TabPFN-TS 在区域供热管网零样本概率热负荷预测中的系统评估

区域供热能源中心需要可靠的热负荷预测，以实现高效的运行调度。传统的预测工作流程根据历史数据训练特定于系统的模型，当网络因新消费者、改造或改变运营制度而发生变化时，这些模型可能会变得繁重。零样本时间序列基础模型和上下文预测提供了一个有前途的替代方案：它们可以在推理时根据最近的观察进行调整，而不是通过重复的重新训练。本研究根据时间序列基础模型和经过训练的机器学习基线系统地评估 TabPFN-TS，以进行区域供热网络的概率热负荷预测。与在大量实时序列上预训练的基础模型不同，TabPFN-TS 依赖于合成的预训练数据，这避免了预训练与测试的直接重叠，但提出了一个问题：所学习的先验是否捕获了区域供热动态。我们分析代表性操作周的协变量选择、上下文长度、时间分辨率和预测范围，验证全年所选配置，并测试第二个网络上的可转移性。结果表明，每小时 24 小时预测以及 12 周滚动背景和环境温度是一种简约的高性能配置；较长的上下文窗口不会提高准确性。 TabPFN-TS 在确定性准确性方面仍然接近 Chronos-2，在主数据集上达到 13.06% 的 CVRMSE 值，而主数据集上的 CVRMSE 值为 12.48%，并且在每日排名比较中处于临界差异阈值之内。尽管 Chronos-2 实现了最低的全年总误差，但 TabPFN-TS 显示出更好的经验校准。最后，诊断结果激发了多分辨率残差校正预报器，该预报器将低频基础预报器与短时域残差预报器相结合，以提高较长时域规划的准确性。