《Energy and AI》：Time-series foundation models for energy infrastructure: Evidence and requirements for digital-twin-grade integration
编辑推荐：
时间序列基础模型（time-series foundation models, TSFMs）有望实现异构能源系统的可复用预测，但其面向运营数字孪生的准备程度尚不明确。本结构化批判性综述通过一项截至2026年9月28日完成的有据可查的文献检索与定向追踪，对该差距
时间序列基础模型（time-series foundation models, TSFMs）有望实现异构能源系统的可复用预测，但其面向运营数字孪生的准备程度尚不明确。本结构化批判性综述通过一项截至2026年9月28日完成的有据可查的文献检索与定向追踪，对该差距进行了评估。五次初始网络查询及随后增加的三次查询共返回164条记录；经筛选与定向追踪后，形成由42项研究组成的核心证据库，并辅以选择性采样的运营需求背景文献。研究层面的提取区分了直接能源证据、迁移使能证据及拟议集成功能，同时一项定性成熟度评估将每项判断关联至支撑研究与局限性。证据表明存在条件性的预测优势而非普遍优越性：一项区域供热研究报告显示，在已知未来天气条件下，预训练模型的年度归一化误差为12.48%，而任务特定Transformer为14.57%；相比之下，一项电价基准研究发现，没有任何基础模型在整体上统计显著优于其季节性分解基线。近期研究还展示了建筑分类、图条件预测及物理信息自适应。然而，最强有力的证据仍局限于回顾性与预测聚焦领域；可靠的故障隔离、维护效益及受控的前瞻性运营改进尚未得到证实。为将这些差距转化为可操作的评估框架，一项经过验证的区域供热工作流详细说明了预测起点信息、本地校准、物理仿真、弃权机制及前瞻性后果评估。因此，数字孪生级集成被界定为一种系统层面评估，要求具备本地验证的不确定性、感知泄漏的评估及受治理的运营，而非预训练检查点的内在属性。
论文解读
研究背景、现存问题与研究动机
随着能源基础设施日益数字化、去中心化和运行相互依赖，配电网需容纳可变可再生能源、电气化供暖、电动汽车及活跃产消者；区域供热网络正从集中调度高温系统向低温、多源且需求响应型基础设施演进；建筑物则配备了楼宇管理系统、智能电表、分项计量、 occupancy 传感及日益复杂的控制层。在此背景下，运营决策依赖于异构时间序列，包括电力注入、热负荷、供回水温度、变压器负载、电压曲线、 occupancy 、天气变量、电价、资产状态指标及维护事件。传统上，预测是数据驱动能源分析的切入点，但该领域正转向时间序列基础模型（TSFMs）——即在大量异构时间序列上预训练，并通过零样本推理或有限适应迁移至未见数据集。
现有TSFM综述主要关注架构、分词、预训练目标、适应机制及通用预测基准，而能源领域的数字孪生综述则侧重于设计与管理框架，两者缺乏交叉融合。核心研究空白在于TSFM通常作为“预测引擎”被评估，而数字孪生需要的是“上下文感知、不确定性感知且可治理的决策支持模块”。具体表现为四大差距：零样本预测常被强调为主要价值主张，但能源系统运营很少是仅凭目标历史外推即可解决的问题；多数公开评估侧重平均历史预测精度，而数字孪生级应用还需校准的不确定性估计、面向未来的评估、鲁棒性及后果性错误处理；维护、诊断与可靠性在TSFM研究中代表性不足；预训练时序模型与数字孪生物理、空间及组织组件的集成仍不成熟。为此，研究人员提出六项研究问题，涵盖TSFM架构相关性、适用条件、超越常规预测的角色、不确定性管理、基准设计及部署优先级，旨在推动TSFM从有前景的预测模型迈向可信赖、可维护的能源基础设施数字孪生组件。
关键技术方法
研究人员采用结构化批判性综述方法，遵循PRISMA报告透明度原则。搜索协议于正式查询前撰写，并于2026年9月27日执行，定向源恢复与验证于次日完成。初始查询集Q1-Q5采用限制性引号表达式，因检索稀疏或噪声较大，后续增加Q6-Q8更宽泛的非引号表达式。八次有界网络查询共返回164条记录，去重后剩余117条进行筛选，标题/摘要筛选排除87条，30篇寻求全文的报告中有6篇无法获取可用技术文本，最终24篇评估报告中1篇因全文本排除、23篇纳入，另加19项定向追踪研究，构成42项研究的核心证据库。证据分为三类：D类（直接能源证据）、E类（迁移/使能证据）、C类（概念提议）。成熟度按五级定性标尺分配，从1级（基于特定概念、通用方法或邻域证据支持合理转移）到4级（前瞻性运营评估），不足以支持特定能力的标记为“—”。
研究结果
第3节：从统计预测到时序基础模型
本节回顾了能源预测的历史发展，从经典统计模型（结合自回归项、季节成分、日历效应等）到机器学习方法（梯度提升、随机森林、深度神经网络如DeepAR、Transformer、Informer、Temporal Fusion Transformer及PatchTST）。TSFM通过在大规模时间序列集合上预训练，产生可复用的时序表征或预测先验，支持跨数据集、资产或下游任务的迁移，代表家族包括Lag-Llama、TimesFM、Chronos/Chronos-2、Moirai/Moirai-MoE、Time-MoE、Sundial、Tiny Time Mixers、MOMENT、Timer及TabPFN-TS。
第4节：面向能源基础设施的TSFM方法分类
本节比较了代表性模型家族的复用机制及其对能源评估的影响，指出概率输出不等于本地校准，多元预测不自动编码资产连接性，低参数量不假定边缘可行性，专有服务可能无法独立审计。
第5节：能源基础设施时间序列：领域结构与建模含义
本节分析了电力网格、区域供热网络、智能建筑、可再生能源发电及电力市场数据的六大特征：多尺度时序结构、对外生驱动因素的依赖、空间或拓扑耦合、非平稳性、部分可观性及罕见事件的不对称重要性。例如，区域供热中管道状况极少直接测量，故障标签稀疏且延迟；建筑数据中存在闭环控制，TSFM仅外推历史测量值可能无法学习对改变设定点的响应。
第6节：能源TSFM的适应与集成策略
本节提出三种部分独立的干预措施：统计适应（额外上下文、参数更新、输出校准或领域特定预训练）、语义与上下文对齐（一致的单位、时间戳、资产标识符、协变量、运行模式及维护信息）、结构集成（物理模型、网络拓扑、图表示、模拟器、约束或决策模型）。零样本转移在目标动态与预训练模式相似、聚合抑制异质性变异的条件下最为可信；参数高效微调（如LoRA）在保持竞争力的同时降低计算成本；持续预训练可将共享表征移向行业特定动态，但需警惕重复基准系列和过时运行体制。决策感知训练可优化下游决策质量而非单纯预测误差，但不应替代预测与概率评估。
第7节：跨能源基础设施的应用证据与部署成熟度
本节通过表3提供了经核实的内部研究比较，并以图4映射每项评估能力至稳定源链接标识符。在电力负荷预测方面，零样本预训练模型在家庭负荷场景下可与从头训练的Transformer竞争，且相对价值可能随聚合水平提高而增加；在可再生能源方面，WindFM利用风能领域预训练实现零样本确定性及概率风电预测，Tyan-WP结合静态站点描述符与气象融合，冷启动光伏预测利用物理信息合成历史生成TSFM上下文；在区域供热方面，Chronos-2在慕尼黑和弗伦斯堡的年均CVRMSE低于TFT，但配置选择与评估年份重叠，且主实验假设观测到的未来室外温度已知，削弱了前瞻性解释力；在智能建筑方面，Chronos经参数高效微调后在日本某办公室HVAC需求预测中MASE达0.21，优于TFT的0.24，但仅限于单栋建筑；在电力市场方面，Chronos-Bolt与Time-MoE具有竞争力，但无基础模型整体统计显著优于双季节MSTL基线，法国与德国结果的逆转否定了普适优越性主张。
讨论与结论总结
讨论部分强调，数字孪生级集成应被理解为一种系统层面评估，要求本地验证的不确定性、感知泄漏的评估及受治理的运营，而非预训练检查点的内在属性。研究结论指出，TSFM在能源基础设施中的应用呈现条件性预测优势而非普遍优越性；最强证据仍限于回顾性预测领域，可靠故障隔离、维护效益及受控前瞻性运营改进尚未建立。为弥合这些差距，研究人员提出一项经过验证的区域供热工作流，明确指定预测起点信息、本地校准、物理仿真、弃权机制及前瞻性后果评估，从而将数字孪生级集成框架化为可操作的评估体系。
