企业官网建设流程全解析

电力系统有一个残酷的特点：电很难大规模存储，发电和用电必须实时平衡。新能源占比越来越高之后，风电光伏的波动性让这个平衡变得极难维持——靠人工经验和传统统计方法已经顶不住了。这正是 AI 进入电网的核心动因。本文聚焦两个最落地的方向：负荷预测和智能调度，聊聊模型选型、数据工程和生产部署的实际问题。

负荷预测：电网的"天气预报"

负荷预测按时间尺度分四类：超短期（分钟到小时，用于实时调度）、短期（日前，用于发电计划）、中期（周到月，用于检修安排）、长期（年到十年，用于规划）。商业化最成熟的是短期预测，直接决定电力现货市场的报价策略。

影响负荷的因素非常杂：历史负荷、温度湿度、节假日、工作日类型、产业开工率，甚至重大赛事直播都会在负荷曲线上砸出一个坑。所以特征工程往往比模型本身更花时间。几个经验性的要点：

• 温度的影响是非线性的，夏季空调负荷存在"拐点温度"，直接用原始温度做特征不如加入制冷度日（CDD）和采暖度日（HDD）这类变换量。
• 节假日必须单独建模，春节的负荷曲线和任何工作日、周末都不像。
• 极端天气样本稀少但影响巨大，需要做样本加权或专门的极端事件分支模型。

模型选型：从 LightGBM 到时序大模型

实际项目里的选型对比大致如下：

| 模型 | 精度（MAPE） | 训练成本 | 可解释性 | 适用场景 | |------|------------|---------|---------|---------| | ARIMA/指数平滑 | 5%~10% | 极低 | 强 | 基线、小台区 | | LightGBM/XGBoost | 3%~5% | 低 | 较强 | 短期预测主力 | | LSTM/GRU | 3%~5% | 中 | 弱 | 中长期依赖场景 | | Transformer（Informer/PatchTST） | 2%~4% | 高 | 弱 | 多区域联合预测 | | 时序基础模型（TimesFM/TimeGPT） | 视微调而定 | 推理成本高 | 弱 | 冷启动、零样本 |

一个反直觉的事实：在单区域短期负荷预测上，调好的 LightGBM 经常打平甚至超过深度模型，而且训练只要几分钟。深度模型的优势在多变量联合预测（几百个台区一起预测、共享表示）和超长输入窗口。2024 年以来时序基础模型进展很快，但生产环境大面积铺开还受限于推理成本和稳定性验证，目前更多用于新投运台区的冷启动——那里根本没有历史数据，零样本预测是刚需。

一个可跑的短期负荷预测示例

下面用 LightGBM 演示特征工程 + 训练的核心逻辑：

import pandas as pd import lightgbm as lgb from sklearn.metrics import mean_absolute_percentage_error def build_features(df: pd.DataFrame) -> pd.DataFrame: """df 含列: timestamp, load, temperature""" df = df.copy() df["hour"] = df["timestamp"].dt.hour df["dayofweek"] = df["timestamp"].dt.dayofweek df["is_weekend"] = (df["dayofweek"] >= 5).astype(int) # 温度非线性：制冷/采暖度日 df["cdd"] = (df["temperature"] - 26).clip(lower=0) df["hdd"] = (18 - df["temperature"]).clip(lower=0) # 滞后特征：同时刻昨日/前周负荷 df = df.set_index("timestamp").sort_index() df["load_lag_1d"] = df["load"].shift(96) # 15min级数据, 96点/天 df["load_lag_1w"] = df["load"].shift(96 * 7) # 滑动窗口统计 df["load_roll_mean_4h"] = df["load"].rolling(16).mean() return df.dropna().reset_index() FEATURES = ["hour", "dayofweek", "is_weekend", "cdd", "hdd", "temperature", "load_lag_1d", "load_lag_1w", "load_roll_mean_4h"] data = build_features(pd.read_csv("load_data.csv", parse_dates=["timestamp"])) train, test = data.iloc[:-672], data.iloc[-672:] # 最后一整周做测试 model = lgb.LGBMRegressor( n_estimators=800, learning_rate=0.03, num_leaves=63, subsample=0.8, colsample_bytree=0.8 ) model.fit(train[FEATURES], train["load"]) pred = model.predict(test[FEATURES]) print(f"MAPE: {mean_absolute_percentage_error(test['load'], pred):.2%}")

这套骨架在省级电网数据集上通常能做到 3%