A Benchmark for Electrical Load Forecasting Across Grid Levels: Time-Series Transformers Outperform Established Methods
作者: Matthias Hertel, Sebastian Pütz, Jonathan Kolar, Benjamin Schäfer, Ralf Mikut, Veit Hagenmeyer
分类: cs.LG
发布日期: 2026-07-20
💡 一句话要点
提出电力负荷预测基准，Transformer方法显著提升预测精度
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电力负荷预测 Transformer 时间序列建模 YAformer 智能电网 需求侧管理 模型评估
📋 核心要点
- 现有负荷预测方法在不同电网层级的准确性不足，难以满足智能电网的需求。
- 本文提出了基于Transformer的负荷预测方法，利用YAformer架构和Chronos-2模型进行优化和评估。
- 实验结果显示，Transformer方法在多个数据集上预测误差降低6.6%-10.7%，表现优于传统方法。
📝 摘要（中文）
准确的电力负荷预测对于未来智能电网至关重要，涵盖从控制区域的聚合预测到个体终端用户负荷的需求侧管理。本文提出了一个全面的负荷预测基准，包含三个数据集，分别代表传输系统运营商控制区域、低压电网馈线和个体终端用户。我们评估了十种短期负荷预测方法，发现基于Transformer的方法在预测精度上显著优于传统方法，预测误差降低了6.6%-10.7%。此外，我们引入了YAformer，一个灵活的Transformer架构，经过超参数优化，但标准Transformer的表现更佳，表明这些架构修改并非准确负荷预测的必要条件。
🔬 方法详解
问题定义：本文旨在解决电力负荷预测在不同电网层级的准确性问题。现有方法在处理复杂负荷模式和特殊事件时表现不佳，导致预测精度不足。
核心思路：论文提出基于Transformer的负荷预测方法，利用其强大的序列建模能力，结合YAformer架构进行优化，以提高预测的准确性和灵活性。
技术框架：整体架构包括数据预处理、模型训练和预测三个主要阶段。首先，收集和整理不同层级的负荷数据；其次，使用YAformer和Chronos-2模型进行训练；最后，进行负荷预测并评估模型性能。
关键创新：最重要的技术创新在于引入了YAformer架构，尽管最终结果显示标准Transformer的性能更优，表明架构修改并非必需。
关键设计：在模型设计中，采用了长输入上下文、协变量以及持续再训练等关键设计，强调这些因素在时间序列预测中的重要性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于Transformer的方法在负荷预测中表现优异，预测误差降低了6.6%-10.7%。特别是，Chronos-2模型在两个数据集上展现出竞争力的零-shot性能，尽管在捕捉特殊事件方面存在不足。
🎯 应用场景
该研究的潜在应用领域包括智能电网的负荷管理、需求侧管理和能源管理系统。通过提高负荷预测的准确性，可以更有效地平衡电力供需，优化能源分配，降低运营成本，推动可再生能源的集成与利用。
📄 摘要（原文）
Accurate load forecasting at multiple grid levels is essential for future smart grids, ranging from aggregated control area forecasts for balancing supply and demand to forecasts of individual end-consumer loads for demand-side management and energy management systems. We present a comprehensive benchmark for load forecasting across grid levels, comprising three datasets that represent a transmission system operator control area, low-voltage grid feeders, and individual end consumers. We evaluate ten methods for short-term load forecasting and find that Transformer-based approaches consistently outperform established methods, reducing forecast error by 6.6-10.7 %. To analyze the impact of architectural design, we introduce YAformer, a flexible Transformer architecture that integrates modifications from prior work and is optimized via hyperparameter optimization. However, the standard Transformer achieves superior performance, suggesting that these architectural modifications are not required for accurate load forecasting. We further evaluate the Transformer-based time-series foundation model Chronos-2, which demonstrates competitive zero-shot performance on two datasets but fails to accurately capture special events in the TSO data. Detailed analyses reveal model-specific strengths and weaknesses, and ablation studies highlight the importance of long input contexts, covariates and continuous retraining - aspects that are often overlooked in the time-series forecasting literature.