智能电网：负荷预测——城市大厨如何预排明天的菜单

可视化演示

演示负荷预测时间维度分类、深度模型架构，以及概率预测与不确定性量化。

负荷预测概览

想象你是一座千万人口城市的大厨：电不能像土豆一样堆在仓库里，发电和用电必须分秒相等。明天早高峰要同时开多少台炉灶、备多少食材？你不可能等客人进门了才开始点火，只能靠“预先判断”。智能电网的负荷预测，做的就是这件事——根据过去和当下的信息，估计未来某段时间全城“客人”的饭量。

电网调度员看的是负荷曲线，它和餐厅客流一样有规律：清晨一波早餐小高峰，午间回落，傍晚迎来全天最大峰值，深夜冷清。按时间尺度，负荷预测分为超短期（分钟级，用于自动发电控制）、短期（日前 24 到 168 小时，用于安排机组启停和交易）、中长期（月度和年度，用于电源与电网规划）。尺度不同，关心的问题也完全不同。

为了让大厨看懂客流构成，负荷预测专家通常把负荷拆解成四个成分：基础负荷、趋势项、周期项和随机项。于是，预测问题就变成了“估计这几项分别有多大，再加起来”。

把客流拆成固定客群、节庆宴席和随机加餐，备菜压力一下就清晰了。负荷预测不是碰运气，而是把“看不清的明天”拆成了几块“能分别估量的拼图”。

数据清洗预处理

大厨的订单本用久了，可能被水泡花几个字，也可能抄错一个数字。如果照着错误订单备菜，再好的手艺也会翻车。AI 负荷预测面临同样的烦恼：采集终端偶尔断线、通信受到干扰、极端事件留下尖峰，数据里藏着“脏点”。

数据预处理是负荷预测的第一道工序。缺失值通常用前一日或前几日的同时刻数据做插值补全；异常值不能“一刀切”删除，而要结合业务判断是坏数据还是真实极端事件；归一化把负荷、温度、湿度等不同量纲的特征统一到相近尺度，避免大数吞掉小数。特征工程则把星期几、是否节假日、滚动平均温度等“线索”做成模型能消化的原料。

标准差是判断异常值常用的尺子：先算历史数据的平均水平和波动幅度，再看每个点到均值的距离相当于几个标准差，远到离谱的点往往有问题。

把订单本上的错别字修好，再谈厨艺。数据清洗越扎实，后续算法越能站在干净的地基上发力。

经典时间序列法

有些老厨师不喜欢花哨工具，只看最近几天的订单，把毛刺抹平后算出明天的客量。经典时间序列方法就是这一派：移动平均法取最近 \(k\) 个时刻的平均值，平滑掉瞬时波动；指数平滑法更进一步，给越近的观测越高的权重，让模型对“昨天刚发生的变化”更敏感。

ARIMA 模型则在数据平稳化后捕捉自相关和趋势，线性回归则把温度、星期几、节假日作为外部变量，直接拟合它们与负荷的关系。这些方法计算量小、可解释性强，至今仍在工业界大量使用。

指数平滑的递推公式非常直观：新的估计值等于当前观测和上次估计的加权平均。\(\alpha\) 越大，就越是“盯着最近一天看”。

老厨师的经验法在天气平稳时很可靠，但一遇到大型活动或极端降温，就会措手不及。经典方法的短板，恰好是机器学习登场的舞台。

机器学习预测

年轻的数据大厨不只会翻旧账，还会同时参考天气、节假日、商圈客流、前两周点单记录。机器学习方法就是这样：把历史负荷、温度、湿度、星期几、是否放假等特征一并输入模型，让算法自己学出组合规律。

随机森林通过多棵决策树投票降低方差，XGBoost 则用梯度提升把多棵“弱树”串成强模型，并对树的复杂度施加惩罚。特征重要度能告诉我们“经验气温”和“是否是周一”到底谁说了算，调参则是在“过于简单”和“过度拟合”之间找平衡。

XGBoost 的目标函数可以看作两部分相加：一部分是预测误差，另一部分是所有树的复杂度惩罚。这个设计正是它稳健的秘诀。

数据大厨把订单本的边角料也榨出了味道，预测精度自然压过只凭手感的老厨师。但机器学习的上限，仍受制于“有没有记住长周期习惯”的能力。

深度学习模型

高级学徒 LSTM 有点记性——它能记住半个月前的中秋节、上周连续三天高温导致空调全开，也能记住今天晚高峰和昨天错开了半小时。深度学习方法在负荷预测中最常见的角色，正是这种“长记忆能力”。

LSTM 在循环神经网络的基础上引入了遗忘门、输入门和输出门，让信息在传递时能选择记住还是丢弃。CNN 则可提取负荷序列中的局部形态，比如早高峰的“尖顶”和晚高峰的“馒头”。实际工程中常把 CNN 和 LSTM 串成混合模型：先用卷积压缩局部特征，再用 LSTM 建模长期依赖。

遗忘门是 LSTM 记忆机制的关键。它把上一时刻的隐藏状态和当前输入拼在一起，通过一个带 sigmoid 的全连接层，输出 0 到 1 的“保留比例”。

能记住一周前客人习性的学徒，特别擅长处理“节后第一天”“寒潮来袭”这类长周期变化。不过在正式上岗前，还得用统一的尺子考核它。

评估与优化

每天打烊后，大厨都要复盘：预估了 100 人，实际来了多少人？备菜备多了是浪费，备少了要道歉。负荷预测同样需要一套误差尺子，来衡量“备菜方案”准不准。

常用的误差指标包括平均绝对误差 MAE、均方误差 MSE 和平均绝对百分比误差 MAPE。MAPE 把误差除以真实值再取百分比，能直观地说“预测平均偏了 4%”。评估时要特别小心时间顺序：训练集和测试集不能随机打乱，必须按时间切分，否则模型等于偷看了未来答案。落地阶段还要建立在线更新机制，每隔几小时用新数据滚动训练，应对用电行为的缓慢漂移。

MAPE 的公式看起来简单，却是工业界最常写的考核标尺。

尺子选对了，才知道哪套备菜方案更省成本。误差评估不是期末考，而是帮助大厨不断修正第二天的菜单。

行业应用实践

知道了明天大致有多少客人、几点来，大厨就能反推买多少菜、安排多少小时工。电网调度员也一样，负荷预测是大量业务决策的“输入电源”。

发电调度根据短期预测决定火电机组何时启停，避免高峰时段临时开机组；新能源消纳需要同时看风光出力和负荷预测，才能决定储能什么时候充电、什么时候放电；需求侧响应利用预测结果结合分时电价，引导工厂错峰生产；设备运维则把负荷低谷期当作检修窗口，既不影响供电又可安全作业。

这些应用背后往往有一个共同的经济调度问题：在满足总负荷的前提下，让所有机组的发电总成本最低。预测越准，约束条件越接近现实，调度方案就越省钱。

菜单排得越准，后厨越从容；负荷预测越准，电网越经济。不过，即便是最资深的大厨，也不敢保证明天的客流完全按剧本来。

风险趋势展望

再厉害的大厨也无法预知突如其来的停水和包场。成熟的负荷预测不应该只给一个“确定数字”，而要给出“大概在什么范围”——这就是预测的不确定性管理。

预测不确定性常用置信区间表达：比如 90% 置信区间是 980 到 1020 万千瓦，调度员就知道要预留多大旋转备用。此外，社会用电行为会随新技术、新能源车普及而漂移，模型需要持续监测数据分布；调度员不敢用一只“黑箱”，所以模型可解释性越来越重要；边缘计算则让预测模型直接部署在场站端，降低通信时延与隐私风险。

评价置信区间是否合格，可以看实际值落入区间的比例，称为预测区间覆盖率。

成熟的大厨会说“明天来客 80 到 110 人”，而不是“正好 95 人”。把不确定性讲清楚，反而能让电网运行更安全、更从容。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""负荷预测小示例：用指数平滑预测未来24小时电力负荷"""import mathimport random  def generate_load(days=14):    """生成模拟负荷数据：每天24点，有早晚高峰和随机噪声"""    random.seed(42)    loads = []    for day in range(days):        for hour in range(24):            base = (8.0 * math.exp(-((hour - 9) ** 2) / 8.0) +                    6.0 * math.exp(-((hour - 19) ** 2) / 5.0) +                    2.0 * math.sin((hour + day) / 3.0) + 4.0)            loads.append(base + random.uniform(-0.5, 0.5))    return loads  def fill_missing(loads):    """简单缺失值补全：用前一天同一时刻的负荷填充"""    fixed = loads[:]    for i in range(len(fixed)):        if fixed[i] < 0:            fixed[i] = fixed[i - 24] if i >= 24 else 0.0    return fixed  def smooth_predict(history, alpha=0.4):    """指数平滑：只依赖历史序列，返回下一个时刻的估计值"""    if not history:        return 0.0    s = history[0]    for value in history[1:]:        s = alpha * value + (1 - alpha) * s    return s  def daily_average_predict(train, hour):    """用训练集中每天同一小时的平均值作为未来该时刻的预测"""    same_hours = [train[j] for j in range(hour, len(train), 24)]    return sum(same_hours) / len(same_hours)  def mape(actual, predicted):    """平均绝对百分比误差"""    return sum(abs(a - p) / a for a, p in zip(actual, predicted)) / len(actual) * 100  def main():    data = fill_missing(generate_load())    train, test = data[:24 * 10], data[24 * 10:]    preds = [daily_average_predict(train, hour) for hour in range(24)]    print("实际负荷:", [round(x, 1) for x in test[:24]])    print("预测负荷:", [round(x, 1) for x in preds])    print("MAPE: %.2f%%" % mape(test[:24], preds))  if __name__ == "__main__":    main()

1. loads.append(base + random.uniform(-0.5, 0.5))在规律性负荷上叠加随机噪声，模拟真实世界的不确定性。
2. fixed[i] = fixed[i - 24] if i >= 24 else 0.0用前一天同一时刻的值补全缺失点，是电力数据最常用的插值思路。
3. same_hours = [train[j] for j in range(hour, len(train), 24)]按 24 小时周期抽取每天上午某一点的负荷，构成同期样本。
4. return sum(abs(a - p) / a for a, p in zip(actual, predicted)) / len(actual) * 100计算 MAPE，即每个点相对误差的平均百分比。
5. if __name__ == "__main__":保证脚本被直接运行时才执行 main，作为可复用模块则不会误触发。

常见误区

面试题