1. 为什么能源平台要自己长出一个“预测大脑”前阵子做项目客户指着我搭的 MyEMS 大屏问“这些历史电表数据都在这里能不能提前告诉我明天下午哪个小时会撞到峰值”我当时的反应不是马上拍胸脯而是意识到一个很现实的问题传统能源管理系统把“过去”和“现在”记得清清楚楚可它没有“未来”。MyEMS 这类平台最擅长的是数据采集、清洗、分项计量、报表和异常报警。你要看昨天哪台空调没关、上月哪个车间能耗最高它做得很好。可一旦业务往前迈一步比如给储能系统算充放电计划、给需量管理判断明天会不会超容、给运维团队提前预警配电设备过载就必须有一个“预测大脑”补在数据链路后面。这个场景里用的就是负荷预测。严格说是对某个计量点、某栋楼、某条生产线甚至整个工厂的有功功率做未来 24 小时或更长时间预测。而 LSTM 之所以在这个领域流行是因为电力负荷本身是典型的时间序列并且有很强的日周期性、周周期性和天气敏感性。简单说它不像“猜硬币正反”更像“看连续几天的行为规律来猜下一秒干什么”。很多人看到标题里“95%准确率”会很兴奋但我必须先泼一盆冷水负荷预测是回归问题不是分类问题并没有天然的“准确率”指标。实际项目中大家常说的“准确率 95%”通常是把 MAPE平均绝对百分比误差算出来后用 100% 减去它。假设某项目对总进线功率做小时级预测平均误差 5%那对外汇报时就会写成“预测准确率 95%”。这没问题但你要清楚口径不然换到一条波动剧烈的分项线路上同一套模型可能只有 80% 甚至更低。我在做这类项目时一般先和团队把这几个数字对齐指标含义大概怎么理解MAPE预测误差绝对值占真实值的平均比例越低越好5% 以内就算不错1 - MAPE项目汇报用的“准确率”95% 就是从这里来的R2模型相对“平均值预测”的解释力0.95 也被一些人叫 95% 准确率RMSE大误差会被放大用于优化模型不适合直接对业务解释所以不要一看到“95%”就觉得模型神了。正确思路是先确认做的是小时级还是 15 分钟级预测是预测总表还是分项点之后再谈能不能到 95%。1.1 一份负荷预测到底能帮客户做什么MyEMS 的客户往往不是要一个好看的算法Demo而是真刀真枪要用预测结果做决策。最常见的三个需求是需量管理工业用户要控制某一段时间的最大需量。如果能提前知道明天某个时段会超过合同容量就可以提前切掉一部分非核心负载或者利用储能放电“削峰”。储能策略优化储能系统什么时候充电、什么时候放电本质上取决于未来负荷曲线。预测偏了充放电策略就会跟着偏影响的是真金白银。设备与运维预警提前预测到负荷异常抬升可能意味着某台设备有故障前兆可以安排巡检。这些应用都对预测误差很敏感。比如需量管理里误差导致该切负载的时候没切一次罚款可能就超过整个模型半年省下的钱。所以我现在的习惯是上线前一定要把“误差长什么样”讲清楚而不是只报一个平均准确率。1.2 为什么选总进线作为第一个预测对象我个人的经验是第一个试点一定要挑数据质量最好、业务价值最明确、波动相对平稳的计量点。工厂的总进线就是典型代表。总进线负荷是很多分项负荷叠加后的结果单台设备的随机启停会被冲淡日规律性更强。相反如果你一上来就预测某个单台空压机的功率它可能因为内部压力、变频控制、生产节拍变化而剧烈跳动连人都很难猜更别说模型。所以做 MyEMS 负荷预测时我建议先在“总电表”上跑通等模型效果稳定了再往下拆分项。这样既容易达到“95%”的指标也方便客户直观感受到预测曲线的价值。2. LSTM 在负荷预测里的适用边界不是所有曲线都适合既然要讲 LSTM就要先把它的原理说清楚。很多人只把它当成一个“黑箱深度学习模型”这会导致后面调参时完全没有方向。LSTM 全称是长短期记忆网络是循环神经网络的一种改进。普通 RNN 在处理长序列时信息每经过一个时间步就衰减一次很难记住 3 天前同一时刻是什么负荷。LSTM 引入了一个叫“记忆单元”的结构用遗忘门、输入门、输出门来控制信息怎么存、怎么更新、怎么取。你可以这么理解普通神经网络一眼看过去一长串数字但读完后只能记得很模糊。而 LSTM 会自己决定“哪些旧信息该忘”“哪些新信息该记”“当前时刻应该输出什么”。放在电力负荷里它有机会记住“昨天这个时段在涨”“上周五晚上出现过峰值”“工作日和周末的模式不太一样”这类跨天甚至跨周的信息。2.1 负荷序列到底有什么特别之处电力负荷和股票价格、天气温度不太一样。它有几个很明显的特点日周期性白天高、夜里低早高峰和晚高峰的形状相对固定。星期效应工作日与周末的曲线差异很大周一早上和周五下午也常有特殊形态。天气敏感空调负荷会随温度变化明显抬升极端高温天尤其突出。节假日突变长假期间工厂停产负荷可能跌到平时的三分之一。偶发冲击设备检修、产线调试、外部电网波动都会造成短期异常。这些特点决定了“只拿昨天数据预测明天”是不够的。如果要预测明天上午 10 点的负荷最相关的信息可能是最近几天的上午曲线、今天的气温、是否为周末、去年同期是否类似。LSTM 的优势就在于它能把“序列”本身当成输入让模型从相邻时间步中自动抽取这些规律而不需要人手工枚举所有滞后期。但这也带来一个代价LSTM 需要足够的历史数据。我在项目中的一个粗略判断是至少要有两年的小时级历史数据模型才可能学到完整的季节和周期模式。如果只有半年数据LSTM 的优势很难发挥出来反而容易被参数多的结构带偏。2.2 和 ARIMA、XGBoost 摆在一起比才有选择依据很多人做负荷预测时第一反应就是 LSTM但我不建议直接上。业内其实是一套“先有基线再升级”的打法。我常做的对比包括这几种方案强项弱项适合场景SARIMA能处理明显的季节性和趋势参数少训练快线性假设强难融合节假日和气温突变历史规律稳定、没有太多外部变量的场景XGBoost / LightGBM能塞入很多离散特征对节假日、温度、日历特征很友好需要手工构建滞后特征纯序列关联捕捉不自然有高质量气象数据、特征工程投入大的团队LSTM直接从序列窗口学依赖能捕捉跨多天的记忆调参成本高小样本容易过拟合解释性差历史数据两年以上、有明显长周期规律Transformer 类长序列建模能力强数据量要求更高训练不稳定落地成本高一般中小能源项目暂时用不上有一说一我见过不少项目用 XGBoost 加上精心构造的“过去 3 天同时刻负荷”“过去 7 天趋势”等特征效果和 LSTM 非常接近。如果团队里没人熟悉深度学习先用 LightGBM 跑通业务完全没问题。但为什么最终方案里我还是保留 LSTM因为负荷预测的输入天然是连续时间序列LSTM 能让“系统自动寻找时间依赖”减少人工反复试探滞后特征的工作量。而且当数据量积累到一定程度后LSTM 在平稳总负荷点上的泛化能力确实会超过树模型尤其是在输入窗口比较长的时候。2.3 什么情况我建议不要用 LSTM如果你的现场只有一台电表、数据只有几个月或者要预测的是单台频繁启停的小设备那 LSTM 大概率不是最优解。强行上深度学习模型很容易记住训练集的噪声到了新一周反而预测得不如一个“上周同期”的朴素基线。另外如果 MyEMS 数据库里的历史数据断档严重、点表乱七八糟我也不会先纠结模型选型。数据质量问题不解决换任何模型都是白搭。预测项目里的工作量分配有一大半花在“把数据弄干净”上这在任何时候都成立。3. 从 MyEMS 小时级数据到 LSTM 训练集预处理与窗口构建在 MyEMS 里功率和电量的原始数据一般都会落到某个表里比如用meter_value之类的表存采集值。具体表名不同项目差异很大我在下面代码里用这个名字只是示意。实操时你需要先搞清楚你要预测的计量点 ID 是什么、库里的时区是否统一、历史数据从什么时候开始有。这里有个很重要的原则不要在主数据库里直接跑重型训练任务把数据导出到独立分析库或只读副本更好。MyEMS 的主库要支撑采集、聚合、报表查询如果每天训练脚本去全表扫描几年数据很容易把平台的正常服务拖慢。3.1 先从单个“稳定点”开始不要一上来做全厂模型做一个工厂级预测系统时我通常建议先选一到两个业务价值最高的点。对总进线做小时级日前预测是性价比最高的数据质量通常最好规律相对稳定客户也最容易理解。选好点之后第一步是统一时间粒度。MyEMS 的采集周期可能是 15 分钟也可能是 5 分钟但 LSTM 的输入输出都最好按小时或 15 分钟固化。我常用小时级作为默认粒度原因很简单待预测的“未来 24 小时”曲线足够满足储能和需量管理而且小时级数据比 15 分钟级平滑更容易获得满意误差。下面这段代码是我常用的数据读取和重采样方式逻辑很简单就是从 MyEMS 库读原始值按小时取平均import pandas as pd import numpy as np def load_series(point_id, start, end, engine): sql SELECT record_time, power FROM meter_value WHERE point_id %(point_id)s AND record_time %(start)s AND record_time %(end)s ORDER BY record_time df pd.read_sql( sql, engine, params{point_id: point_id, start: start, end: end} ) df[record_time] pd.to_datetime(df[record_time]) df df.set_index(record_time) # 15分钟/5分钟采样统一到小时使用均值作为整点功率 df df[power].resample(1h).mean().to_frame() return df这里有个容易犯的错直接把所有缺失时刻补零。如果电表数据传输中断补零会让模型以为“那一段时间真的没用电”后期预测就会在类似时段给出错误低值。我的处理方法是先用原始数据看断档原因。确认是采集中断的做线性插值或前向填充确认是工厂停产关电的那这个“零”是真实业务状态不能随便填。3.2 特征列别贪多先把握住“周期”和“日历”很多教程会让你拼命加特征但在纯负荷预测场景里最稳定的特征其实不多。我常用的基础特征如下小时的正弦/余弦编码。防止 23 点和 0 点被模型当成毫不相干的数字。星期几的正弦/余弦编码。让模型区分
