智能电表能源预测的深度时间序列模型实证基准测试

# 智能电表能源预测的深度时间序列模型实证基准研究
来源：https://arxiv.org/html/2608.18675
\[orcid=0000\-0002\-1951\-7515\]

\[orcid=0000\-0001\-9888\-303X\]

\[orcid=0000\-0003\-3636\-081X\]

\[orcid=0000\-0003\-4761\-8601\]

††要点：我们使用两个高分辨率真实智能电表数据集，对九种深度学习预测模型进行了基准评估。研究表明，预测精度随历史上下文延长而提升，但仅达到饱和点，之后收益有限；而精度则随预测视野延长持续下降。我们证明，轻量级架构能在更低计算成本下达到具有竞争力的精度，且架构差异仅在较长预测视野和异质性更强的数据集上变得显著。通过子群分析，我们发现基于Transformer的模型在最具弱势特征的人群细分市场中似乎具有优势，但此模式未达到统计显著性，且在不同数据集间表现不一致。Behnaz Kavoosighafibehnaz\.kavoosighafi@liu\.sehttps://liu.se/medarbetare/behka57organization=Linköping University, addressline=Department of Science and Technology, city=Norrköping, postcode=60174, state=Östergötland, country=SwedenMaria Eidenskogmaria\.eidenskog@liu\.sehttps://liu.se/medarbetare/marno68organization=Linköping University, addressline=Department of Thematic Studies, city=Linköping, postcode=58183, state=Östergötland, country=SwedenKaterina Vrotsoukaterina\.vrotsou@liu\.sehttps://liu.se/medarbetare/katvr62

###### 摘要

准确的能源消费预测对电力系统的高效运行至关重要，直接影响运营成本、能源管理和系统维护。由于智能电表提供了大量高分辨率的消费数据，数据驱动方法已被广泛应用于短期和长期预测。然而，它们在真实世界智能电表数据上的比较性能仍未得到充分研究。本文对九种现代深度学习时间序列预测模型进行了实证基准评估，包括线性模型、基于MLP的模型、卷积模型和Transformer架构。我们在两个公开的智能电表数据集上评估了这些模型。我们的分析聚焦于三个强烈影响预测性能的因素：历史输入长度、预测视野和模型架构选择。研究表明，扩展历史上下文可以提高精度，但仅达到饱和点，之后额外的输入收益有限。相比之下，精度随预测视野的增加而下降。我们还研究了预测精度与计算复杂性之间的权衡，并评估了模型性能差异的统计显著性和实际影响程度。结果表明，深度学习模型始终优于经典基线模型，而轻量级架构在显著更低的计算成本下能达到相对相似的性能。此外，架构差异仅在较长的预测视野和更具异质性的数据集上变得有意义。最后，跨地理人口统计和家庭类别的子群分析表明，模型选择对大多数人市场细分的影响有限，基于注意力的架构在最具弱势或行为不规则的群体中似乎具有优势，但由于受影响的子群规模较小，这种优势在统计上并不稳健，且在不同数据集间未表现出一致的可推广性。本基准研究为智能电表能源应用中选择预测模型提供了实践指导。

###### 关键词

时间序列预测，智能电表，深度学习，能源消费，Transformer，基准研究

††致谢：概念化，数据管理，形式分析，调研，方法论，软件，验证，可视化，撰写–初稿，撰写–审校与编辑††致谢：资金获取，项目管理，撰写–审校与编辑††致谢：资金获取，撰写–审校与编辑††致谢：概念化，资金获取，监督，资源，撰写–审校与编辑††通讯作者：通讯作者## 1引言

准确预测住宅能源消费在现代能源系统中至关重要，这些系统需要可靠的小时或日负荷预测以支持需求响应、基础设施规划与投资以及环境管理\[37 (https://arxiv.org/html/2608.18675#bib.bib21)\]。过去几十年，智能电表已在全球部署，以更高的精度和精细的时间分辨率记录电力、水和其他形式的消耗。因此，许多包含详细消费信息的数据集变得可用，通常还伴有影响消费模式的天气和人口统计等辅助因素\[4 (https://arxiv.org/html/2608.18675#bib.bib36),23 (https://arxiv.org/html/2608.18675#bib.bib37),20 (https://arxiv.org/html/2608.18675#bib.bib38)\]。这些数据集为消费动态的数据驱动建模以及捕获复杂时间模式和行为变异性的预测方法提供了宝贵机会。与此同时，随着机器学习技术的采用，时间序列预测领域取得了显著进展\[8 (https://arxiv.org/html/2608.18675#bib.bib5),21 (https://arxiv.org/html/2608.18675#bib.bib2),24 (https://arxiv.org/html/2608.18675#bib.bib1)\]。经典统计模型在建模趋势和季节性方面表现出色\[6 (https://arxiv.org/html/2608.18675#bib.bib11)\]，而神经网络则更适合捕获非线性时间依赖性。基于卷积网络、循环神经网络以及更近期Transformer架构的模型在众多预测任务中展现了强大的预测能力\[27 (https://arxiv.org/html/2608.18675#bib.bib33),32 (https://arxiv.org/html/2608.18675#bib.bib30),42 (https://arxiv.org/html/2608.18675#bib.bib27)\]。然而，一些更简单的方法，如线性模型和多层感知器（MLPs），也被提出以在保持高精度的同时降低计算成本\[40 (https://arxiv.org/html/2608.18675#bib.bib28),15 (https://arxiv.org/html/2608.18675#bib.bib31),41 (https://arxiv.org/html/2608.18675#bib.bib29)\]，这引发了一个问题：在预测能源消费等结构化信号时，日益复杂的架构是否始终优于更简单的模型。

除了架构复杂性，还有其他几个因素直接影响预测模型的性能，包括未来预测的时间跨度（通常称为预测视野）以及作为输入提供的过去观测数量（称为历史上下文）。随着预测视野的增加，预测变得更具挑战性，因为模型必须将模式外推到观测输入窗口之外，这增加了不确定性并放大了建模误差。这是长期预测中的一个基本挑战，并推动了许多专门预测架构的开发\[26 (https://arxiv.org/html/2608.18675#bib.bib3),21 (https://arxiv.org/html/2608.18675#bib.bib2)\]。

另一个重要但常被忽视的方面是模型性能在不同人群细分市场中的变化。许多研究主要关注总体预测精度，而未仔细考察预测模型在不同群体中是否表现相似。此类分析很重要，因为家庭能源消费本质上是异质性的，反映了社会经济特征、占用模式和建筑类型等方面的差异\[10 (https://arxiv.org/html/2608.18675#bib.bib39)\]。在这项工作中，我们研究了不同社会经济类别下的预测性能，以评估模型是否在不同人群群体中保持一致的泛化能力。此外，模型可用的历史上下文数量会影响其预测性能\[35 (https://arxiv.org/html/2608.18675#bib.bib40)\]。虽然直觉上预期提供更多历史观测会提高预测精度，但这种效应可能因模型架构和数据集的不同而变化。一些模型从更长的输入序列中显著受益，而另一些模型可能在捕获季节性模式后达到性能平台期。因此，在设计现实世界应用的预测系统时，理解不同模型如何利用历史上下文至关重要。

虽然有多项研究在通用时间序列数据集上对预测架构进行了基准测试，但在高分辨率智能电表能源数据上的类似评估非常有限\[32 (https://arxiv.org/html/2608.18675#bib.bib30),27 (https://arxiv.org/html/2608.18675#bib.bib33),42 (https://arxiv.org/html/2608.18675#bib.bib27),38 (https://arxiv.org/html/2608.18675#bib.bib34)\]。一些近期研究已开始填补这一空白，在家庭级电力数据上对基础模型\[31 (https://arxiv.org/html/2608.18675#bib.bib42)\]或比较深度学习架构（如NBEATS、DLinear和FEDformer）\[29 (https://arxiv.org/html/2608.18675#bib.bib43)\]进行了基准测试，但未联合考察历史上下文长度和预测视野的影响、报告精度-效率权衡或评估不同地理人口统计或建筑类型子群的性能。家庭能源消费数据也表现出独特的特征，包括强周期性、行为变异性以及家庭间的多样性，这与聚合数据集有显著不同\[30 (https://arxiv.org/html/2608.18675#bib.bib20)\]。在本研究中，我们对短视野和长视野智能电表能源数据的预测算法进行了实证评估，并研究了不同架构如何应对随历史上下文长度和预测视野增加而增长的预测难度。我们在两个公开的智能电表数据集上评估了九种代表性模型，包括线性模型、基于MLP的模型、卷积模型和基于Transformer的设计，以及经典统计基线。这些数据集在地理覆盖范围、时间分辨率和消费特征上有所不同，这使得对模型行为的评估更为广泛。与先前在通用研究数据集上评估的时间序列基准不同，这项研究联合考察了模型架构、历史上下文长度、预测视野、计算成本、统计和实际显著性以及地理人口统计子群公平性，为实际能源预测环境中的模型选择提供了基于证据的指导。我们的主要贡献总结如下：

- •对九种预测架构（包括线性模型、基于MLP的模型、卷积模型和基于Transformer的模型）以及经典基线（SARIMA、朴素季节模型）在两个真实世界智能电表数据集上的实证基准评估。
- •对数据集的探索性分析，包括消费模式、时间行为以及人口统计子群的分布。
- •对预测精度与计算效率之间权衡的分析，以及历史上下文长度和预测视野如何影响预测性能的研究。
- •跨地理人口统计类别的子群分析，突显了不同人群细分市场中预测性能的潜在差异。

## 2相关工作

### 2\.1时间序列预测

时间序列预测涉及基于历史数据估计未来观测值，是机器学习、统计学及相关学科的一个活跃研究领域\[5 (https://arxiv.org/html/2608.18675#bib.bib7)\]。鉴于时间动态的固有复杂性，预测模型旨在学习序列的潜在结构，如趋势和季节性，以提取能产生准确预测的信息性表示。

预测方法可根据预测视野分为短期预测和长期预测。长期预测视野的定义取决于数据的时间分辨率。例如，一周在小时数据中对应168个时间步，但在日数据中仅对应7个。长期预测通常应用于基础设施规划、市场分析、维护和调度。然而，由于误差累积和可靠上下文信息的逐渐丢失，预测不确定性通常随预测长度增加而增加\[25 (https://arxiv.org/html/2608.18675#bib.bib9)\]。相比之下，短期预测通常能达到更高的精度，并常用于运营决策和需求响应\[18 (https://arxiv.org/html/2608.18675#bib.bib10)\]。

预测可以使用经典统计方法、机器学习方法和深度学习模型进行。统计模型使用近似历史数据行为的数学公式来估计未来值\[13 (https://arxiv.org/html/2608.18675#bib.bib4)\]。著名的例子包括自回归（AR）、移动平均（MA）和自回归综合移动平均（ARIMA）\[6 (https://arxiv.org/html/2608.18675#bib.bib11)\]，它们通常对短期预测有效，但在处理复杂或高度非线性数据时较为困难。机器学习模型旨在通过监督学习提高预测性能\[2 (https://arxiv.org/html/2608.18675#bib.bib6)\]，方法包括随机森林\[7 (https://arxiv.org/html/2608.18675#bib.bib12)\]、极端梯度提升（XGBoost）\[9 (https://arxiv.org/html/2608.18675#bib.bib13)\]和支持向量机（SVM）\[11 (https://arxiv.org/html/2608.18675#bib.bib14)\]。近期，包括时间卷积网络（TCNs）\[3 (https://arxiv.org/html/2608.18675#bib.bib16)\]、循环神经网络（RNNs）\[16 (https://arxiv.org/html/2608.18675#bib.bib15)\]和Transformer\[36 (https://arxiv.org/html/2608.18675#bib.bib17)\]在内的深度学习方法，通过学习多变量数据中复杂的时间依赖性和交互作用，推动了预测的发展。然而，这种灵活性往往以更高的计算和数据需求为代价。有关预测方法的全面概述，我们推荐读者参阅近期的综述文献\[8 (https://arxiv.org/html/2608.18675#bib.bib5),21 (https://arxiv.org/html/2608.18675#bib.bib2),24 (https://arxiv.org/html/2608.18675#bib.bib1),26 (https://arxiv.org/html/2608.18675#bib.bib3)\]。

### 2\.2能源消费预测

能源和负荷消耗预测多年来一直是一个活跃的研究领域，支持着从长期战略规划和可再生能源整合\[37 (https://arxiv.org/html/2608.18675#bib.bib21)\]到建筑能源系统管理的应用。在此背景下，能源数据指各种形式的消耗，包括电力、供热和水。预测可以在聚合尺度上进行，估计区域或城市的总需求\[19 (https://arxiv.org/html/2608.18675#bib.bib22)\]；也可以在精细尺度上进行，关注单个家庭、建筑甚至特定电器\[30 (https://arxiv.org/html/2608.18675#bib.bib20)\]。聚合预测主要用于城市能源管理和成本控制，而精细预测则更与工程、维护和运营优化相关\[34 (ht