老王在城南开了二十年面馆，最头疼的不是手艺，而是“明天到底准备多少”。备少了，客人排队等位，骂骂咧咧；备多了，十斤面剩下来，肉臊子不新鲜。十几年练下来，他养成习惯：打烊后看天气、翻日历、回忆上周客流，凭直觉拍脑袋定个数。偶尔准，更多时候差得离谱。 智能电网的调度员，其实和老王做着同一件事：预测明天的用电负荷。电网几乎不能储存大量电能，发电必须紧跟用电，而发电机组从启动到满负荷需要几十分钟甚至几小时。如果预测不准，电发多了是浪费，发少了就得拉闸限电。只不过，调度员面对的是一口“超级大锅”——千万用户的用电曲线。他们需要一个比“拍脑袋”可靠得多的“客流水晶球”。这篇文章，就来讲讲这个水晶球是怎么造出来的：收集数据、清洗数据、提炼特征、训练模型、量化误差，最后把预测变成调度台上的决策。

岗位关联

负荷预测是智能电网调度的“地基工程”，掌握它意味着你理解了能源 AI 最核心的一环——预测精度每提升 1%，都可能为电网节省巨额调节成本，这是 AI 从业者在能源行业最直接的价值体现。

目录
  1. 可视化演示
  2. 负荷预测意义：为什么老王要先估客流
  3. 数据预处理：把糊掉的账本重新誊清
  4. 特征工程：给模型配一副好眼镜
  5. 深度学习模型：招一个会记笔记的 AI 学徒
  6. 多尺度预测：三张便利贴，三种准备
  7. 不确定性量化：敢说“上下浮动”才是真本事
  8. 调度决策应用：预测落地变成明天的采购单
  9. 评估与优化：打烊后的那笔对账
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

负荷预测意义：为什么老王要先估客流

老王打烊后必做一件事：盘算明天能来多少客人。这事干得好，面备得刚够，臊子新鲜，伙计不闲也不忙；干得差，不是客人在门口排队骂娘，就是晚上剩了半锅汤。他常说，这口锅就是他的“小电网”——不能多煮，也不能少煮。对电网来说，这个道理一模一样。

电网和面馆一样，电力这种商品几乎无法大规模储存，发多少就必须用多少，用多少就得发多少。而发电机组从接到调度指令到满负荷运转，快的要几十分钟，慢的要几个小时。所以调度员必须提前预测未来一段时间的用电负荷，就像老王必须提前备菜、排班、采购。

预测精度直接影响三个层面。调度基础上，预测是机组启停和检修安排的输入；运行效率上，预测偏差会造成频繁调峰，加剧设备磨损；经济成本上，预测低了要临时高价购电，预测高了则白白浪费燃料。衡量调度难度的一个关键指标是峰谷差：

理解了峰谷差，老王就明白了自己那口“锅”的道理：如果客流总是忽多忽少，他就必须准备更多灵活的人手和原料。负荷预测的意义，就是提前看见那条曲线的高低起伏，让调度从容不迫。

ΔP=Pmax⁡−Pmin⁡\displaystyle \Delta P = P_{\max} - P_{\min}
峰谷差：一天中负荷最高点与最低点的差值。差值越大，说明负荷“忽高忽低”，对调度越不友好。
  1. P_max 与 P_min 的含义分别表示一天中负荷的最大值和最小值，例如上午十点的用电高峰与凌晨三点的用电低谷。
    Pmax⁡=max⁡t=124pt,Pmin⁡=min⁡t=124pt\displaystyle P_{\max} = \max_{t=1}^{24} p_t,\quad P_{\min} = \min_{t=1}^{24} p_t
  2. 相减得到峰谷差最大值减最小值，用来衡量一天负荷波动的剧烈程度。
    ΔP=Pmax⁡−Pmin⁡\displaystyle \Delta P = P_{\max} - P_{\min}

数据预处理：把糊掉的账本重新誊清

老王的账本记了十年，可他心里清楚：账本不能直接用。有时候墨水洇了，某天客流没记上；有时候他记岔了，把周日的人流量写到了周一；有时候隔壁老李来帮忙，记的单位是“碗数”，和他自己的“客人数”对不上。要预测，先得对账。

电网的数据中心也是一样。用电采集器可能断线、掉包、被电磁干扰，历史负荷数据里天然带着三种“脏”：缺失（某小时没采到）、异常（数值忽大忽小甚至为负）、量纲不统一（温度和负荷不是一个单位）。这些脏数据不处理，模型就会学进错误模式。

对应有三件事要做。缺失值填补用相邻时刻或历史同期的均值、插值补上空洞；异常值检测用阈值法或统计法（比如超过三倍标准差）找出并修正离谱的点；数据归一化让所有特征落到相近尺度，避免量纲差异主导梯度下降。此外还要做时间对齐，把不同来源的时间戳统一到同一个时钟上。最常用的归一化是 Z-score 标准化：

老王把账本重新誊了一遍：糊掉的日子用前后几天平均补上，记错的挪回正确位置，“碗数”统统换算成“客人数”。账本干净了，预测才有地基。

x′=x−μσ\displaystyle x' = \frac{x - \mu}{\sigma}
Z-score 标准化：把原始数据减去均值、除以标准差，让数据变成“以 0 为中心、以 1 为标准单位”的分布，方便神经网络稳定收敛。
  1. 分子中心化原始值 x 减去均值 μ，让整个数据分布的对称中心移到 0 点。
    x−μ\displaystyle x - \mu
  2. 分母缩放除以标准差 σ，把数据的离散程度压缩到统一的“单位尺度”。
    x′=x−μσ\displaystyle x' = \frac{x - \mu}{\sigma}

特征工程：给模型配一副好眼镜

光有干净的历史账本还不够。老王发现，同样的客流，在雨天、周末、学校放暑假时完全不同。他会看明天的天气预报、翻日历，甚至留意隔壁商场有没有促销——这些“旁敲侧击”的信号，就是他的备菜依据。

对负荷预测来说，特征决定了模型的“视野”。常用特征分三类：时序特征（历史负荷的滞后值、滑动平均、当前时刻）、气象因素（温度、湿度、风速）、节假日效应（工作日、周末、节假日的标记，春节和国庆这类大节更是特例）。还有一个容易被忽略的：温度滞后——连续高温几天后，建筑物的热量不断累积，空调负荷会逐日爬升。温度对负荷的影响总是“慢半拍”的。

滞后特征是最直接的时序特征构造法：用过去若干时刻的负荷值作为当前时刻的输入。这样模型看到的不再是一个孤零零的数字，而是一小段“历史回放”。

老王把“明天天气、周几、有没有促销、上周同时段客流”写在便利贴上，贴在收银台。模型也一样：把所有相关信号装进特征向量，眼界越宽，预测越准。

Xt=[xt−1, xt−2, …, xt−24]\displaystyle X_t = [x_{t-1},\ x_{t-2},\ \dots,\ x_{t-24}]
滑动窗口：把过去 24 小时的负荷排成一个向量，作为预测第 t 时刻负荷的输入特征。
  1. X_t 的含义第 t 时刻模型的输入特征向量，由过去 24 小时的负荷值拼接而成。
    Xt∈R24\displaystyle X_t \in \mathbb{R}^{24}
  2. 窗口长度选择24 小时覆盖“昨天同一时刻”的信息，让模型能捕捉到日周期性。
    xt−1, xt−2, …, xt−24\displaystyle x_{t-1},\ x_{t-2},\ \dots,\ x_{t-24}

深度学习模型：招一个会记笔记的 AI 学徒

老王攒了一手好“直觉”，但他知道自己不可能记住三年每一天的客流细节。于是他想，能不能找个“AI 学徒”帮自己盯数据？这个学徒要有个本事：既能记住很久以前的规律（比如去年同期），又不会被上周某个异常的周一带偏。

这正是循环神经网络家族的本行。LSTM（长短期记忆网络）通过一种叫“门”的结构，决定记忆什么、忘记什么——本质上是一个会自己整理笔记的学徒。近年来，Transformer 和注意力机制也被引入负荷预测，让模型能直接“回看”任意距离的关键历史时刻，而残差连接则帮助网络在堆得更深时依旧稳定训练。

以 LSTM 的遗忘门为例，它决定了上一步的记忆要保留多少：

这个 AI 学徒刚来时只会在纸上画葫芦，但经过几千次“对账纠错”（训练），它慢慢学会了老王的节奏：知道早晨该上多少面，天冷了客人要多点热汤。深度模型，本质上是把经验内化成了参数。

ft=σ(Wf⋅[ht−1, xt]+bf)\displaystyle f_t = \sigma(W_f \cdot [h_{t-1},\ x_t] + b_f)
遗忘门：输出一个 0 到 1 之间的系数，1 表示“全部记住”，0 表示“全部忘掉”，由当前输入和上一步的隐状态共同决定。
  1. f_t 的含义第 t 步遗忘门的输出，数值在 0 到 1 之间，代表对旧记忆的保留比例。
    ft∈[0,1]\displaystyle f_t \in [0, 1]
  2. 输入拼接把上一步的隐状态 h_{t-1} 与当前输入 x_t 拼在一起，作为门的“素材”。
    [ht−1, xt]\displaystyle [h_{t-1},\ x_t]
  3. 线性变换加偏置权重矩阵 W_f 和偏置 b_f 把拼接素材压缩成一个标量分数。
    Wf⋅[ht−1, xt]+bf\displaystyle W_f \cdot [h_{t-1},\ x_t] + b_f
  4. 激活函数σ（sigmoid）把任意实数压到 0 到 1 区间，形成“保留比例”。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}

多尺度预测：三张便利贴，三种准备

老王的预测分三种：明天的客流决定备菜量；下周的客流决定要不要临时招工；下个月的客流决定要不要添置新灶台。同一个面馆，三个时间尺度的预测，用途完全不同。

电网也是一样。短期预测（未来几小时到一天）支撑日前调度与实时平衡；中期预测（未来几天到几周）安排机组检修和燃料采购；长期预测（未来数月到数年）指导电网规划与新能源并网。不同尺度对数据长度、刷新频率和模型复杂度要求各不相同。

一个常用做法是把负荷序列看作多个成分叠加：长期趋势、周期波动和随机残差。把它们拆开分别建模再合成，比直接硬拟合更容易抓住规律。

老王把三种预测写成三张便利贴：明天的贴在案板前，下周的贴在招工启事旁，下个月的贴在银行申请单上。多尺度预测不是选择题，而是三件套。

P(t)=T(t)+S(t)+R(t)\displaystyle P(t) = T(t) + S(t) + R(t)
时间序列分解：总负荷 = 长期趋势 + 季节周期 + 随机残差。三部分各司其职，预测时分别处理再相加。
  1. T(t) 趋势项负荷随年份、经济增长缓慢变化的“大方向”。
    T(t)=长期趋势\displaystyle T(t) = \text{长期趋势}
  2. S(t) 周期项以天、周、年为周期的规律性波动，比如每日早晚双峰和周末低谷。
    S(t)=周期波动\displaystyle S(t) = \text{周期波动}
  3. R(t) 残差项剔除趋势和周期后剩余的随机波动，是预测中最难啃的部分。
    P(t)=T(t)+S(t)+R(t)\displaystyle P(t) = T(t) + S(t) + R(t)

不确定性量化：敢说“上下浮动”才是真本事

老王和客人闲聊时会说：“明天大概 80 桌，上下浮动 10 桌。”客人笑他啰嗦，但他心里清楚：报一个“80 桌”听起来干脆，却更容易误事。真正管用的，是那个“浮动”。

负荷预测也一样。出于天气突变、社会事件、设备故障等随机因素，单点预测注定会偏。与其假装精确，不如给出区间预测：例如“明天下午两点负荷为 9500 万千瓦，95% 置信区间为 9200 到 9800 万千瓦”。调度员按区间上沿安排备用，才敢睡个安稳觉。

实现区间预测的常用工具是分位回归。它不直接学“平均值”，而是学“某个分位数”（比如下 5% 分位和上 95% 分位），两个分位合起来就围成了一个区间。训练时用分位损失（Pinball Loss）来衡量偏差：

老王那句“上下浮动 10 桌”，其实就是他的 95% 分位区间。小本经营，宁可多备一点菜，也不能让客人干等。预测带有多宽，决定了面馆和电网的底气。

ρq(u)=max⁡(qu, (q−1)u),u=y−y^\displaystyle \rho_q(u) = \max(q u,\ (q-1) u),\quad u = y - \hat{y}
分位损失：当预测低于真实值时按 q 惩罚，高于真实值时按 q-1 惩罚。调整 q 就能教会模型“往高处偏”还是“往低处偏”。
  1. u 表示偏差真实值减预测值。u 为正说明预测偏低，为负说明预测偏高。
    u=y−y^\displaystyle u = y - \hat{y}
  2. 不对称权重q 和 q-1 分别惩罚两种方向的误差，q 越大模型越倾向于高估。
    q⋅u,(q−1)⋅u\displaystyle q \cdot u,\quad (q-1) \cdot u
  3. 取最大值max 保证两种惩罚中较大的那一项生效，构成一个凸的分段函数。
    ρq(u)=max⁡(qu, (q−1)u)\displaystyle \rho_q(u) = \max(q u,\ (q-1) u)

调度决策应用：预测落地变成明天的采购单

预测不是摆着好看的，最终要变成“明天怎么干”。老王对完账后，会写下明天的采购单和排班表：采购多少斤面，几点让伙计到岗。预测的价值，在第二天那锅面刚好够的那一刻才兑现。

电网调度员拿到负荷预测后，下达的是机组组合指令：明天哪些机组开、哪些机组停、各自带多少负荷，用最低的成本满足预测负荷。此外还有需求响应：预测到尖峰负荷时，提前向大用户发出“错峰用电”邀约，把峰值削下去；以及备用容量：预留一定比例的可调电力，用来应对预测偏差和突发故障。

机组组合本质上是一个优化问题：

老王看着预测单下单、排班，把浮动区间变成采购的余量。预测的真正价值，不在于图纸上的曲线，而在于第二天锅里的面刚好够、伙计刚好不闲不忙。

min⁡∑i=1NciPi,s.t. ∑i=1NPi=Pforecast\displaystyle \min \sum_{i=1}^{N} c_i P_i,\quad \text{s.t.}\ \sum_{i=1}^{N} P_i = P_{\text{forecast}}
机组组合：在满足总负荷等于预测值的前提下，让所有开机机组的发电成本之和最小。
  1. 目标函数 c_i P_i第 i 台机组的单位发电成本乘以其出力，再对所有机组求和，得到总成本。
    ∑i=1NciPi\displaystyle \sum_{i=1}^{N} c_i P_i
  2. 等式约束所有机组出力之和必须等于预测负荷，这是电网安全运行的红线。
    ∑i=1NPi=Pforecast\displaystyle \sum_{i=1}^{N} P_i = P_{\text{forecast}}
  3. 预测值的枢纽作用P_forecast 是预测环节的输出，也是决策环节的输入，把两篇文章串成一个故事。
    Pforecast\displaystyle P_{\text{forecast}}

评估与优化：打烊后的那笔对账

打烊后，老王会拿出今天的实际客流，和昨天预测的数字对一对：差多少？总是高估还是低估？哪个环节出了问题？这一笔账，他记了一整本。没有对账，就没有进步。

对预测模型的“对账”同样重要。常用指标有 MAE（平均绝对误差）、RMSE（均方根误差，对大误差更敏感）和 MAPE（平均绝对百分比误差）。其中 MAPE 最直观，因为结果就是“百分之几”，管理层一看就懂。

评估之后是优化。误差分析找出模型在哪些时段系统性偏差（比如总是低估晚高峰），超参优化用网格搜索或贝叶斯优化调整窗口长度、层数、学习率，在线更新随着新数据不断微调模型，让它跟上季节和用户习惯的变化。老王发现自己的账本越记越准，因为每次对完账，他都会把经验升级。评估不是终点，而是下一次预测的起点。

MAPE=1n∑i=1n∣yi−y^iyi∣×100%\displaystyle \text{MAPE} = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100\%
MAPE：每个样本的绝对百分比误差取平均，衡量预测整体偏离真实值几个百分点。
  1. 单个样本的误差比真实值减预测值的绝对值，除以真实值，消除量纲影响。
    ∣yi−y^iyi∣\displaystyle \left| \frac{y_i - \hat{y}_i}{y_i} \right|
  2. 求和取平均n 个样本的误差比加总后除以 n，得到平均偏离比例。
    1n∑i=1nΔi\displaystyle \frac{1}{n} \sum_{i=1}^{n} \Delta_i
  3. 换算成百分比乘以 100%，变成直观的百分数，方便不同量级的负荷之间比较。
    ×100%\displaystyle \times 100\%

AI 应用场景

电网调度中心的日前机组组合

阶段：预测输出 → 决策优化

解决的问题：过去调度员靠经验口头预估次日负荷，缺乏量化误差概念，机组启停频繁、燃料成本高。AI 负荷预测模型给出次日 96 点负荷曲线与置信区间，优化引擎据此安排机组组合，降低煤耗。

具体案例：某省级调度中心使用 LSTM 加分位回归模型，次日负荷预测 MAPE 稳定在 2% 以内。调度台将预测曲线输入机组组合优化器，低谷时段关停两台机组，仅此一项全年节省燃料成本上千万元。

需求响应与错峰管理

阶段：预测预警 → 用户侧激励

解决的问题：尖峰负荷高企时，传统做法是直接拉闸限电。利用短期预测提前识别尖峰时段，向签约用户推送错峰补偿邀约，把部分负荷从尖峰“搬”到低谷。

具体案例：夏季连续高温日，预测模型提前三天报警“负荷将刷新纪录”，运营商向储能电站和工业用户发放需求响应邀约，顺利转移负荷 50 万千瓦，避免了一次大规模有序用电。

备用容量动态调整

阶段：区间预测 → 安全校核

解决的问题：单点预测无法回答“万一预测错了怎么办”。利用区间预测的置信上界确定备用容量，既不过度预留造成浪费，也不留太少导致风险。

具体案例：某地区风电占比高、负荷波动大，调度中心按 90% 置信区间的上沿动态预留旋转备用，使备用购买成本下降 15%，系统可靠性指标不降反升。

Python 演示

python64 行
import numpy as np def make_load_data(days=30):    # 生成 days 天的每小时负荷模拟数据    hours = days * 24    t = np.arange(hours) / 24.0    trend = 50 + 2 * np.sin(2 * np.pi * t / 7)    daily = 15 * np.sin(2 * np.pi * t - np.pi / 2)    noise = np.random.RandomState(42).normal(0, 2, hours)    return trend + daily + noise def make_features(x, window=24):    # 滑动窗口构造特征矩阵 X 和目标 y    n = len(x)    X = np.zeros((n - window, window))    y = np.zeros(n - window)    for i in range(window, n):        X[i - window] = x[i - window:i]        y[i - window] = x[i]    return X, y class MiniMLP:    def __init__(self, d_in, d_hidden=16, seed=0):        rng = np.random.RandomState(seed)        self.w1 = rng.randn(d_in, d_hidden) * 0.1        self.b1 = np.zeros(d_hidden)        self.w2 = rng.randn(d_hidden, 1) * 0.1        self.b2 = np.zeros(1)     def train(self, X, y, epochs=200, lr=0.01):        for _ in range(epochs):            h = np.tanh(X @ self.w1 + self.b1)            pred = h @ self.w2 + self.b2            loss = np.mean((pred - y) ** 2)            d_pred = 2 * (pred - y) / len(y)            self.b2 -= lr * np.sum(d_pred, axis=0)            self.w2 -= lr * h.T @ d_pred            d_h = d_pred @ self.w2.T * (1 - h ** 2)            self.b1 -= lr * np.sum(d_h, axis=0)            self.w1 -= lr * X.T @ d_h     def predict(self, X):        h = np.tanh(X @ self.w1 + self.b1)        return (h @ self.w2 + self.b2).ravel() def main():    raw = make_load_data(days=60)    mu, sigma = raw.mean(), raw.std()    data = (raw - mu) / sigma    X, y = make_features(data, window=24)    split = int(len(X) * 0.8)    X_tr, X_te = X[:split], X[split:]    y_tr, y_te = y[:split], y[split:]    model = MiniMLP(d_in=24)    model.train(X_tr, y_tr, epochs=300)    pred = model.predict(X_te) * sigma + mu    true = y_te * sigma + mu    mape = np.mean(np.abs((true - pred) / true)) * 100    print("测试集 MAPE: %.2f%%" % mape)    for i in range(6):        print("真实 %.1f | 预测 %.1f" % (true[i], pred[i])) if __name__ == "__main__":    main()
目的：用合成负荷数据完整跑一遍“标准化 → 滑动窗口特征 → 神经网络训练 → MAPE 评估”的负荷预测流水线。
  1. data = (raw - mu) / sigmaZ-score 标准化，把负荷归一到同尺度，对应“清洁账本”的归一化环节。
  2. X[i - window] = x[i - window:i]滑动窗口特征，用过去 24 小时预测当前时刻，对应特征工程中的滞后值。
  3. split = int(len(X) * 0.8)按时间顺序 8:2 切分训练集和测试集，绝不随机打乱，防止未来信息泄露。
  4. h = np.tanh(X @ self.w1 + self.b1)隐藏层激活，相当于模型的“学徒笔记”。
  5. mape = np.mean(np.abs((true - pred) / true)) * 100计算 MAPE，对应老王打烊后的那笔对账。

常见误区

误区我一直以为负荷预测的目标是把误差做到 0，只要模型够复杂、数据够多，就能准确猜中每一小时的负荷。

正解负荷本身包含大量不可约的随机成分：天气突变、大型赛事、设备故障。预测的世界里没有“水晶球”，只有“更窄的区间”。与其追求误差归零，不如把不确定性量化出来并纳入调度决策。就像老王不会保证“正好 80 桌”，而是说“80 桌上下浮动 10 桌”。

为何常见：初学者容易把预测理解成“猜谜”，而忽略了负荷本质上是一个随机过程，任何预测都只能逼近其条件期望。

误区深度学习听起来更高级，所以负荷预测模型无脑选 LSTM 就对了，传统统计方法早就过时了。

正解模型选择取决于数据量、任务尺度和部署约束。当历史数据只有几个月、序列比较平稳时，ARIMA 这类线性模型不仅训练快，还可能更稳；LSTM 需要大量数据“喂”出非线性模式，数据不足时反而容易过拟合。多尺度预测中，不同尺度甚至应配不同模型，就像老王预测明天客流靠直觉，预测下个月客流反而要看日历和天气的统计规律。

为何常见：“越复杂越先进”的直觉，加上技术文章常以 SOTA 模型为卖点，让人忽略了泛化与稳定性的实际代价。

误区训练样本和测试样本之间没什么关系，随机打乱划分才能保证两边的分布一致。

正解时序数据有一个致命属性：未来信息不可见。随机打乱会把“明天的数据”泄露给“昨天的模型”，使评估结果虚高。正确做法是按时间顺序切分，训练集永远在测试集之前。可以类比老王对账：你不能先看了明天的客流量，再回头说是靠昨天的账本预测出来的。

为何常见：初学者把机器学习通用的随机划分习惯直接套到时序任务上，忽视了时间依赖是负荷预测的根基。

误区把能想到的特征全塞给模型：天气预报、温度、湿度、风速、日照、PM2.5……塞得越多，模型学到的东西越多。

正解特征越多，数据维度越高，模型越容易记住噪声而不是规律，这就是过拟合。特征工程的核心是“选对准信号”：对负荷而言，历史负荷滞后值、温度（含滞后效应）、节假日标记往往比几十个气象变量更有用。少而准的特征，配上足量的数据，才是实战中的制胜组合。老王只看天气、日历和上周客流，从不关心抖音热搜。

为何常见：“多多益善”的直觉，加上特征工程缺少即时反馈，让人难以看到维度诅咒的代价。

面试题

Q1. 智能电网负荷预测最核心的意义是？

单选题 · easy

  • A.指导发电系统提前规划← 正确答案
  • B.让电表读数变得更精确
  • C.减少用户用电的费用
  • D.增加电网设备的使用寿命

答案：A。负荷预测是调度决策的起点，就像老王开店前先估客流。B 是计量问题，C 是电价政策问题，D 是设备运维问题，都不是预测本身的核心意义。

Q2. 对缺失的历史负荷数据，下列哪种处理最合理？

单选题 · easy

  • A.直接删除整条数据记录
  • B.用相邻时刻均值填补← 正确答案
  • C.用一个随机数填充
  • D.把缺失值统一改成零

答案：B。相邻时刻均值属于插值法，能保住时序连续性。删除整条会丢掉相邻关系，随机数和无脑填零会注入假模式。就像老王把糊掉的账页直接撕掉或乱填，都会让账本失真。

Q3. 对输入特征做 Z-score 标准化的主要目的是？

单选题 · easy

  • A.让不同量纲处于相近尺度← 正确答案
  • B.减少训练样本的总数量
  • C.把数据转换成文本格式
  • D.消除数据中的缺失值

答案：A。温度（℃）和负荷（MW）量纲差异大，会让梯度更新失衡；标准化后各特征同尺度，模型收敛更快更稳。B、C、D 分别把标准化说成了采样、转格式和补缺失，都属于张冠李戴。

Q4. LSTM 网络中的“遗忘门”主要负责？

单选题 · mid

  • A.抑制梯度消失问题的出现
  • B.决定要丢弃哪些历史信息← 正确答案
  • C.将输出结果映射到概率
  • D.增加模型自身的参数总量

答案：B。遗忘门输出 0 到 1 的系数，决定旧记忆保留多少，像学徒判断上一条笔记还值不值得留。A 是整个 LSTM 的贡献之一但并非遗忘门的职责，C 是 softmax 的事，D 是误解。

Q5. 进行时序数据训练集测试集划分时，正确的做法是？

单选题 · mid

  • A.随机洗牌后再划分两集
  • B.按数据的时间顺序切分← 正确答案
  • C.按负荷数值从大到小排
  • D.把最大的一周放进测试

答案：B。按时间切分才能保证未来信息不泄露。随机洗牌会把未来的负荷泄给训练集，导致评估虚高，相当于先看了答案再做卷子。C 和 D 都破坏了时序的天然顺序。

Q6. 分位回归损失（Pinball Loss）常用于？

单选题 · mid

  • A.训练区间预测模型← 正确答案
  • B.提升模型训练的速度
  • C.消除特征间的相关性
  • D.压缩模型的存储大小

答案：A。分位损失不对称地惩罚高估和低估，通过设置不同分位 q 训练出一组分位模型，合起来就是区间预测，就像老王说“80 桌上下浮动 10 桌”。B、C、D 与区间预测无关。

Q7. 关于居民负荷曲线的“双峰”现象，下列说法正确？

多选题 · mid

  • A.早晚用电高峰所致← 正确答案
  • B.与居民作息规律相关← 正确答案
  • C.属于数据采集异常
  • D.只出现在节假日

答案：AB。双峰对应早、晚两个用电高峰，根源是居民作息规律——早起上班、下班做饭。这是正常负荷规律而非采集异常，也不是节假日专属（节假日双峰反而更平缓）。这提醒我们做特征工程时要加入时段和作息信息。

Q8. 关于温度滞后效应，下列说法正确？

单选题 · hard

  • A.气温变化实时影响当前负荷
  • B.连续高温会累积推高负荷← 正确答案
  • C.温度与负荷完全线性关系
  • D.低温对负荷没有任何影响

答案：B。建筑物有热惯性和热储存能力，连续高温使室内热量逐日累积，空调负荷随之爬升，所以温度对负荷的影响是“慢半拍”的。A 忽略了滞后，C 忽略了非线性，D 明显错误。建模时常构造 2 到 6 小时的温度滞后特征。

Q9. 以下哪些属于数据预处理步骤？

多选题 · hard

  • A.缺失值用插值法填补← 正确答案
  • B.检测并修正异常值← 正确答案
  • C.对数据做标准化缩放← 正确答案
  • D.将数据集部署到云端

答案：ABC。缺失填补、异常修正和标准化都属于预处理，目的是把“脏账本”誊成干净账本；部署到云端是工程环节，不是预处理。模型只对干净数据负责，预处理的质量直接决定预测上限。

Q10. 关于负荷预测的不确定性量化，下列说法正确？

多选题 · extreme

  • A.区间预测给出可能范围← 正确答案
  • B.分位回归可构造置信区间← 正确答案
  • C.不确定性来源包括随机波动← 正确答案
  • D.预测误差可以完全消除

答案：ABC。区间预测给出可能范围，分位回归通过多个分位构造置信区间，随机波动（天气突变、社会事件）是不确定性的天然来源之一。D 错误——误差不可能完全消除，只能被度量并纳入调度决策。预测的目标不是“绝对准”，而是“知道有多不准”。