FETS 基准：基础模型实现可扩展和通用的能源时间序列预测

在向气候中性能源系统过渡的推动下，准确的能源时间序列预测对于规划和运营至关重要。然而，它仍然是一项特定于数据集的任务，需要全面的训练数据，限制了可扩展性，并导致模型开发和维护工作量很大。最近，旨在通过广泛的预训练学习可泛化模式的基础模型在多个预测任务中表现出了强大的性能。尽管它们在能源预测方面取得了成功并具有强大的潜力，但仍然缺乏系统的、区分用例的评估。我们通过提出能源时间序列预测 (FETS) 基准基础模型来解决这一差距。我们 (1) 沿着三个主要维度（即利益相关者、属性和数据类别）提供能源预测用例的结构化概述，(2) 在典型利益相关者兴趣的指导下，整理 9 个数据类别的 54 个数据集，以及 (3) 跨不同预测设置针对特定任务的机器学习对基础模型进行基准测试。在我们的基准研究中，协变量信息零样本基础模型总体表现最佳，其中 Chronos-2 获得最低的总体中值 NRMSE (0.472)，紧随其后的是 TiRex-2 (0.474)。尽管它们是在完整的历史目标数据上进行特定任务训练的，但两者的性能都优于 XGBoost (0.611) 和随机森林 (0.696)。进一步的分析表明预测性能和谱熵之间存在很强的相关性。超过一定的上下文长度，性能就会饱和，并随着聚合级别的提高而提高，例如，对于国家负荷、区域供热和电网数据。总体而言，基础模型具有最低的中值误差、有限的数据要求以及较低的推理和硬件需求，减少了开发和维护工作，成为可扩展和通用的能源预测解决方案。