4.3 大数据与人工智能应用

4.3 大数据与人工智能应用

负荷预测，指用历史负荷与相关因素推断未来一段时间电网需要供应的功率——它是本章的收束点，也是人工智能在电网里最早、最成规模的落点。前两节的算法假设"未来类似过去"，而预测类业务直面不确定性：新型电力系统里，负荷侧多了电动车，电源侧多了看天吃饭的风光，预测精度每提高一个百分点，都能折算成实打实的备用容量与真金白银。

先分清两派：机理模型与数据方法

电网决策天然分成两派。机理派从物理定律出发：潮流方程、摇摆方程、电磁暂态方程，算出来的结果可解释、可复现、可追责，但要求模型参数准确，且算不动"说不清边界"的问题。数据派从历史数据归纳：不问物理机理，只找统计规律，擅长对付负荷、天气、用户行为这类无方程可写的对象，但换个 distribution 就可能失灵，错了还说不清为什么。

工程上的分工其实很清晰：闭环控制与安全防线归机理派——保护整定、稳定控制、潮流校核不允许"大概率正确"；预测、识别、归类归数据派——负荷预测、缺陷图像识别、用户用电行为聚类，容错空间大，数据又充足。两派的交界处正在产生最有价值的混合形态：用数据修正机理模型的参数漂移，用机理约束数据模型的输出边界。

负荷预测：教科书级的应用样本

预测按时间尺度分三档：超短期（分钟级，服务实时调度与 AGC）、短期（一到三天，服务机组组合与交易申报）、中长期（月到年，服务检修安排与规划）。方法论上从相似日法、时间序列一路演进到深度学习，但评价口径始终未变：平均绝对百分比误差（MAPE）与均方根误差（RMSE），用数字说话。

理解预测的本质，最好的方式是亲手跑一次对比。下面的代码用三周的日峰负荷与温度数据，让三种方法同台竞技：朴素法（抄昨天）、滑动平均（抄最近七天的平均）、一元线性回归（从温度找规律）：

import math

# 21 天的日峰负荷（MW）与日平均温度（摄氏度）
temp = [30,32,31,33,29,28,27, 31,33,34,35,32,30,29, 33,35,36,37,34,33,31]
peak = [872,905,893,928,841,822,806, 879,921,948,966,905,858,838, 933,975,1002,1030,952,924,887]

def mape(actual, pred):
    return sum(abs(a-p)/a for a, p in zip(actual, pred)) / len(actual) * 100

train_t, train_p, val_t, val_p = temp[:14], peak[:14], temp[14:], peak[14:]

naive = [peak[13]] + [peak[i-1] for i in range(15, 21)]          # 方法一：抄前一天
mv    = [sum(peak[i-7:i])/7 for i in range(15, 22)]              # 方法二：前七天均值

n  = len(train_t)                                                # 方法三：最小二乘回归
sx, sy  = sum(train_t), sum(train_p)
sxx     = sum(t*t for t in train_t)
sxy     = sum(t*p for t, p in zip(train_t, train_p))
d   = n*sxx - sx*sx
b   = (n*sxy - sx*sy) / d
a   = (sy - b*sx) / n
reg = [a + b*t for t in val_t]

print(f"回归式：峰值 = {a:.1f} + {b:.1f} × 温度")
print(f"验证期 MAPE：朴素 {mape(val_p, naive):.2f}% | 滑均 {mape(val_p, mv):.2f}% | 回归 {mape(val_p, reg):.2f}%")
print("回归法未来三天预测：", [round(a+b*t) for t in (36, 35, 38)])
​

结果把"特征比模型重要"演示得淋漓尽致：朴素与滑动的 MAPE 都在百分之五上下，而一条最普通的一元回归直接压到百分之一以内——因为这份负荷的波动几乎完全由温度驱动，谁抓住了温度谁就抓住了负荷。真实系统的进阶版无非是把特征换成分时电价、节假日标志、湿度、风电出力，把回归换成梯度提升或神经网络，选型的第一问永远是：波动的主要来源是什么，我的特征里有没有它？

图 4-3 三种预测方法与实际负荷的对照

数据智能的其余战线

预测之外，人工智能在电网还有三条成熟战线。图像识别：无人机与机器人巡检产生海量照片，卷积网络识别绝缘子破损、销钉缺失、通道烟火，识别率已超人工目检，彻底改写了巡检经济学。用户侧数据挖掘：基于智能电表曲线做负荷辨识（分解出空调、电热水器等具体设备）、窃电嫌疑筛查、需求响应潜力画像，是第 7 章需求响应业务的底层能力。调度辅助决策：把调度规程与事故案例做成知识图谱，用强化学习在仿真环境里训练事故处置预案——这条战线目前定位仍是"辅助"，距离"自动"有明确的制度红线。

风光预测：比负荷预测难在哪

新能源功率预测是预测业务皇冠上的难点，难在三处。误差源不可控：负荷预测的主要输入是人的行为（规律性强），风光预测的主要输入是天气（混沌系统），数值天气预报的误差直接封死了功率误差的下限——行业现状是日前风电预测误差普遍在百分之十到二十量级，光伏稍好。空间聚合的双刃剑：单场站出力波动剧烈，但地理上分散的场站互相抵消，聚合预测误差更小——预测粒度与预测精度因此成为一对交易。极端事件是主要损失源：寒潮、沙尘、台风切断出力的"爬坡事件"，恰恰发生在天气模式异常、NWP 预报最不准的时刻。

工程上的应对是"降职责"而非"降误差"：预测系统必须输出置信区间而非单点值，调度按概率留备用；超短期预测（分钟级）用实测外推修正日前计划；爬坡事件单独建模告警。看清"误差不可消灭、只能管理"，是进入这个领域的第一课。

落地边界的四条纪律

其一，可解释性是门槛不是加分项：进入安全链条的算法必须能回答"为什么"，否则只能留在建议层。其二，训练分布外必退化：极端天气、新型设备、疫情级负荷突变都会让模型失灵，预测系统必须挂"置信度仪表"，低置信时自动回退到保守策略。其三，数据治理先于模型：标签质量、时标对齐、缺测补全，这些脏活的产出上限就是模型的上限。其四，责任链必须清晰：AI 建议、人工确认、留痕审计，是当前调度领域人机协作的法定形态。

从预测到决策的最后一公里

预测准了只是开始，把预测用进决策还要过三道关。口径关：预测的时间粒度与决策模型需要的粒度要对齐，日前机组组合要小时值，AGC 要分钟值，同一套预测系统要出两个口径并保持一致。偏差关：预测给出的是期望值，决策要按置信区间备资源——备用容量按预测误差分布的某个分位数配置，而不是拍脑袋百分比。责任关：预测失误导致的偏差考核如何分摊给气象源、算法、人工修正，规则不清的团队，预测系统会在扯皮中荒废。三道关里最难的是第三道，它属于管理问题，却决定技术投入的最终成色。

高频问答

问题二：大语言模型在电网里能干什么？

当前的诚实答案是：知识与文档侧先行，实时决策侧谨慎。规程问答、缺陷报告撰写、告警信息归并这类自然语言任务已经可用；把它接进实时闭环则要过可解释与可靠性两道硬门槛，业内尚无先例可循。合理预期是"大模型当参谋，机理模型当司机"——参谋越博学越好，司机必须时刻可验证。

本节要点

• 机理管控制、数据管预测是当前的稳态分工；混合形态（数据修机理、机理限数据）是演进方向。
• 负荷预测的竞争力在特征不在模型：抓住温度这类主导因素，一条回归就能打败复杂的时序模型。
• MAPE 是预测工作的通用语言；图像识别、用户画像、调度辅助是数据智能的其余三条成熟战线。