日内电力负荷预测能够帮助建筑运营者在预期需求出现前安排供暖、通风等服务。选择预测模型时需在精度、预测时所需输入、本地训练成本和计算资源之间取得平衡。本文对一座大学建筑的统计模型、机器学习模型、循环神经网络（LSTM）以及预训练的 TimesFM 3.0 模型进行基准测试。采用时间顺序验证，在同一批 57 天测试集上评估所有配置，并分别比较工作日、周末和节假日的误差以及本地拟合和预测耗时。天气协变量使用历史观测值。
TimesFM 3.0 加入协变量时实现了最低整体误差，平均绝对误差（MAE）相较于每周季节性朴素预测降低约 $43\%$。XGBoost 仍具竞争力，但在每日配对比较中未能显著超越 TimesFM 的 MAE。TimesFM 在仅使用历史电力消耗的情况下亦表现良好；加入协变量虽提升了节假日预测，但略微削弱了工作日和周末的表现，整体 MAE 基本持平。TimesFM 不需要针对建筑进行权重训练，而 XGBoost 则提供快速的本地拟合与推理。实验中的 LSTM 训练时间更长，却未能超越前两者。
对历史数据的探索性分析显示季节性波动明显；更换天气数据来源对选定的 TimesFM 配置精度影响不大。这些结果表明，预训练的 TimesFM 可作为该建筑的强基线模型，XGBoost 则是一个具竞争力的本地拟合备选。若节假日预测的提升能够抵消额外的输入准备工作，协变量仍具价值。
点评：TimesFM 的零训练优势和稳健表现使其成为快速部署的首选，而 XGBoost 的灵活性适合需要本地调优的场景。合理使用天气协变量可在特定节假日提升预测可靠性。