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 | | TransformerInformer/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(lower0) df[hdd] (18 - df[temperature]).clip(lower0) # 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_estimators800, learning_rate0.03, num_leaves63, subsample0.8, colsample_bytree0.8 ) model.fit(train[FEATURES], train[load]) pred model.predict(test[FEATURES]) print(fMAPE: {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%