《Energy and AI》：Systematic evaluation of TabPFN-TS and Chronos-2 for zero-shot heat load forecasting in district heating networks
编辑推荐：
区域供热能源枢纽需要可靠的热负荷预测以实现高效的运行调度。基于历史数据训练的预测模型可能需要在管网演变时重新训练。因此，零样本时间序列基础模型（zero-shot time-series foundation models, TSFMs）和上下文预测（in-c
区域供热能源枢纽需要可靠的热负荷预测以实现高效的运行调度。基于历史数据训练的预测模型可能需要在管网演变时重新训练。因此，零样本时间序列基础模型（zero-shot time-series foundation models, TSFMs）和上下文预测（in-context forecasting）提供了一种有前景的替代方案：它们可以通过推理阶段从近期观测中自适应，而非通过重复再训练。本研究系统性地评估了TabPFN-TS和Chronos-2在德国两个区域供热网络中的概率热负荷预测性能，并将其与训练基线模型进行比较。研究的特别关注点在于，TabPFN-TS的基础模型完全在合成表格数据而非时间序列数据上进行预训练，其是否能捕捉复杂的区域供热动态特性。研究人员分析了协变量选择、上下文长度、时间分辨率和预测时长对选定运行周的影响，在全年范围内评估了选定的配置，并评估了跨网络迁移能力。主要基准假设采用完美天气预报；另设一项独立的敏感性分析使用回顾性天气预报。每小时24小时预测结合12周滚动上下文和环境温度构成了一个简约配置；更长的上下文窗口并未提升精度。在全年基准测试中，两种TSFMs在确定性精度上均优于所有训练基线模型。Chronos-2取得了最佳确定性评分，而TabPFN-TS紧随其后：它们在主数据集上的CVRMSE值分别为12.48%和13.07%。Chronos-2在两个网络中均取得了更低的连续排序概率评分（continuous ranked probability score, CRPS），TabPFN-TS则保持接近。最后，基于TSFM的多分辨率残差修正预测器（Multi-Resolution Residual-Correction Forecaster, MRRC）将每小时基预测与短期高分辨率修正相结合。相较于直接高分辨率预测，该方法通常在12小时时段内的总热需求误差和记录预测时间方面有所降低。
论文解读：区域供热网络零样本热负荷预测的系统性评估
一、研究背景与研究动机
区域供热网络（district heating networks, DHNs）是实现建筑供暖脱碳的关键路径之一，能够整合废热和可再生能源。然而，实现这一潜力需要协调不同热源和储能在波动条件下的运行，使得精确的热负荷预测对于成本和排放最优的运行调度至关重要。DHN中的热需求受到多种叠加因素的驱动，包括依赖天气的空间供暖需求、随机性较强的生活热水消耗，以及运行周期、昼夜和季节性变化。
传统的数据驱动预测方法通常针对特定网络进行训练，但随着管网的演变——如建筑接入或断开、翻新、加装新技术或使用模式改变——这些模型往往需要重新训练以适应概念漂移（concept drift）。检测变化、选择合适的适应窗口并处理周期性概念（例如供暖季与非供暖季的交替）一直是技术难点。因此，研究人员提出，上下文学习（in-context learning, ICL）——即通过滑动上下文窗口不断纳入最新观测来调整预测，而不更新模型权重——或许能够支持模型适应这种变化。
近年来，基础模型（foundation models）的发展为此提供了新的可能性。TabPFN-TS是基于表格预测基础模型TabPFN的时间序列扩展，它完全在合成表格数据上预训练，并通过时间序列特征化实现预测；而Chronos-2则是直接针对时间序列预测进行预训练的基础模型。两者都能在无需任务特定权重训练的情况下实现零样本预测（zero-shot forecasting）。然而，TabPFN-TS的合成表格先验知识是否足以捕捉DHN复杂的热需求动态，以及时间序列专用预训练是否具有优势，仍是未解的问题。因此，本研究旨在系统性地对比这两种截然不同的时间序列基础模型（time-series foundation models, TSFMs）在概率热负荷预测中的表现。
二、关键技术方法
本研究采用了两种零样本时间序列基础模型：TabPFN-TS（基于Transformer架构，通过上下文学习从合成表格数据中泛化）和Chronos-2（直接在大规模时间序列数据上预训练的编码器-解码器模型）。作为对照，研究人员还使用了经典的统计模型（如ARIMA）、机器学习模型（如XGBoost）以及深度学习模型（如LSTM）作为训练基线。实验数据来自德国两个实际的区域供热网络。研究设计了系统性实验，考察协变量选择、上下文长度、时间分辨率（小时级与15分钟级）以及预测时长（4小时至一周）对预测性能的影响。此外，研究人员还提出了一个基于TSFM的多分辨率残差修正预测器（Multi-Resolution Residual-Correction Forecaster, MRRC），将小时级基预测与短期高分辨率修正相结合。
三、研究结果
1. 协变量选择与上下文长度的影响
研究发现，以环境温度作为唯一外生协变量，配合12周滚动上下文窗口，即可获得简约而有效的配置。更长的上下文窗口并未带来精度的进一步提升，表明近期观测数据已包含足够的动态信息。
2. 时间分辨率与预测时长的交互作用
在小时级分辨率下，两种TSFM均表现出色；在15分钟高分辨率下，模型仍能捕捉到更高频的热负荷动态，但预测难度增加。预测时长越长，误差累积越明显，但TSFM相对于基线模型的优势仍然保持。
3. 全年基准测试结果
在全年范围的确定性预测精度比较中，两种TSFM均全面超越了所有训练基线模型。Chronos-2取得了最优的确定性评分，在主数据集上的CVRMSE（变异系数均方根误差）为12.48%；TabPFN-TS紧随其后，CVRMSE为13.07%。在概率预测方面，Chronos-2在两个网络中均取得了更低的连续排序概率评分（continuous ranked probability score, CRPS），TabPFN-TS同样保持接近水平。
4. 跨网络迁移能力
两种TSFM在从一个网络迁移到另一个网络时，均展现出良好的适应性，无需重新训练即可在新的数据分布上取得合理预测效果，这验证了零样本方法的实用价值。
5. 多分辨率残差修正预测器（MRRC）
基于诊断发现，研究人员提出了MRRC框架：先由TSFM生成小时级基预测，再通过高分辨率模型对残差进行修正。与直接进行高分辨率预测相比，MRRC在12小时时段内的总热需求预测误差和计算时间方面均有改善。
四、讨论与结论
研究表明，零样本时间序列基础模型在区域供热网络热负荷预测中具备显著优势，不仅消除了频繁重训练的需求，还能通过上下文窗口自然适应概念漂移。TabPFN-TS尽管完全基于合成表格数据预训练，却依然能够有效捕捉供热系统的复杂动态，其性能与专门针对时间序列预训练的Chronos-2相当。这一发现挑战了“领域专用预训练”的必要性，拓展了基础模型在能源领域的应用边界。
研究结论指出：对于区域供热网络的概率热负荷预测，零样本TSFM是一种高效且实用的替代方案。其中，Chronos-2在确定性和概率精度上略占优势，而TabPFN-TS因其独特的预训练范式展示了令人意外的竞争力。多分辨率残差修正策略进一步提升了高分辨率场景下的预测效率。未来工作可探索更多样的协变量组合、更长周期的季节性模式，以及在更大规模管网中的部署可行性。
