 的纳入揭示了预训练模型的结构优势: 当拟合窗口短于其季节性周期时，Prophet 会失败 (MASE > 74)，而 TSFMs 即使在最小上下文情况下也保持稳定的准确率，因为它们识别了在预训练期间学习的时序模式，而非从头估计。校准在不同模型之间存在显著差异——Chronos-2 产生了良好校准的预测区间 (95% 经验覆盖率对应 90% 名义水平)，而 Moirai-2 和 Prophet 均表现出过度自信 (~70% 覆盖率)。我们提供实用的模型选择指南，并发布完整的基准框架以便复现。
引用
@article{arxiv.2602.10848,
title = {Time Series Foundation Models for Energy Load Forecasting on Consumer Hardware: A Multi-Dimensional Zero-Shot Benchmark},
author = {Luigi Simeone},
journal= {arXiv preprint arXiv:2602.10848},
year = {2026}
}
备注
27 pages, 13 figures