4、特征工程（下）：温度敏感负荷建模（HDD/CDD）、虚拟变量编码、特征选择（相关性分析/树模型重要性）
好，咱们接着聊特征工程的下半场。
上一节我们把时间特征、滞后特征、滑动窗口这些基础活儿都捋了一遍。这一节，咱们要啃几块硬骨头——温度敏感负荷、虚拟变量，还有特征选择。这三样东西，说白了就是让你的模型更“懂”真实世界。
4.1 温度敏感负荷建模：HDD 与 CDD
先问个问题：你家夏天电费高，还是冬天高？
答案很明显。空调和暖气是负荷的两大“杀手”。但问题来了——怎么把温度这个因素，量化成模型能吃的特征？
直接扔个温度值进去？效果很差。因为人体对温度的感知是非线性的。25度和26度差别不大，但35度和36度，空调压缩机可能就多转半小时。
所以，电力系统里有两个经典指标：HDD（采暖度日数）和CDD（制冷度日数）。
核心公式：
- HDD = max(0, 基准温度 - 日平均温度) —— 天冷了，需要供暖
- CDD = max(0, 日平均温度 - 基准温度) —— 天热了，需要制冷
基准温度一般取18°C（有些地方用18.3°C或15°C，看当地习惯）。
我个人习惯用18°C。为什么？因为这是人体舒适区的下限。低于这个温度，大家就开始想开暖气了。
举个例子：
某天平均温度5°C，那么：
- HDD = 18 - 5 = 13
- CDD = 0（因为没超过18°C）
如果某天平均温度32°C，那么：
- CDD = 32 - 18 = 14
- HDD = 0
你看，这样就把温度对负荷的影响，变成了一个“累积效应”的指标。模型学起来轻松多了。
我的经验：
我在做某南方城市负荷预测时，发现直接用温度值，模型R²只有0.6。换成CDD后，直接跳到0.85。你想想看，这差距有多大。
另外，我建议把HDD和CDD同时作为特征输入。因为有些地区春秋季可能同时需要供暖和制冷（比如早晚温差大），模型自己会去学权重。
4.2 虚拟变量编码：把“类别”变成数字
模型不认识“星期一”、“星期二”这种文字。它只认数字。所以我们需要把类别特征编码成数值。
最常用的方法就是独热编码（One-Hot Encoding），也叫虚拟变量编码。
举个例子：
假设我们有一个“季节”特征，有4个取值：春、夏、秋、冬。
独热编码后，会变成4列：
| 原始季节 | is_春 | is_夏 | is_秋 | is_冬 |
|---|---|---|---|---|
| 春 | 1 | 0 | 0 | 0 |
| 夏 | 0 | 1 | 0 | 0 |
| 秋 | 0 | 0 | 1 | 0 |
| 冬 | 0 | 0 | 0 | 1 |
嗯，这里要注意：虚拟变量陷阱。如果你有k个类别，只需要创建k-1个虚拟变量。否则会造成多重共线性。比如上面季节的例子，我们只需要3列（比如去掉“冬”），因为“不是春、夏、秋”就自动等于“冬”。
我曾经踩过的坑：
有一次我把星期几（1-7）直接当成数值特征扔进模型。结果模型学出来：星期7的负荷比星期1高很多。但实际是因为周末和节假日的影响，而不是数字7比1大。后来改成独热编码，模型才正常。
所以记住：没有大小关系的类别，千万别用数值编码。
在Python里，用pandas的get_dummies()或者sklearn的OneHotEncoder都能轻松搞定。
import pandas as pd
# 假设df有'weekday'列
df_encoded = pd.get_dummies(df, columns=['weekday'], drop_first=True)
# drop_first=True 就是去掉第一列，避免虚拟变量陷阱
4.3 特征选择：别让模型“吃”太多垃圾
特征工程做完了，你可能搞出了几十甚至上百个特征。但问题来了——不是所有特征都有用。有些特征和负荷几乎没关系，有些特征之间高度相关（多重共线性），还有些特征纯粹是噪声。
特征选择，就是帮模型“减肥”。
4.3.1 相关性分析
最简单粗暴的方法：计算每个特征与目标变量（负荷）的皮尔逊相关系数。
相关系数范围在[-1, 1]之间：
- 接近1：强正相关（温度越高，负荷越大）
- 接近-1：强负相关（温度越低，负荷越大）
- 接近0：没啥关系
我一般会设定一个阈值，比如0.3。低于这个阈值的特征，直接扔掉。
我的习惯：
我还会看特征之间的相关性。如果两个特征相关系数超过0.8，我会只保留其中一个。比如“前1小时负荷”和“前2小时负荷”可能高度相关，留一个就够了。
不然模型会“左右为难”，学出来的权重也不稳定。
4.3.2 树模型特征重要性
相关性分析只能捕捉线性关系。但现实世界很多关系是非线性的。比如温度对负荷的影响，前面说了，是非线性的。
这时候，树模型（随机森林、XGBoost、LightGBM）的特征重要性就派上用场了。
树模型在训练过程中，会自动计算每个特征对预测的贡献度。贡献度越高，特征越重要。
具体做法：
- 先用所有特征训练一个随机森林或XGBoost模型
- 查看模型的
feature_importances_属性 - 把重要性低于某个阈值（比如0.01）的特征去掉
- 用剩下的特征重新训练模型
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor()
model.fit(X_train, y_train)
# 查看特征重要性
importances = model.feature_importances_
# 可以排序后看看哪些特征最重要
避坑指南：
我曾经犯过一个错误：直接用树模型的重要性做特征选择，然后发现模型效果反而下降了。为什么？
因为树模型的重要性会偏向数值型特征和高基数特征。比如你有一个“用户ID”特征，有1000个取值，树模型可能会觉得它很重要，但实际上它只是过拟合了。
所以我的建议是：相关性分析 + 树模型重要性，两者结合使用。先用相关性筛掉明显无关的特征，再用树模型重要性做精细筛选。
4.4 本章知识体系
为了让你更直观地理解这一章的内容，我画了一张图：
好了，这一节的内容就到这儿。温度敏感负荷、虚拟变量编码、特征选择，这三板斧砍下去，你的特征工程基本就到位了。下一节，咱们开始聊模型本身——从线性回归到XGBoost，一步步把预测精度提上去。
公众号:蓝海资料掘金营，微信deep3321