用电负荷预测实战：从全国负荷15.57亿千瓦四创新高看温度敏感负荷建模

# 用电负荷预测实战：从全国负荷15.57亿千瓦四创新高看温度敏感负荷建模

8月7日，全国用电负荷今年第四次创出新高，达到15.57亿千瓦，比去年最高峰高出4900万千瓦，有25个省区市用电负荷创出新极值（央视新闻联播8月8日报道）。此前一天，北京电网最大负荷达到2939.9万千瓦，刷新2024年创下的历史纪录，其中空调等降温负荷增长明显、占比近一半。为什么"气温一升、负荷就爆"？电网调度员凭什么提前预判明天负荷多少、该安排多少发电机组？答案就藏在"温度敏感负荷建模"里——这也是国赛预测类赛题最经典的考法之一。今天咱们把这个模型从头到尾做一遍。


## 一、高温与负荷：一场看得见的"联动"

先看数据怎么说的。国家能源局数据显示，截至8月6日，今年入夏以来最大用电负荷已累计11天超过2025年最大值，负荷峰值最高达15.53亿千瓦；8月3日辽宁电网最大用电负荷冲至4775万千瓦，为入夏以来第五次创历史新高；8月6日北京电网2939.9万千瓦的纪录里，空调等降温负荷占了近一半。

把这一串数字连起来看，规律非常明显：**全国负荷峰值一次次被刷新，几乎都和高温天气"同频共振"**。原因不复杂——夏天用电分两块：一块是工厂、写字楼、居民家里雷打不动的"刚需用电"；另一块是空调、风扇这些"降温用电"，气温越高、开得越猛。后一块就是"温度敏感负荷"，它是夏天负荷创新高的主要推手。

对电网来说，负荷预测错了会怎样？预测高了，多开机组、多烧燃料，白白浪费钱；预测低了，机组来不及启动，就可能拉闸限电。所以负荷预测不是"锦上添花"，是**保供电的刚需**。国赛里考负荷预测，本质考的就是你"会不会把气温这个关键变量用起来"。

## 二、负荷拆解：别把复杂问题当一坨

预测的第一步不是建模，是拆解。总负荷可以拆成三块：

| 负荷类型 | 定义 | 特点 | 举例 |
| --- | --- | --- | --- |
| 基准负荷 | 与天气关系不大的基本用电 | 平稳、有周期性 | 照明、电机、办公设备 |
| 温度敏感负荷 | 随气温变化的用电 | 高温时猛增，是波动主源 | 空调、电扇、冷藏设备 |
| 特殊负荷 | 偶发的大块用电 | 突发、难预测 | 大型活动、故障抢修 |

拆完就明白：预测的难点全在"温度敏感负荷"这一块。基准负荷用历史同期的平均值就能估个大概，特殊负荷靠经验剔除，而温度敏感负荷必须建立"气温与负荷"的数量关系——这就是回归分析登场的时机。

这里要强调一个建模思维：**先拆解、后建模**。很多同学拿到负荷数据直接一个模型套到底，结果误差大得离谱。把问题拆成"基准+温度敏感+特殊"三块分别处理，再合起来，效果立刻不一样。这在国赛里叫"结构化的建模思路"，是阅卷老师非常认可的。


## 三、温度敏感负荷建模：回归怎么用

回归建模的思路一句话：**把"温度"当作解释变量（自变量），把"负荷"当作被解释变量（因变量），找到两者之间的函数关系。** 用中文把逻辑讲清楚：

第一步，选变量。自变量用哪个温度？有日均温、最高温、最低温、体感温度好几个候选，通常最高温或日均温跟负荷的关系最明显。注意：很多题目还会给出"湿球温度""等效温度"，本质都是想把"闷热程度"量化得更准。

第二步，定形式。气温和负荷不是简单的直线关系：气温35度时，每升高1度负荷猛涨；气温25度时，升高1度负荷几乎不动。这种"高温段斜率陡、低温段斜率缓"的特征，叫**分段线性**或者**非线性**。简单的做法是设一个临界温度（比如28度），超过临界值才计入降温负荷；复杂的做法是加平方项、指数项，甚至引入"累积高温效应"——连续三天40度和第一天40度，对负荷的影响显然不一样。

第三步，拟合与检验。用历史数据把回归方程的参数估出来，看拟合优度（解释了多少比例的负荷波动）、看每个变量的显著性、看残差有没有规律。这三步做完，一个"温度每升1度、负荷涨多少"的数量关系就拿到手了。

## 四、算例：一个星期的气温与负荷数据

光讲道理不如动手算。假设某市7月中旬连续10天的最高气温与日最大负荷数据如下：

| 日期 | 最高气温（度） | 日最大负荷（万千瓦） |
| --- | --- | --- |
| 7月10日 | 31 | 1520 |
| 7月11日 | 33 | 1680 |
| 7月12日 | 34 | 1810 |
| 7月13日 | 36 | 2050 |
| 7月14日 | 38 | 2260 |
| 7月15日 | 39 | 2380 |
| 7月16日 | 37 | 2120 |
| 7月17日 | 35 | 1900 |
| 7月18日 | 32 | 1590 |
| 7月19日 | 34 | 1760 |

把数据在纸上点一下就能看出：气温从31度升到39度，负荷从1520万千瓦涨到2380万千瓦，几乎是一条向右上方爬升的曲线。用分段回归处理：设定临界温度28度，只对超过28度的部分建模（即"降温负荷=负荷-基准负荷"），得到的结果大致是这样的：

| 回归参数 | 数值 | 含义 |
| --- | --- | --- |
| 基准负荷（截距） | 约900万千瓦 | 28度以下的基本用电水平 |
| 温度弹性系数 | 约170万千瓦/度 | 气温每升1度，负荷约增170万千瓦 |
| 拟合优度 | 0.95以上 | 气温解释了95%以上的负荷变化 |

看这个弹性系数：170万千瓦/度是什么概念？意味着气温从34度升到37度，三天之内负荷要涨500万千瓦左右——这刚好解释了我们开头看到的现象：为什么一个省区市接一个省区市地创新高，因为高温就是这么一天天"叠"出来的。


## 五、弹性系数：温度每升1度，负荷涨多少

"弹性系数"是这个模型里最值钱的产品。它的含义非常直观：**温度每变化1度，负荷变化多少万千瓦。** 调度员拿到它，天气预报说明天最高气温40度，心里马上有数——比今天39度多一个数，负荷大概还要再加170万千瓦，该提前多启动一台备用机组了。

弹性系数不是固定不变的，做深入分析时还可以这样玩：第一，分时段算弹性——白天和夜里的弹性不同，因为夜里工厂停了、空调还在开；第二，分地区算弹性——南方城市空调普及率高，弹性系数往往比北方大；第三，算"边际递减"——气温超过42度后，空调开到顶了，弹性反而变小。这些扩展分析在国赛里都是现成的加分点，因为它们说明你**理解模型的机理**，而不只是会跑程序。

## 六、情景预测与误差评估

模型建完，最后一步是"用"。预测分两种玩法：

**情景预测**：假设天气预报给出三种情景——明日最高气温36度（正常）、38度（偏热）、40度（极端），把三个温度分别代入回归方程，就得到三个负荷预测值。这种"情景-结果"对照表，在报告里写出来特别直观，也是国赛里最讨喜的呈现方式。

**误差评估**：用历史数据做"回测"——把前9天的数据建模，预测第10天，再跟第10天的真实值比。常用的误差指标有三个：绝对误差、相对误差（百分比）、平均绝对百分比误差。一个合格的负荷预测，相对误差应该控制在百分之几的量级。如果回测误差大，就回头调模型：是不是漏了累积高温效应？是不是该加湿度变量？**建模-回测-修正**，这个循环跑两轮，模型就成熟了。

## 七、国赛负荷预测题的通用套路

不管题目是"预测电网负荷""预测用水量"还是"预测景区游客量"，只要背后有"高温驱动"的影子，套路都是这五步：

**第一步，拆解。** 把总量拆成基准部分和敏感部分，分别处理。这是所有预测题的灵魂。

**第二步，找驱动变量。** 气温、湿度、节假日、星期几，把这些"会动的因素"列全，再看哪几个真正有解释力。

**第三步，建模。** 敏感部分用回归（线性的、分段的、非线性的都行），基准部分用趋势加周期。关键是把"为什么要这么建"讲明白。

**第四步，情景预测。** 给出未来几天驱动变量的情景假设，代入模型出预测值，做成表格。

**第五步，回测验证。** 用历史数据检验误差，说明模型可用性，再谈改进方向。

## 国赛启示

回看这一周的新闻：8月7日全国负荷15.57亿千瓦第四次刷新纪录，25个省区市创新极值，北京2939.9万千瓦的历史纪录里空调降温负荷占近一半——每一个数字背后，都是"温度"这个变量在起作用。预测的本质，就是**把"凭感觉"变成"凭关系"**：找到温度与负荷之间的数量关系，弹性系数一算，明天的负荷就有了依据。国赛里凡是"某某指标创新高"的新闻，背后几乎都藏着一个预测建模题。记住今天这套：拆解、找变量、回归、情景预测、回测验证，这就是迎峰度夏给我们的建模方法论。

资料来源：央视新闻联播（8月8日全国用电负荷创新高报道）、国家能源局数据（截至8月6日）、央视新闻（8月6日北京电网负荷报道）、辽宁电网消息（8月3日）。