能源需求预测为什么不能只复制历史曲线

历史相似不等于未来相同

电力需求常有明显的日周期和周周期，因此历史曲线是重要起点。但极端天气、节假日、产业停工、新增充电设施和远程办公都可能改变原有模式。模型若只寻找过去最相似的一天，容易在结构变化时给出过于自信的结果。

有效的预测会同时使用时间、天气、日历和业务条件，并保留预测区间。区间不是模型不确定的缺点，而是调度人员安排备用容量的重要依据。

误差要按使用场景解释

日前市场关心全天计划，实时控制关注几分钟内的变化，设备维护则可能观察季节趋势。相同误差在不同任务中意义不同，不能用一个平均指标决定所有模型。

还应检查误差集中在哪些时段。模型整体表现良好，却在早高峰持续低估，仍可能造成实际运行风险。分时段、分天气和分负荷类型观察，比只看年度平均值更有用。

模型更新需要保留对照

加入新算法后，应与简单基线在同一数据范围内比较。复杂模型如果只在训练数据上更好，或需要无法稳定取得的输入，就不一定适合生产环境。

每次更新要记录数据截止时间、特征变化和评估方法。当负荷结构改变时，这些记录能帮助团队判断问题来自模型、数据还是现实环境。

模型之外，还有数据与决策

预测项目应先定义结果将用于何种决定。日前购电、储能充放电、设备维护与长期扩容需要不同时间尺度。若团队只说“提高准确率”，却没有说明误差将改变什么动作，就难以判断模型改进是否具有业务价值。

数据清洗也不能简单删除所有异常。极端高温、节假日活动和设备故障可能正是系统最需要学习的场景。应区分测量错误与真实事件：前者需要修正，后者需要保留并添加事件标签。

训练与评估必须按时间顺序切分。随机打乱数据会把未来模式泄漏到训练集，使离线成绩看起来过好。滚动评估更接近实际运行：每个时间点只使用当时已经可取得的信息，再观察模型在新时段的表现。

复杂算法应与简单基线比较。上一周同一时段、移动平均或线性模型虽然朴素，却能揭示高级模型究竟增加了多少价值。如果复杂模型只在少数月份略有改善，却需要大量难以稳定取得的特征，生产成本可能高于收益。

上线后要监测输入分布和误差结构。新工厂、充电站、节能改造或价格政策会让负荷关系改变。模型漂移不是一次故障，而是现实系统发生变化的信号。团队需要设定重新训练、人工复核和回退基线的条件。

预测结果最好同时给出中心值与合理区间。调度人员可以根据风险偏好安排备用，而不是把模型输出当作确定事实。资料来源可参考国际能源署关于需求弹性与电力系统灵活性的公开报告；具体市场规则和容量计划仍应以当地机构文件为准。

天气特征不能直接照搬

温度与负荷通常不是简单直线关系。舒适区间内变化较小，超过制冷或供暖阈值后，负荷才会快速上升。湿度、风速和建筑类型还会改变体感与设备效率。模型需要根据地区和季节建立关系，不能把另一个城市的温度系数直接复制过来。

天气预报本身也有误差。训练时使用实际观测、上线时却使用预报值，会造成输入条件不一致。更可靠的评估应模拟实际可取得的预报，并观察不同预报提前量如何影响结果。

节假日需要理解活动，而不只是标签

同样是节假日，居民区、商业区和工业园区的负荷变化可能完全相反。只加入一个“是否节假日”字段，无法解释大型活动、返乡、旅游或连续休假。区域模型应结合场景，并允许特殊日期单独修正。

新出现的远程办公、充电设施和数据中心也会改变原有周周期。模型更新时要检查特征关系是否仍然稳定，而不是只增加更多历史数据。数据越久并不一定越有代表性。

误差成本具有方向性

高估需求可能造成备用资源过多和成本上升，低估则可能增加运行风险。两种误差的后果不同，单一平均绝对误差会隐藏方向。模型选择应结合业务成本，对关键时段的低估给予更高关注。

峰值预测还需要看时间偏差。模型即使预测对峰值大小，却把峰值提前一小时，也可能让储能在真正需要前已经释放。评估应同时观察数值、发生时间和持续长度。

可解释性帮助发现数据问题

解释模型不是为了证明算法永远正确，而是检查它是否依赖合理关系。如果模型突然把某个无关字段当作主要信号，可能存在数据泄漏或采集流程变化。特征贡献、残差图和分时误差都能帮助团队发现问题。

运营人员的经验也能提供反例。模型认为某天应出现高负荷，但现场知道生产线停机，这种差异应该回到数据与计划核对。人机协作的价值，在于让模型处理大量规律，让人员识别结构变化。

从预测走向需求弹性

预测告诉系统可能发生什么，需求弹性则提供可以采取的动作。若预计傍晚负荷上升，系统可以安排储能、调整充电或邀请可调负荷响应。没有可用资源，再准确的预测也只能提前知道问题。

反过来，可调资源也需要预测才能决定何时行动。过早削减负荷会影响用户，过晚则无法缓解峰值。预测、控制与反馈应形成闭环，并在每次事件后比较计划与实际结果。

阅读模型成绩时应追问什么

看到准确率提升时，要询问基线、测试时间、数据范围和改善集中在哪些场景。若论文或报告只展示最优实验，却没有说明缺失数据、异常天气和上线输入，结论的适用范围就有限。

还要区分统计改善与运营价值。误差减少一点是否足以改变备用计划、储能动作或采购决定，需要由使用场景回答。模型不是独立产品，它是决策链中的一个环节。