Short-term load forecasting under EU-AI Act Requirements in Safety-Critical Environments: Results from a 41-day live challenge on the aggregated German transmission-grid load

📄 arXiv: 2608.05018v1 📥 PDF

作者: Thomas Bartz-Beielstein

分类: cs.AI, cs.LG

发布日期: 2026-08-05

💡 一句话要点

提出基于EU-AI法案的短期负荷预测方法以应对安全关键环境挑战

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

关键词: 短期负荷预测 EU-AI法案 安全关键环境 异常检测 数据准备 多步预测算法 超参数调优 开源软件

📋 核心要点

  1. 现有的短期负荷预测方法面临准确性不足和合规性挑战，尤其是在安全关键环境中。
  2. 论文提出了一种基于spotforecast2-safe的完整STLF管道，专注于满足EU-AI法案的工程要求。
  3. 实验结果表明，该管道的预测准确性超过了ENTSO-E的基线，并且本地模型在性能上具有竞争力。

📝 摘要（中文）

短期负荷预测（STLF）在电力行业中至关重要，尤其是在被欧洲和德国法律认定为关键的基础设施中。该论文描述了一项为期41天的实时挑战的结果，评估了针对德国传输电网负荷的完整STLF管道。该管道基于开源Python库spotforecast2-safe，旨在满足安全关键环境中的EU-AI法案要求。通过使用欧洲电力传输系统运营商网络（ENTSO-E）数据，该管道能够预测目标日的24小时负荷值，并包括异常检测、数据准备、日历和天气协变量、递归多步预测算法及超参数调优。结果显示，该管道的预测准确性优于官方ENTSO-E的日预测基线。

🔬 方法详解

问题定义：论文要解决的问题是如何在安全关键环境中进行短期负荷预测，同时满足EU-AI法案的合规性要求。现有方法往往忽视了可重复性和审计性，导致在实际应用中存在风险。

核心思路：论文的核心思路是构建一个完整的STLF管道，集成异常检测、数据准备和多步预测算法，以确保预测的准确性和合规性。通过使用开源库spotforecast2-safe，设计上强调透明性和可审计性。

技术框架：整体架构包括数据收集、异常检测、数据预处理、特征工程（包括日历和天气协变量）、递归多步预测算法及超参数调优等模块。每个模块都经过精心设计，以确保高效和准确的负荷预测。

关键创新：最重要的技术创新点在于将EU-AI法案的要求嵌入到STLF管道的设计中，使其不仅关注预测准确性，还关注软件工程的合规性和可审计性。这与传统方法的单一准确性目标形成了鲜明对比。

关键设计：在关键设计方面，采用了递归多步预测算法，并结合异常检测机制来处理数据中的缺失值和异常值。此外，超参数调优的过程也被纳入，以优化模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，基于EU-AI法案的spotforecast2-safe管道在负荷预测准确性上超越了ENTSO-E的基线，且本地模型（macl2l）在性能上与大型预训练模型（如chronos-2）相当，展现出透明、低成本的优势。

🎯 应用场景

该研究的潜在应用领域包括电力行业的负荷预测、智能电网管理以及其他需要高可靠性和合规性的安全关键环境。其实际价值在于提高电力系统的稳定性和安全性，确保在法律框架内进行有效的负荷管理。未来，该方法可能推动更多基于AI的合规性解决方案的开发。

📄 摘要（原文）

Short-term load forecasting (STLF) play a vital role in the electric power industry. It serves infrastructure that European and German law designate as critical. Determinism, reproducibility, and auditability are engineering requirements rather than optional extras. STLF is no longer purely an accuracy problem. It is also a software-engineering and compliance problem. This paper describes results from a 41-day live challenge that evaluated a complete STLF pipeline for the aggregated German transmission-grid load. The pipeline is based on the open-source Python library spotforecast2-safe, which implements the EU-AI Act Requirements in Safety-Critical Environments by design. The pipeline predicts the 24 hourly load values of a target day from European Network of Transmission System Operators for Electricity (ENTSO-E) data. It includes anomaly detection and gap-aware data preparation, calendar and weather covariates, a recursive multi-step forecasting algorithm, and hyperparameter tuning. Forecast accuracy is measured against the official ENTSO-E day-ahead forecast. The EU-AI act compliant spotforecast2-safe pipeline beats the ENTSO-E baseline. In-context models show competitive performance. Transparent, low-cost, and auditable local models (referred to as macl2l in this paper) are competitive with more than 100-million-parameter large, energy-intensive pre-trained foundation models such as chronos-2. The challenge infrastructure, the complete submission history of all teams, and the frozen final leaderboard are publicly available.