AI负荷预测：1%的误差，值4700万

英国国家电网公司（National Grid ESO）跟谷歌DeepMind合作过一件事：把AI用到负荷预测上，预测误差从4.7%降到3.6%。就这一个百分点的改善，一年省下约4700万美元的电网平衡成本。

我做AI落地观察这几年，见过太多讲概念的方案，反倒越来越喜欢负荷预测这种活：技术谈不上炫，但每一分精度都能直接换算成钱。

国内的成绩单也不含糊。国网山东电力在2024年迎峰度冬期间，负荷预测准确率做到98.9%，重大转折天气下的预测比人工经验高出3.35个百分点。这篇文章我把这件事拆开看：AI预测负荷到底怎么干，钱省在哪，你的单位能不能用得上。

· · ·

一、负荷预测的误差，不是技术指标，是钱

很多人以为负荷预测是调度台上一张报表的事，错了。负荷预测的误差，最后都会变成真金白银的成本。

电网运行的前提是发电和用电实时平衡。预测偏了怎么办？两个方向都是钱：预测低了，备用的机组就得提前开起来，空转烧的是燃料；预测高了，关键时刻顶不上，就得去现货市场高价买电，或者拉闸限电，那是事故级别的代价。

山东那组数据背后就有这样的场景。2024年迎峰度夏，山东地区出现了7次高温突转降雨的重大转折天气。这种天气最难预测，负荷可能一天之内大起大落。以往靠人工经验估，偏差经常压不住。预报越准，备用的机组就越少，少开的每一台机组都是省下来的钱。

还有一个容易被忽略的账：现在电网要消纳大量风电光伏，源荷关系从"源随荷动"变成"源荷互动"。虚拟电厂、储能填谷这些玩法，全都要靠精准的负荷预测做底座。预测不准，企业不敢签填谷响应的协议，新能源消纳就是一句空话。

二、山东的做法：给算法配了两层"师傅"

国网山东这套系统，亮点不在某个模型多先进，在架构。

第一层是"气象大模型+负荷预测大模型"双大模型。负荷对天气极其敏感，尤其是空调负荷占比高的省份，一场寒潮就能把曲线打乱。他们用"全球-区域"联合建模，把气象预报做到公里级的山东区域微气象精度，再喂给负荷预测大模型。负荷预测的上游是气象，气象不准，负荷模型再好也白搭。

第二层更有意思，叫"教师AI+学生AI"。学生AI负责从气象数据、历史负荷里归纳特征，输出预测。教师AI负责考评打分，更关键的是，它有一个基于大语言模型的人机交互界面，负荷预测专责的专家经验可以直接灌进去，用来调优学生AI的模型。

我特别看重这个设计。传统做法里，老师傅的经验是最难传承的资产，人一退休经验就散了。把专家经验做成一条能持续灌进模型的回路，比单纯换一个更新的算法值钱得多。

▲ 国网山东双大模型架构

三、小电网的成绩单，更值得琢磨

大省电网有海量历史数据，AI发挥好不意外。我看好的是两个"小样本"案例。

一个在西藏昌都。高海拔县域配电网，数据少、负荷结构特殊，研究团队用LSTM结合时空注意力机制，融合气象、节假日、用户行为特征，把预测日均绝对百分比误差从8.2%降到2.7%。三分之二的误差被砍掉了。

另一个在杭州余杭。区供电公司做了个网页版负荷预测工作台，调度员输入目标日期，5秒钟生成15分钟粒度的全天负荷曲线，节假日这种最难预测的场景，准确率从91%提到97%。国庆保电期间，他们靠这个提前联动企业排产线检修和储能充放计划，填谷响应预案提前落地。

这两个案例说明一件事：AI负荷预测不是大省的专利，越是历史数据少、天气地形复杂的场景，把专家经验和多维变量喂进模型，收益越明显。此外，国家电网华中分部2024年还组织过17支队伍的同台竞技，AI队伍的日前预测准确率达到98%，度夏最大负荷日做到99.37%，明显优于人工上报的98.78%。

· · ·

▲ 中外AI负荷预测对照

四、海外赢在哪，我们差在哪

回到开头DeepMind那笔账。英国人做得早，赢在两处。

一是市场化倒逼。英国电力市场里，预测偏差直接对应真金白银的平衡机制罚金，误差1%值多少钱，账算得清清楚楚，所以电网公司有动力花大钱雇DeepMind。国内过去以计划调度为主，预测偏差的代价不太显性，这也是为什么国内负荷预测的AI化这两年才明显提速。

二是气象能力的底子。DeepMind后面站着谷歌的气象模型能力，ECMWF和它合作的GraphCast，10天全球预报一分钟出结果。海外头部玩家的路径普遍是先啃气象再谈负荷。法国电力EDF用Transformer模型做日前全国负荷预测，平均绝对百分比误差压到1.3%以下，比传统统计方法好出约四成。

国内追赶的速度也不慢。山东的公里级微气象建模、华中把时序数据转成文字序列再用大语言模型训练的思路，都是在同一方向上自己的打法。海外赢在气象和市场的深度，国内赢在场景铺开的广度，两边做的其实是同一个动作：把预测误差一分一分往下抠。

五、跟我之前讲的有什么关系

我之前写过变电站AI巡检，写过电网AI调度员。负荷预测跟它们是一条链上的：预测是调度的上游，预测准了，调度才有得调；预测准了，巡检和保电的力量才能提前布到该去的地方。

我之前还反复讲过一个观点，AI落地的关键在数据，不在算法。山东这套系统再次验证了：负荷预测的突破点压根不在模型本身，在公里级微气象数据和专家经验回流这两件笨功夫上。

六、给你的三个建议

第一，别急着上大模型，先把气象数据接进来。你的负荷预测偏差，很可能一大半是气象预报的锅。先做到公里级气象与负荷数据的对齐，这一步的收益最确定。

第二，把老师傅的经验留住。学山东的"教师AI"思路，给预测专责建一条经验反馈通道，节假日、极端天气的复盘结论要能写回模型。人才是模型的天花板。

第三，从最难的日子切入验证。挑节假日和极端天气做试点，这些场景偏差最大、价值最高，效果也最容易说服领导。平时准不准没人care，保供电那几天准了，项目就立住了。

七、写在最后

负荷预测是个老行当，AI进来之后，它成了电网里回报最直接的应用之一。技术不性感没关系，能把误差变成钱的技术，就是好技术。

如果你正在做电力AI相关的项目，或者正在思考调度、预测类系统怎么立项，关注「知金圈」，我会持续拆解能源行业从技术架构到落地路径的实战案例。

如果觉得有用，点个赞让我知道。转发给你的同事和领导——尤其是管调度计划、电力营销和新能源消纳的，下次立负荷预测项目，这篇里的数据就是现成的论证材料。

互动一句：你们单位的负荷预测，现在还是调度员拿着往年曲线估，还是已经有模型在跑了？评论区聊聊。