使用时间序列基础模型评估协变量电网负荷预测

现代电力系统变得越来越复杂，因为它们集成了不同的发电源以满足不断增长的需求，这使得准确的负荷预测变得具有挑战性。时间序列基础模型 (TSFM) 的最新进展在零样本单变量负载预测任务中取得了可喜的性能。然而，现实世界的负荷预测通常涉及多个目标变量，并且需要整合外生变量，这对 TSFM 在现实环境中的效用提出了重要问题。在本研究中，我们将亚马逊最近开发的模型 Chronos-2 定位为支持单变量、多变量和协变量预测的代表性多通道 TSFM，并对如何将此类模型用于现实世界的负载预测进行系统研究。虽然之前的工作已经在零样本设置下对有限数量的能源相关任务评估了 Chronos-2，但其相对于已建立的特定于任务的深度学习模型的性能及其在使用特定于任务的历史数据进行调整时的行为仍然没有得到充分的了解。在这项工作中，我们在两个现实世界的实用数据集 ISO New England 和 ENTSO-E 上评估 Chronos-2，并将其与广泛使用的特定任务深度学习模型进行基准测试。我们的结果表明，Chronos-2 大大受益于特定任务的 微调，并实现了强大的短期预测性能，但其零样本精度落后于特定任务模型，并且随着预测步骤的增加，其预测误差增长得更快。总体而言，本研究详细描述了 TSFM（例如 Chronos-2）在电网负载预测中的优势和局限性，并提供了如何将预训练的 TSFM 有效地适应运行负载预测应用的实用见解。