负荷预测基础：从分类到实战的完整指南
大家好，我是你们的老朋友。今天咱们聊聊负荷预测的基础知识。说实话，这部分内容看着简单，但我在实际项目中踩过的坑可不少。你想想看，预测不准，后面的调度方案全是白搭。所以，咱们把基础打牢。
核心观点：负荷预测不是玄学，是科学。分类、评价、预处理，三步走，缺一不可。
一、预测分类：时间尺度决定一切
我个人习惯把负荷预测按时间尺度分成四类。为什么这么分？因为不同场景下，预测的用途完全不同。
| 分类 | 时间范围 | 典型用途 | 我踩过的坑 |
|---|---|---|---|
| 超短期 | 未来几分钟~1小时 | 实时调度、AGC控制 | 采样频率不够，预测滞后 |
| 短期 | 未来1小时~1周 | 日前调度、机组组合 | 节假日模式没处理好 |
| 中期 | 未来1周~1年 | 检修计划、燃料采购 | 季节性因素被忽略 |
| 长期 | 未来1年以上 | 电网规划、投资决策 | 经济周期影响没考虑 |
嗯，这里要注意。超短期预测我一般用时间序列模型，比如ARIMA。短期预测则更依赖机器学习。为什么？因为超短期数据规律性强，而短期受外部因素影响大。
我的经验：做短期预测时，一定要把天气、节假日、特殊事件作为特征输入。我曾经有个项目，预测误差一直降不下来，后来发现是没考虑「双十一」的用电高峰。
二、预测评价指标：别被漂亮数字骗了
评价指标这事儿，说白了就是「你凭什么说你的预测准」。我见过太多人只看一个指标就下结论，结果上线后被打脸。
1. MAE（平均绝对误差）
公式很简单：MAE = (1/n) * Σ|实际值 - 预测值|。它反映的是误差的平均大小。我个人觉得MAE最直观，因为它和原始数据单位一致。
2. RMSE（均方根误差）
RMSE = sqrt((1/n) * Σ(实际值 - 预测值)²)。注意，它对大误差特别敏感。为什么？因为平方放大了偏差。我在做风电预测时，RMSE总是比MAE大很多，说明偶尔会有很大的预测偏差。
3. MAPE（平均绝对百分比误差）
MAPE = (100%/n) * Σ|(实际值 - 预测值)/实际值|。这个指标的好处是百分比形式，方便对比。但有个坑——当实际值接近0时，MAPE会爆炸。我曾经在夜间负荷预测时遇到过，凌晨负荷很低，MAPE直接飙到几百。
避坑指南：千万不要只用MAPE。我建议三个指标一起看。如果MAE和RMSE差距大，说明存在异常误差点。如果MAPE异常高，检查是否有接近零的实际值。
举个例子，假设我们有5个预测点：
实际值: [100, 200, 300, 400, 500]
预测值: [110, 190, 310, 390, 510]
MAE = (|100-110| + |200-190| + |300-310| + |400-390| + |500-510|) / 5
= (10 + 10 + 10 + 10 + 10) / 5 = 10
RMSE = sqrt((10² + 10² + 10² + 10² + 10²) / 5)
= sqrt(100) = 10
MAPE = (100%/5) * (10/100 + 10/200 + 10/300 + 10/400 + 10/500)
= 20% * (0.1 + 0.05 + 0.033 + 0.025 + 0.02)
= 20% * 0.228 = 4.56%你看，三个指标从不同角度告诉你预测质量。MAE告诉你平均偏差10个单位，RMSE和MAE相等说明没有特别大的误差，MAPE告诉你相对误差约4.56%。
三、数据预处理：脏数据毁所有
我记得刚入行时，师傅跟我说：「数据预处理占整个预测工作量的70%。」当时不信，后来被现实教育了。你想想看，模型再牛，喂进去的是垃圾，出来的只能是垃圾。
1. 缺失值处理
实际数据中，缺失值太常见了。传感器故障、通信中断、存储异常……原因五花八门。
处理方法我总结为三类：
- 删除法：直接扔掉缺失样本。适用于缺失比例很小（<5%）且随机分布的情况。
- 填充法：用均值、中位数、前向填充、后向填充等。我个人习惯用前向填充，因为负荷数据有连续性。
- 插值法：线性插值、样条插值。适用于缺失段较短的情况。
我的经验：对于连续缺失超过3个时间点的情况，我建议用插值法。我曾经用均值填充一段连续缺失，结果把负荷曲线的尖峰给抹平了，预测模型完全学不到峰值特征。
2. 异常值处理
异常值比缺失值更隐蔽。它看起来有数据，但数据是错的。怎么发现？
- 3σ原则：超出均值±3倍标准差的数据视为异常。适用于正态分布的数据。
- 箱线图法：超出Q1-1.5*IQR或Q3+1.5*IQR的数据视为异常。更稳健，不受极端值影响。
- 业务规则：比如负荷不能为负，或者变化率不能超过某个阈值。
处理方式：
- 直接删除（如果异常点很少）
- 替换为边界值（比如用3σ上限替换）
- 用插值法修正（如果异常是孤立的）
避坑指南：我曾经遇到过一个案例，某天的负荷数据突然跳变到正常值的10倍。用3σ原则没检测出来，因为那天的数据本身方差就大。后来我加了业务规则——「负荷变化率不超过50%」，才把这个异常揪出来。所以，统计方法和业务规则要结合使用。
四、知识体系总览
下面这张图是我自己整理的负荷预测基础框架。你看一遍，应该能对今天的内容有个整体把握。
这张图把今天的内容串起来了。你仔细看，从预测分类到评价指标，再到数据预处理，每一步都是环环相扣的。分类决定了你用哪种模型，评价指标告诉你模型好不好，数据预处理则是这一切的基础。
最后说一句：负荷预测没有银弹。不同场景、不同数据，方法都不一样。但基础框架是通用的。把这套框架吃透了，遇到什么问题你都能找到方向。
公众号:蓝海资料掘金营，微信deep3321