论文
未来协变量不确定条件下的时序基础模型负荷预测
Benchmarking Time Series Foundation Models for Load Forecasting Under Covariate Uncertainty
摘要
准确的短期负荷预测（STLF）对于现代电力系统的可靠和高效运行至关重要。虽然时间序列基础模型 (TSFM) 最近在各种预测任务中表现出了卓越的性能，但它们在实际操作条件下对 STLF 的有效性仍然很大程度上尚未得到探索。在本文中，我们提出了四个从头训练（TFS）模型和四个 TSFM 的综合基准，涵盖三个现实世界负载预测数据集，在未来协变量信息的可用性和质量不同的操作场景下。我们的结果表明，当未来协变量可用或准确预测时，Chronos-2 在零样本和微调设置中始终实现最先进的性能。然而，随着协变量预测变得越来越嘈杂，其性能会下降，而 TimesNet 在严重的协变量不确定性下表现出更强的鲁棒性。这些发现证明了基于协变量的 TSFM 对于 STLF 的有效性，同时强调了稳健的协变量建模在现实世界预测应用中的关键作用。