做负荷预测的人,大概都遇到过调度员或者售电交易员打电话来问:“明天尖峰负荷到底是多少?给个准话。”早几年我习惯直接报一个数字,然后对面总会补一句“误差多少”。报误差其实就是在问不确定性的范围,而传统的点预测很难回答好这个问题。后来新能源接入比例上来,负荷曲线越来越“皮”,我才发现真正该做的不是把单点误差猜得更准,而是把预测结果整体变成一个概率分布,让下游自己按风险偏好去取数。这就是概率负荷预测。而让这套概率体系能持续跟上真实系统变化的关键,是我最终选定的自适应在线学习路线。
这篇文章不打算做教科书式的推导,而是把我从建模思路、模型选型、在线更新机制、概率校准到实际落地过程中踩过的坑和最终验证过的方案完整捋一遍。适合正在做电力负荷预测的算法工程师、准备把离线预测升级成在线预测的数据团队,以及想了解分位数回归和在线学习怎么结合的研究者。涉及的代码逻辑我会给关键实现,数据和场景脱敏,但方法链路和工程细节是能直接复用的。
1. 概率负荷预测先回答的问题:点预测的不确定性缺口
1.1 点预测给不了调度员的东西
先聊一个很简单的场景:预测明天中午12点的系统负荷,模型给出15000MW。调度员如果只拿到这一个数字,他必须自己去脑补“这个数到底靠不靠谱”。如果实际波动是正负300MW,按15000MW安排机组组合问题不大;如果实际波动是正负1500MW,那这个数字基本没有决策价值,甚至会有误导性。
光伏和风电渗透率上去之后,这个问题被放大了。中午光伏大发时段,净负荷曲线会出现明显的“鸭型”下探,而这个下探深度高度依赖光伏出力预测。光伏预测本身有云层的不确定性,传导到负荷预测上就是系统性偏差。点预测模型再怎么调参,也只能告诉你一个期望值,无法告诉你“有10%的概率会超过多少”或者“有90%的概率落在哪个区间”。而电力市场报价、需求响应、备用容量安排,恰恰需要的是这种风险量化信息。
所以概率负荷预测的核心问题不是“明天是多少”,而是“明天可能落在什么范围内,每个区间的概率多大”。这个表述上的转变,直接影响下游的决策质量。
1.2 概率预测到底输出什么
实际工程里,概率负荷预测通常有三种输出形态,对应不同的下游场景:
第一种是分位数序列。设定一组分位点,比如 0.05、0.1、0.25、0.5、0.75、0.9、0.95,模型对每个预测时点输出7条曲线。这条曲线集几乎能回答所有下游问题:中位数可以直接当点预测用,0.05/0.95分位可以框出90%置信区间,某个分位点对应的负荷值可以直接用于市场报价的阶梯电量拆分。
第二种是预测区间。不输出完整的分位数,只输出上下界和置信水平。常见做法是取 0.05/0.95 或者 0.1/0.9。这种方式对调度侧最友好,一张图上画两条边界线就行。
第三种是完整概率分布。可以通过参数化分布(比如正态分布、t分布)或非参数化分布(核密度估计、分位数拼接)来近似。完整分布的用处是计算任意概率的事件,比如“负荷超过16000MW的概率是多少”,这在极端天气预警和供需平衡风险评估里很有价值。
我最终采用的是第一种形态:输出七个分位数。原因是它实现简单、下游兼容性好,而且分位数之间可以直接计算区间,不需要做分布族假设。
1.3 负荷预测的“不确定性”到底从哪来
在做概率建模之前,得先把不确定性的来源拆清楚。我总结了四类,每一类对概率预测的设计都有直接影响。
第一类是天气预报误差。负荷对温度、湿度、辐照度高度敏感,天气数值预报本身有误差,而且这个误差是随时间变化的。早上8点看明天中午的预报,和当天中午看中午的预报,置信度完全不同。第二类是负荷自身的随机性。用户用电行为总是有随机波动,这部分基本不可预测,只能靠概率区间去吸收。第三类是事件性分布漂移,比如重大节假日、突发极端天气、疫情管控等。这类事件会让负荷模式和训练数据产生系统性偏离,也是点预测最容易翻车的地方。第四类是结构性变化,比如分布式光伏大量接入、电动车普及、新的大型工业用户投产,这类变化会让历史数据的“有效期”变短。
不同的不确定性来源,需要不同的模型机制去应对。天气误差适合用分位数回归去建模尾部,随机波动靠概率输出自然吸收,分布漂移则需要在线学习去快速适应。这也是为什么我把“概率负荷预测”和“自适应在线学习”放在一起,而不是当作两个独立的技术点。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 在线学习为什么比每周重训更适合负荷场景
2.1 老套路:离线模型加定期重训的三大死穴
很多团队做负荷预测的标准流程是:攒上一年两年历史数据,训练一个规模不小的模型,然后每周或每月重训一次,每次全量数据过一遍。这套方案的第一个死穴是漂移响应太慢。每周重训的话,模型看到“这周负荷模式变了”之后,至少要一周才能把参数改过来。碰上连续高温、寒潮、或者一次突发限电,这一周的滞后意味着连续多天预测系统性偏错。
第二个死穴是历史数据窗口到底取多长,永远在纠结。取一年,去年同期的负荷水平和今年可能已经完全不同,那些老样本对当前预测全是噪声。取一个月,碰上季节性转换又不够看。离线训练天然需要一个相对稳定的“训练集”,但电力负荷恰恰是时刻在漂移的时间序列。
第三个死穴是计算资源浪费和热切换风险。每周全量重训一次,GPU和CPU占用都很大,而且模型重训完上线,效果不升反降的情况经常发生。你没法保证上一周的数据分布和这一周一致,也没法保证重训出来的模型一定比现网版本好。
2.2 在线学习的本质:数据到了就学
在线学习的核心思想其实特别朴素:不等数据攒够,来一
