数学基础回顾：概率论与数理统计与线性代数
各位同学，欢迎来到负荷预测算法的数学基础课。说实话，很多搞算法的朋友一听到数学就头疼。我当年刚入行时也一样，觉得「我写代码就行了，数学差不多得了」。直到有一次，我做的负荷预测模型在夏天连续三天误差超过15%，被领导叫去喝茶……嗯，从那以后我老老实实把数学基础补了一遍。
今天咱们聊三个核心板块：概率统计、线性代数、微积分。它们就像算法的三根支柱，缺一不可。我会结合自己在电力负荷预测项目中的实际踩坑经历来讲，保证你听完能直接用。
核心观点：数学不是用来考试的，是用来理解算法为什么work、为什么不work的。
一、概率论与数理统计基础
先聊聊概率统计。你想想看，负荷预测本质上就是在「猜」未来。既然是猜，就得知道猜得准不准、误差有多大。这就是概率统计干的事。
1. 均值与方差
均值就是一组数据的「中心」。比如过去30天的日最高负荷，算个均值，这就是你预测的基准线。
# 均值计算
import numpy as np
loads = [120, 135, 128, 142, 138] # 单位：MW
mean_load = np.mean(loads)
print(f"平均负荷: {mean_load:.1f} MW")方差衡量数据波动有多大。我做过一个项目，某工业园区的负荷方差特别大，后来发现是因为里面有个炼钢厂，一开工就猛涨。如果不考虑方差，直接用均值预测，误差能让你怀疑人生。
我的经验：在负荷预测中，我习惯先算方差。方差大的时段，我会单独建模型，而不是用全局模型硬套。
2. 正态分布
正态分布，也叫高斯分布。为什么它这么重要？因为大量自然现象都服从它。负荷预测的误差，在大多数情况下也近似正态分布。
正态分布的概率密度函数长这样：
f(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中 μ 是均值，σ 是标准差。68%的数据落在 μ±σ 范围内，95%落在 μ±2σ 范围内。这个「3σ原则」我经常用来判断预测结果是否异常。
注意：不是所有数据都服从正态分布！我曾经遇到过一个地区的负荷数据呈双峰分布——白天一个峰，晚上一个峰。这时候硬套正态分布就会出大问题。
二、线性代数基础
线性代数在负荷预测里无处不在。说白了，你的模型参数、输入特征，最后都变成矩阵在算。
1. 矩阵运算
假设你有 n 个样本，每个样本有 m 个特征（比如温度、湿度、星期几），那你的输入就是一个 n×m 的矩阵。模型参数是一个 m×1 的向量。预测结果就是矩阵乘向量。
import numpy as np
# 假设3个样本，每个样本2个特征
X = np.array([[30, 0.6], # 温度30°C，湿度60%
[28, 0.7],
[35, 0.5]])
# 模型参数：温度权重0.5，湿度权重-10
w = np.array([0.5, -10])
# 预测负荷
y_pred = X @ w # 矩阵乘法
print(y_pred) # 输出：[9. 7. 12.5]你看，就这么简单。但实际项目中，特征可能有几十上百个，矩阵维度就上去了。我记得有一次处理一个200维的特征矩阵，内存差点爆了——后来才学会用稀疏矩阵。
2. 特征值与特征向量
特征值这个概念，很多同学觉得抽象。我换个说法：特征值告诉你一个矩阵「最重要的方向」是什么。
在负荷预测中，特征值分解常用于主成分分析（PCA）。比如你有100个特征，但很多特征之间高度相关。通过PCA，你可以找到最重要的几个「综合特征」，把维度降下来。
核心理解：特征值越大，对应的特征向量方向上的数据方差越大，信息量越多。我一般保留特征值之和占总量90%以上的那些主成分。
三、微积分基础
微积分是优化算法的灵魂。没有它，模型就没法「学习」。
1. 导数
导数衡量函数在某一点的变化率。在机器学习里，我们用它来回答一个问题：参数往哪个方向调，能让损失函数下降最快？
举个例子，假设损失函数是 L(w) = (w - 3)²，它的导数是 L'(w) = 2(w - 3)。当 w=5 时，导数为4，说明w需要减小才能让L下降。这就是梯度下降的基本思想。
# 手动实现梯度下降
w = 5.0
learning_rate = 0.1
for i in range(10):
grad = 2 * (w - 3) # 导数
w = w - learning_rate * grad
print(f"第{i+1}步: w={w:.3f}")2. 梯度
梯度是导数的推广——当参数不止一个时，梯度就是每个方向上的偏导数组成的向量。它指向函数增长最快的方向。所以我们沿着梯度的反方向更新参数，就能找到最小值。
避坑指南：我曾经把学习率设得太大，结果模型参数来回震荡，就是不收敛。后来我学会了用学习率衰减——刚开始大步走，接近最优解时小步慢走。
在负荷预测中，梯度下降用于训练几乎所有模型——线性回归、神经网络、甚至一些树模型的后处理。你想想看，没有微积分，这些模型都转不起来。
四、三者如何协同工作
这三个数学工具不是孤立的。我举个例子你就明白了：
- 概率统计告诉你数据长什么样——均值、方差、分布类型
- 线性代数帮你把数据组织成矩阵，高效计算
- 微积分帮你找到最优的模型参数
比如做一个简单的线性回归负荷预测：先用概率统计分析历史负荷的分布，用线性代数把特征和参数组织成矩阵运算，再用梯度下降（微积分）求解最优参数。三者缺一不可。
总结一下：数学不是负担，是你的工具箱。每个工具都有它的用途。我在项目中遇到的大部分问题，归根结底都是数学基础没打牢。把今天这三个板块吃透，后面学具体算法会轻松很多。
公众号:蓝海资料掘金营，微信deep3321