定义
负荷预测（Load Forecasting）是指基于历史用电数据、气象、日历、经济等多元因素，运用机器学习、深度学习、统计模型等人工智能算法，预测未来某一时段（小时、日、周、月）的用电负荷。它是智能电网调度、需求侧响应、削峰填谷、需量电费优化的基础，为电力生产计划、电网运行、用户侧管理提供决策依据。
负荷预测的类型与方法
按时间尺度可分为超短期（分钟级）、短期（小时、日）、中期（周、月）、长期（年）。常用方法包括传统统计（ARIMA、指数平滑）、机器学习（随机森林、XGBoost）、深度学习（LSTM、Transformer）。输入特征可包括历史负荷、温度、湿度、节假日、工作日类型等。数据来自智能电表、电能质量监测等设备。
在智能电网与需求侧管理中的应用
负荷预测支撑智能电网的发电计划、备用容量配置、分布式光伏与储能系统调度。在用户侧，结合需求侧响应、削峰填谷，可提前识别高峰时段并制定负荷调节策略，降低需量电费。通过云平台、数据处理引擎采集智能电表数据，训练并部署预测模型，实现自动化预测与告警。达希物联可为负荷预测提供数据采集、API集成能力。
实施建议
负荷预测落地需：充足的历史数据（建议至少一年）、数据质量与完整性、特征工程与模型选择、持续迭代与验证。选型时关注：与现有智能电表、电能质量监测系统的对接能力、预测精度与时效、与需求侧响应、削峰填谷策略的联动能力。结合电能质量监测，可进一步优化用电策略。
预测尺度与失真来源
负荷预测估计的是尚未发生的有功需求，不是电表里已经冻结的电量。超短期服务分钟到小时内的调度和储能动作，短期服务次日计划和需量控制，中期服务周、月检修与购电，长期服务容量。四类问题不能共用一个误差门槛：分钟级模型害怕突发开机，年度模型害怕产业结构变化。拿日预测的平均误差去评价年度容量，数字再小也说明不了变压器该不该增容。
可用的前提是序列连续、计量点口径不变、日历可信。工作日、周末、法定假日要能分开，工厂还要标出检修和夜班。气温特征应来自与用电点同一气候区的观测，远处机场的温度不能代表山区车间。结果要带生成时间和模型版本，调度员才能分辨手里的曲线是昨夜批量算出的，还是临时用新数据重算的。能源微网内部如果还有柴油机组或可转移产线，这些可控量要作为已知计划输入，不能当成预测误差。
失真多半来自修补数据。通信中断被填成零，模型会学到“全厂突然停电”；用前后平均去填，又会把真实停机抹平。换表后如果仍沿用旧表号，两段量程不同的曲线被接成一条，高峰会被系统性抬高或压低。只记录光伏下网电量、不记录厂内总用电，预测出来的是购电而不是负荷，中午拿去安排储能会在不该放电的时候放电。调休若按自然周标注，长假的低谷会被当成普通周末。
上线前用已经过去、但在当时尚未知晓的下一天做回溯：冻结当时能拿到的输入，看模型给出什么，而不是把后来才测到的气温提前喂进去。预测偏差和削峰动作要分开复盘。电价假设改了，不能反过来证明预测是对的。缺少检修标记的工厂，模型会把每年一次的停产学成随机掉负荷，第二年检修日照样报出不存在的用电高峰。
评估时要把误差拆开看，而不是只留一个全日平均。高峰小时偏十个点，和低谷小时偏十个点，对需量电费的影响完全不同。应单独列出最大需量出现的那个小时差了多少，以及这个小时的预测是提前一天给出的还是当天滚动修正的。滚动修正如果用到了已经发生的负荷，它不再是对未来的预测，不能拿来和日前计划比谁更准。
新投产的产线在历史里没有样本，模型会按旧的开机习惯外推。这时应把产线计划作为外部输入，而不是等运行几个月后再解释为什么高峰总是偏低。天气特征也要检查缺测：整段气温缺失若被填成零，模型会以为出现了极端严寒。更换主变、调整力率或把照明改成另一回路后，计量点所代表的负荷范围变了，旧曲线和新曲线不能直接首尾相接。
发布预测的人应能回答三个问题：用的哪一版模型、输入截止到何时、哪些点因为缺数被剔除。答不出这三句，调度员无法决定信不信这条曲线。预测只服务计划，不代替保护定值；负荷报得再低，也不能据此退出过流保护。