Probabilistic Low-Voltage Peak Load Forecasting with Time Series Foundation Models Evaluated on Application-Oriented Metrics

📄 arXiv: 2607.01966v1 📥 PDF

作者: Benedikt Kaas, Manuel Treutlein, Hannes Benedikt Gerber, Oliver Neumann, Cheewan Phatthanakhuha, Oliver Resch, Ralf Mikut, Veit Hagenmeyer

分类: cs.LG

发布日期: 2026-07-02

备注: A poster abstract of this publication will be available at the 15th DACH+ Conference on Energy Informatics (2026 in Linz, Austria)

💡 一句话要点

提出基于时间序列基础模型的低压负荷预测方法以解决现有预测不足问题

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

关键词: 低压负荷预测 时间序列模型 电网优化 峰值预测 不确定性估计 智能电网 可再生能源

📋 核心要点

  1. 现有的低压负荷预测方法需要大量人工干预，且缺乏对不确定性的估计和准确的峰值预测。
  2. 本研究提出了基于时间序列基础模型的预测方法，特别是Chronos-2模型，旨在提高预测的准确性和可靠性。
  3. 实验结果表明，Chronos-2在与六个基线模型的比较中表现出色，尤其在峰值预测方面具有显著提升。

📝 摘要（中文）

低压负荷预测是当前和未来能源系统中重要的组成部分，尤其是在电气化和分散发电日益增加的背景下。然而，现有的预测方法往往需要大量人工干预，缺乏不确定性估计和准确的峰值预测，并且在电网需求方面的评估也不够充分。本研究对200个真实低压馈线的短期净负荷预测进行了广泛评估，重点关注快速发展的时间序列基础模型。我们比较了Chronos-Bolt、Chronos-2和TabPFN-TS与六个基线模型，结果显示Chronos-2的性能尤为优越。消融研究表明，尽管天气信息重要，时间序列基础模型在不确定性增加的情况下仍能适应。我们提出了一种新的应用导向指标，将模型的峰值预测能力与电网资产规划和运营中的成本降低与故障风险最小化之间的权衡联系起来。

🔬 方法详解

问题定义：本论文旨在解决低压负荷预测中的不确定性估计不足和峰值预测不准确的问题。现有方法往往依赖于人工干预，导致效率低下和预测精度不足。

核心思路：论文提出利用时间序列基础模型，特别是Chronos-2，来提高低压负荷的短期预测能力。通过引入新的评估指标，连接预测能力与电网资产规划的实际需求，旨在减少成本和风险。

技术框架：研究的整体架构包括数据收集、模型训练和评估三个主要阶段。首先，从200个低压馈线收集历史负荷数据和天气信息；其次，训练Chronos-Bolt、Chronos-2和TabPFN-TS等模型；最后，通过应用导向指标评估模型性能。

关键创新：本研究的关键创新在于引入了一种新的应用导向指标，将峰值预测能力与电网运营中的成本和风险进行关联，提供了更具实用性的评估标准。与传统方法相比，这种方法更能适应电网的实际需求。

关键设计：在模型设计中，Chronos-2采用了特定的参数设置和损失函数，以优化预测精度。此外，消融研究表明，尽管天气信息对预测重要，但时间序列基础模型在缺失天气信息时仍能保持较高的适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Chronos-2模型在与六个基线模型的比较中表现优越，尤其在峰值预测方面，提升幅度显著。新的应用导向指标有效地将预测能力与电网资产规划的成本和风险进行了关联，为电力系统的优化提供了新的视角。

🎯 应用场景

该研究的潜在应用领域包括电力系统的负荷管理、智能电网优化以及可再生能源的集成。通过提高低压负荷预测的准确性，能够有效降低电网运营成本，提升电力系统的稳定性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Low-voltage load forecasting is an important component in current and future energy systems with a high degree of electrification and decentralized generation. However, current forecasting methods require significant manual effort, often lack uncertainty estimation and proper peak prediction, and they are often not adequately evaluated in terms of grid requirements. In the present study, we provide an extensive evaluation of short-term net load forecasts of 200 real-world low-voltage feeders with a focus on the rapidly evolving time series foundation models. Our study compares Chronos-Bolt, Chronos-2 and TabPFN-TS to six baseline models and demonstrates superior performance, in particular for Chronos-2. An ablation study, in which weather covariates are omitted, shows that time series foundation models adapt to increased uncertainty, despite the importance of weather information. A novel application-oriented metric links the model's forecasting capabilities in peak prediction to the trade-off in grid asset planning and operation between cost reduction and minimizing the risk of failure.