收益：
- 能够解释短期、中期和长期负荷预测的差异及其在能源系统中的使用领域
- 具备利用人工智能进行特征工程、模型选择和预测评估的能力
- 能够使用 MAPE 等指标来衡量预测误差，并将其与工程合理性和冗余需求联系起来
电力存储是一种昂贵且有限的商品；因此，电网必须提前知道消费者需要多少电力以及何时需要。负荷预测是预测未来电力需求的任务，是能源系统最基本的分析之一。发电厂根据该预测进行规划，相应地做出市场购买和销售决策，并相应地规划网络投资。在本单元中，我们将学习负荷预测的类型、如何利用人工智能建立和评估负荷预测，以及预测误差的工程后果。让我们澄清一下这个术语：负载是在给定时刻消耗的电功率（kW/MW）；负载曲线是该功率随时间变化的过程。
预测范围：短期、中期、长期
负载预测有不同的目的，并且需要不同的方法，具体取决于您的未来展望。
非常短期和短期（几分钟到几天）。它用于电网平衡、机组承诺（哪个工厂将运营）和市场投标。在这里，天气、日期类型（工作日/周末）和最近的消费是最重要的决定因素。准确性至关重要，因为错误会带来直接的不平衡成本。
中期（几周到一年）。它用于维护计划、燃料供应和季节性合同。季节性和经济趋势脱颖而出。
长期（年）。它用于网络和发电厂投资和容量规划。人口、经济增长、电动汽车和热泵普及等结构性因素具有决定性作用。这里不确定性自然就很大，采用的是情景法。
提示：在没有明确预测范围的情况下，不要选择模型。预测明天的模型和预测 2035 年的模型需要完全不同的输入和不同的不确定性管理。
决定负载和特征工程的因素
我们给机器学习模型的输入称为特征。良好的负载预测始于选择良好的特征。决定负载的主要因素：
- 日历：时间、日期类型、周末、公共假期、季节。负载跟随人类行为的节奏；早上和晚上都会形成小山。
- 空气：温度是最强的因素（冷热负荷），其次是湿度、辐射和风。温度-电荷关系通常呈 U 形：负载在极热和极冷的条件下都会增加。
- 过去的负载：一小时、一天和一周前的消耗（滞后特征）是近期最强烈的预兆。
- 特别事件：重大体育赛事、长假、经济冲击。
人工智能在生成这些属性并发现哪些属性有效方面非常有用。但要注意一个陷阱：归因于预测时不可用的信息（例如，预测时的实际温度，而我们只有天气预报）会造成数据泄漏，并使模型本质上毫无用处。
一步一步：利用人工智能进行负载估计
第 1 步——定义问题。明确了期限（明天或明年）、分辨率（每小时）和目标（总系统负载或单个馈线）。
第 2 步 — 准备数据。根据前一单元的纪律建立一个干净的时间序列；添加天气和日历数据。
第 3 步 — 生成属性。创建时间表、延迟负载和天气属性。检查泄漏：预测时每个功能都可用吗？
第 4 步 — 选择并训练模型。一个简单的基线（例如“上周同一时间”）始终是第一步；先进模型只有超越这个基础才有价值。人工智能有助于生成模型代码和特征管道。
第 5 步 — 评估。该模型在它看不到的一段时间内（未来一段时间）进行测试；它从未在训练数据中进行评估。指标按时间和制度细分。
第 6 步 — 报告不确定性。给出了一个范围（预测带），而不是一个数字；网络冗余根据该频段进行规划。
测量预测误差：MAPE 及其他
有几个指标用于衡量预测质量。 MAPE（平均绝对百分比误差）是预测与实际之间的平均百分比差异；这很容易解释。通常 1% 到 3% 的 MAPE 被认为适合系统级短期负载预测；在单个建筑物/馈线级别，该值自然更高，因为单个消费者的变化更大。
但单独的 MAPE 可能会产生误导。即使平均值看起来很低，但在高峰时段也可能存在系统性偏差，而网络在高峰时段至关重要。因此，有必要按小时、按天、尤其是高峰时段分别检查误差。此外，错误的方向也很重要：持续低估（低估需求）会导致生产计划不足并造成不平衡。
注意：仅仅说“MAPE 是 2%，很好”是不够的。如果高峰时段 MAPE 为 6%，并且您始终低估晚间高峰，则该模型的电网平衡就会受到影响。在不按制度细分的情况下，永远不要认为平均指标是安全的。
三个迷你案例：从数字来看
情况 1 — 未能通过基线。一个团队构建了一个复杂的模型并获得了 2.8% 的 MAPE，他们对此感到很高兴。那么简单的“上周同一时间+气温修正”基础给出了2.6%。复杂模型过不了基础；额外的复杂性没有任何价值。教训：始终首先建立简单的基础。
案例 2 — 头顶盲点。一家分销公司的模型总体 MAPE 为 2.1%，但在夏季晚间空调高峰期间始终将其低估了 7%。这会在几个炎热的日子里造成意外的负载和电压下降。当“连续炎热天数”（建筑物热量积累）添加到温度属性时，峰值误差降至 3%。
案例 3 — 泄漏遏制。一名实习生的模型在回测中表现非常好（MAPE 为 0.4%）。调查表明，该模型使用了预测时间的实际温度作为属性；而实际上这只是天气预报。泄漏修复后，MAPE 增加到现实的 2.5%。 “非常好”的结果通常是错误的迹象。
弱提示/强提示
弱提示：
使用此负载数据构建预测模型。[数据]
强力提示：
您的角色：能源需求预测专家。目的：提前（提前 24 小时）每小时系统负载预测。- 首先提出一个简单的基线（例如上周同一时间）并引用它。- 提取属性列表；对于每个属性，“预测是否立即可用？”标记。将有泄漏风险的人员分开。- 在以后的培训期间单独进行评估。- 总体报告 MAPE，并在高峰时段单独报告；指定误差的方向（低/高）。 - 让结果是一个预测区间，而不是一个数字。数据模式：[列]
强有力的提示，夯实基础，防止泄漏，准确建立评估，让不确定性可见——杜绝负荷预测不佳的四大经典错误。
四个可复制模板
1）属性和泄漏检查：
为以下预测问题提出一个特征列表：[问题]。对于每个属性，提供三条信息：(a) 为什么会影响负载，(b) 是否可以立即进行预测，(c) 是否存在泄漏风险。从你的列表中删除泄漏的。
2）建立基本模型：
为此负载系列建议至少两个简单的基线（例如昨天同一时间、上周同一时间、温度校正平均值）。写出每项的理由。只有有意义地通过了这些基础知识，才会提出高级模型。
3) 评估方案：
为该模型制定一个评估计划：按时间顺序分开训练/测试周期（从未来到过去没有泄漏）。按常规、日类型和高峰时段分别计算指标。报告错误的系统方面。
4）不确定性与决策：
给出预测的范围（上限/下限）。解释这个间隔如何与电网冗余和市场竞价决策联系起来。还要回答“最坏情况”是什么的问题。
预测范围表
地平线
持续时间
基本使用
主导因素
太短
分钟-小时
平衡、控制
最近的负载
短
1-7天
单位承诺、市场
天气、日期类型
中等
周年
维护、燃料、合同
季节性、经济性
长
年
投资、产能
人口、电动汽车、热泵
常见错误
- 跳过简单的基础。如果不证明复杂的模型超越了简单的基础，那么它就不能被认为是有价值的。
- 数据泄露。归因于预测时不可用的信息会产生错误的完美。
- 盲目相信平均指标。如果不单独检查高峰时段和季节转换，网络就会面临风险。
- 给出一个奇数。对于冗余计划来说，没有不确定性带的预测是不完整的。
- 评估训练数据。模型应该始终在不可见的时期进行测试。
总之
负荷预测是能源系统的脉搏；其方法和不确定性因范围而异。良好的预测始于良好的属性，并且需要一丝不苟地防止泄漏。人工智能是特征生成、模型构建和评估的有力辅助；但简单基线始终是参考，评估是在看不见的时期内进行的，误差是根据峰值/状态而不是平均值来解释的。估计不是一个单一的数字，而是一个确定的范围。
应用任务
采取负载或消耗系列。首先手动设置一个简单的基线（例如“上周同一时间”）。然后使用“属性和泄漏检查”和“评估协议”模板向AI询问预测计划。询问自己每个建议属性的泄漏风险。最后，检查高峰时段的预测误差是否与平均误差不同，并写下您的发现。
清单
- [ ] 我明确了预测范围、分辨率和目标
- [ ] 我搭建了一个简单的基础并引用了它
- [ ] 每个属性都是“立即预测的”吗？我检查了一下是否有泄漏。
- [ ] 我是在盲期做出的评价
- [ ] 我分别检查了一般时段和高峰时段的 MAPE
- [ ] 我检查了错误的系统方向（低/高）
- [ ] 我提出了带有一系列不确定性和判断力的估计