大学楼宇日前用电预测：预训练TimesFM 3.0把小时级误差降到19.97千瓦时，比周季节朴素低43%
核心概要
在一栋大学教学楼57天日前用电预测测试中，带协变量的预训练TimesFM 3.0把小时级平均绝对误差降到19.97千瓦时，比周季节朴素基线低约43%，且无需针对该楼训练权重。
深度剖析
预训练时间序列基础模型可以不做楼宇专属权重训练，就在日前用电预测上取得最低的整体误差。 此前同一栋楼的对比里，表现最好的是Prophet和XGBoost这类本地拟合模型，循环神经网络并未给出最佳精度。 11种配置在同样的57个测试日、1368个小时目标上比较，带协变量的TimesFM 3.0平均绝对误差19.97千瓦时、均方根误差30.26千瓦时，均为最低。
模型把过去用电序列当作上下文直接外推未来24小时，预训练权重保持固定，不针对这栋楼更新。 本地拟合路线要在每个预测起点重新训练，XGBoost中位拟合0.84秒，LSTM中位拟合99.05秒。 测试覆盖34个工作日和23个非工作日，含12个周末日和11个假日；TimesFM 3.0带协变量在假日把均方根误差从53.74降到39.47千瓦时。
协变量带来的收益集中在停课与假日，日常教学日的误差反而略有上升。 只用历史用电的TimesFM 3.0工作日平均绝对误差16.65千瓦时，低于带协变量版本的18.85千瓦时。 把KNMI观测换成ERA5再分析后平均绝对误差变化不到0.001千瓦时，换成历史IFS预报约增加0.17千瓦时。
启示与展望
结论适用于这栋位于海牙应用科技大学代尔夫特校区、保温良好的教学楼的日前小时级用电预测，测试期为2024年2月2日至3月30日的57天，含34个工作日和23个非工作日。读者若是楼宇运行或能源预测方向的研究者与工程师，可把它当作该楼选型的起点：先用只用历史用电的预训练模型做初始基线，再与本地拟合模型比较，并在假日精度值得额外输入准备时加入协变量。
配对日比较的区间包含零，因此这57天并未确立TimesFM相对XGBoost在日均绝对误差上的明确优势。扩展历史评估使用较短的早期上下文，且设置来自更晚的验证数据，属于探索性分析；夏季只被覆盖一次。历史IFS记录缺少逐值发布时间，无法重建当时可获得的预报序列。所评估的TimesFM 3.0权重发布为非商业、非生产研究用途。