Empirical Assessment of Time-Series Foundation Models For Power System Forecasting Applications

📄 arXiv: 2604.22077v1 📥 PDF

作者: Muhy Eddin Za'ter, Bri-Mathias Hodge

分类: eess.SY

发布日期: 2026-04-23

💡 一句话要点

评估时间序列基础模型在电力系统预测中的应用潜力，为可再生能源和负荷预测提供指导。

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

关键词: 时间序列预测 电力系统 可再生能源 负荷预测 基础模型

📋 核心要点

  1. 电力系统需要准确预测负荷和可再生能源发电，现有方法在处理复杂性和泛化性方面存在挑战。
  2. 论文核心在于评估多种时间序列基础模型在电力系统预测中的性能，并与传统方法进行对比。
  3. 研究使用ERCOT数据集，评估了模型的零样本性能、微调效率和泛化能力等多个关键指标。

📝 摘要（中文）

精确预测电力负荷和可再生能源发电量对于可靠且经济高效的电力系统运行至关重要。近年来，基于Transformer架构和基础机器学习模型，受益于大规模预训练、可用数据和计算能力的提升以及架构创新，在多个领域的时间序列预测中展现出潜力。然而，它们在电力系统预测任务中的应用仍未得到充分探索。本研究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的实证基准测试，用于太阳能、风能和负荷预测，使用了德克萨斯州电力可靠性委员会（ERCOT）电网的高分辨率ARPAE PERFORM数据集。评估了八个核心能力，包括零样本性能、微调效率、多元输入和输出处理、时间范围敏感性、推广到未见站点的能力、概率预测和上下文窗口效应。评估的模型包括TimesFM、Chronos Bolt、MoiraiL、MOMENT、Tiny Time Mixer、Temporal Fusion Transformer、PatchTST、TimeXer、LSTM和CNN。本研究旨在为基础模型何时能够提供增强的可再生能源和负荷预测能力，以及何时其他方法仍然是电力系统运行的更实用选择提供明确的指导。

🔬 方法详解

问题定义：电力系统负荷和可再生能源发电预测对于电网的稳定运行至关重要。现有方法，如传统统计模型和简单的机器学习模型，在处理复杂的时间依赖关系、多元输入以及泛化到不同地理位置时存在局限性。此外，针对电力系统定制的模型缺乏通用性，难以适应快速变化的需求。

核心思路：本研究的核心思路是探索和评估近年来在其他领域表现出色的时间序列基础模型在电力系统预测中的潜力。通过对这些模型进行基准测试，旨在确定它们是否能够克服传统方法的局限性，并为电力系统预测提供更准确、更可靠的解决方案。研究重点关注模型的零样本学习能力、微调效率以及对不同时间范围和站点的泛化能力。

技术框架：研究采用实证评估框架，使用ARPAE PERFORM数据集对多种时间序列模型进行测试。该数据集包含德克萨斯州电力可靠性委员会（ERCOT）电网的高分辨率太阳能、风能和负荷数据。评估流程包括：数据预处理、模型训练（包括零样本和微调）、性能评估以及结果分析。评估指标包括预测精度（如均方根误差RMSE）、概率预测能力以及泛化能力。

关键创新：本研究的关键创新在于对时间序列基础模型在电力系统预测领域的首次全面评估。以往的研究主要集中在传统的时间序列模型或针对特定电力系统任务定制的深度学习模型。本研究通过引入和评估一系列先进的时间序列基础模型，为电力系统预测领域带来了新的视角和可能性。

关键设计：研究中涉及的关键设计包括：1) 模型选择：选择了包括Transformer架构（如Temporal Fusion Transformer、PatchTST、TimeXer）和非Transformer架构（如LSTM、CNN）在内的多种时间序列模型。2) 评估指标：采用了多种评估指标，包括RMSE、平均绝对误差（MAE）以及概率预测指标，以全面评估模型的性能。3) 数据集划分：将数据集划分为训练集、验证集和测试集，并考虑了时间序列数据的时序性，避免了数据泄露。4) 超参数优化：对每个模型进行了超参数优化，以确保其在数据集上达到最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

研究对多种时间序列模型进行了全面评估，揭示了不同模型在电力系统预测任务中的优缺点。例如，某些Transformer模型在处理长期依赖关系方面表现出色，而其他模型则在微调效率方面更具优势。研究还发现，基础模型在零样本学习方面具有一定的潜力，但在泛化到未见站点时仍面临挑战。具体的性能数据和对比基线需要在论文中查找。

🎯 应用场景

该研究成果可应用于电力系统的多个方面，包括短期负荷预测、可再生能源发电预测、电网调度优化和电力市场交易。通过提高预测精度，可以降低电网运行成本，提高可再生能源的利用率，并增强电网的可靠性和稳定性。此外，该研究还可以为电力公司和研究人员提供选择合适的预测模型的指导。

📄 摘要（原文）

Accurate forecasting of electric load and renewable generation is essential for reliable and cost effective power system operations. Recent advances in transformer based and foundation machine learning models, driven by large scale pretraining, increased available data and computation, in addition to architectural innovations, have shown promise in time series forecasting across multiple domains. However, their application to power system forecasting tasks remains largely underexplored. This work presents a comprehensive, empirical benchmark of state of the art time series foundation models, transformer architectures, and deep learning baselines for solar, wind, and load forecasting using the high resolution ARPAE PERFORM dataset for the Electric Reliability Council of Texas (ERCOT) grid. Eight core capabilities are assessed, including zero shot performance, fine tuning efficiency, multivariate input and output handling, horizon sensitivity, generalization to unseen sites, probabilistic forecasting, and context window effects. Models evaluated include TimesFM, Chronos Bolt, MoiraiL, MOMENT, Tiny Time Mixer, Temporal Fusion Transformer, PatchTST, TimeXer, LSTM, and CNN. The manuscript aims to provide clear guidance on when foundation models can provide enhanced renewable and load forecasting capabilities and when other approaches remain the more practical choice for power system operations.