Peak-Aware Short-Term Load Forecasting Across Distribution Grid Aggregation Levels

📄 arXiv: 2609.18588v1 📥 PDF

作者: Souhardya Chattopadhyay, Julian Oelhaf, Antonia Schoening, Jessica Deuschel, Bitan Bhattacharyya, Christian Bergler, Andreas Maier, Siming Bayer

分类: cs.LG

发布日期: 2026-09-16

备注: 5 pages, 2 figures, 3 tables, Accepted at IEEE PES ISGT Europe 2026

💡 一句话要点

提出峰值感知短期负荷预测以解决配电网聚合层次问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 短期负荷预测 峰值感知 配电网 机器学习 时间序列模型

📋 核心要点

  1. 现有短期负荷预测方法主要关注整体准确性，忽视高需求期间的预测性能，导致拥堵和电压违规风险增加。
  2. 本文提出了一种峰值感知的短期负荷预测方法，针对不同的配电网聚合层次进行优化，提升高需求期间的预测准确性。
  3. 实验结果显示，Chronos-2在所有聚合层次上均实现了最佳的高需求预测性能，相较于传统模型，HD-NMAE降低了20-51%。

📝 摘要（中文）

对于配电系统运营商，短期负荷预测（STLF）在拥堵管理、电压控制和资产保护中起着重要作用。现有方法大多关注整体准确性，忽视高需求（HD）期间的表现，导致预测误差增大，增加拥堵和电压违规的风险。本文研究了在三个运营商相关的配电网聚合层次（区域代码、次级变电站和低压馈线）下的峰值感知STLF，使用来自英国和瑞士的开放数据集。我们比较了统计基线、机器学习模型（LightGBM和XGBoost）以及最近的时间序列基础模型（Chronos Bolt和Chronos-2），并在峰值感知评估框架下报告整体和HD预测性能。结果表明，Chronos-2在所有聚合层次上实现了最佳HD性能，且在整体指标上表现优异。

🔬 方法详解

问题定义：本文旨在解决现有短期负荷预测方法在高需求期间表现不佳的问题，尤其是在拥堵和电压控制方面的风险。现有方法往往忽视了高需求时段的预测准确性，导致潜在的运营问题。

核心思路：论文提出了一种峰值感知的短期负荷预测框架，通过在不同的配电网聚合层次（区域代码、次级变电站和低压馈线）下优化模型，提升高需求期间的预测性能。该方法强调在评估中考虑高需求时段的表现，以实现更具操作意义的预测。

技术框架：整体架构包括数据预处理、模型训练和评估三个主要模块。使用开放数据集进行训练，并在峰值感知评估框架下进行性能比较，涵盖统计基线、机器学习模型和时间序列基础模型。

关键创新：最重要的技术创新在于引入峰值感知评估框架，强调高需求期间的预测性能，并通过量化分析识别聚合特定的操作点。这一方法与传统的整体准确性评估方法本质上不同。

关键设计：在模型设计中，Chronos-2和Chronos-Bolt采用了先进的时间序列建模技术，使用NMAE和MAPE作为评估指标，确保在高需求期间的预测准确性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，Chronos-2在所有聚合层次上均实现了最佳的高需求预测性能，HD-NMAE和HD-MAPE分别为0.039和4.53%（区域代码）、0.080和9.45%（次级变电站）、0.138和16.14%（低压馈线），相比于传统模型，HD-NMAE降低了20-51%。

🎯 应用场景

该研究的潜在应用领域包括电力系统运营、智能电网管理和可再生能源集成等。通过提高短期负荷预测的准确性，能够有效支持电力调度、减少拥堵风险，并优化电网资源配置，具有重要的实际价值和未来影响。

📄 摘要（原文）

For distribution system operators, short-term load forecasting (STLF) supports congestion management, voltage control, and asset protection. Most existing approaches focus on overall accuracy across all time steps and neglect performance during high-demand (HD) periods, where larger forecast errors can increase the risk of congestion and voltage violations. In this paper, we study peak-aware STLF across three operator-relevant distribution grid aggregation levels, area codes (AC), secondary substations (SUB), and low-voltage (LV) feeders, using open datasets from the United Kingdom and Switzerland. We compare statistical baselines, machine learning models (LightGBM and XGBoost), and recent time-series foundation models (Chronos Bolt and Chronos-2) under a peak-aware evaluation framework that reports both overall and HD forecasting performance using NMAE and MAPE. The results show that Chronos-2 achieves the best HD performance across all aggregation levels, with HD-NMAE and HD-MAPE of 0.039 and 4.53% at AC, 0.080 and 9.45% at SUB, and 0.138 and 16.14% at LV, while Chronos-Bolt consistently ranks second best. Compared with the gradient boosted ML models, Chronos-2 reduces mean HD-NMAE by about 20-51% across levels while remaining best or near-best on the overall metrics. A quantile analysis of the probabilistic Chronos outputs further identifies aggregation-specific operating points, and runtime measurements indicate that foundation model inference is fast enough for practical deployment. Overall, the findings highlight peak-aware evaluation and aggregation specific quantile selection as a practical pathway toward more operationally relevant STLF in distribution networks.