4. 电力负荷数据采集与预处理
负荷预测的精度上限，往往不由模型决定，而由进入模型的数据质量决定。SCADA、AMI 与气象数据来自三套彼此独立的系统，采样频率、时间基准、量纲和缺失模式各不相同。本章围绕“多源数据如何汇成一张可建模的负荷表”展开，重点讲清缺失值处理、异常值识别、数据平滑、归一化与特征构造的具体做法。
一、三类数据源的特征与对齐
SCADA 面向变电站与馈线，典型采样周期为 1 分钟至 15 分钟，量测对象是有功功率、无功功率、电流、母线电压，数据经 RTU/测控装置上送，通信中断会造成成段缺失。AMI 面向用户侧智能电表，采集间隔通常为 15 分钟或 1 小时，单表数据可靠，但海量表计的时标漂移、时钟未同步、集中器离线会造成“个别表缺失、整体不缺失”的稀疏问题。气象数据来自气象站或数值天气预报，包含干球温度、相对湿度、风速、辐照度，时间分辨率常为 1 小时，且以整点发布，与 15 分钟负荷序列存在粒度差。
对齐的第一步是统一时区与时间戳语义：SCADA 与 AMI 的时标应统一为本地标准时间并明确是否含夏令时；第二步是统一分辨率，通常把高频数据聚合到 15 分钟，聚合方式为区间均值而非瞬时抽样；第三步是统一量纲，功率统一为 MW 或 kW，温度统一为摄氏度。气象数据由整点插值到 15 分钟时，建议采用线性插值而非前向填充，避免温度曲线出现阶梯状跳变。
二、缺失值处理：按缺口长度分策略
缺失不是一种情况，而是几种情况。工程上先统计每个测点的缺失率与连续缺失长度，再分档处理。设某 15 分钟负荷序列在 10:00—10:45 连续缺失 3 个点，属于短缺口，可用线性插值：以 09:45 的值 P₀ 和 11:00 的值 P₃ 为端点，中间第 k 个点取 P₀+(P₃−P₀)·k/4。若缺口跨越 4 小时以上，线性插值会抹平负荷曲线的峰谷形态，此时应改用相似日填充：以“同星期类型 + 相近温度 + 相近日期”为条件，从历史库中检索最相似的日曲线，按比例缩放后填补。
对于 AMI 的稀疏缺失，不建议逐表插补后再聚合，而应先按台区或馈线聚合，再对聚合曲线插补，这样单表缺失对总量影响很小。缺失率超过 30% 且无法找到相似日的测点，应标记为“不可用”并从训练集中剔除，而不是强行填充。
三、异常值识别：三类判据联合使用
异常值分三类：物理越限、统计离群、形态异常。物理越限最直接，例如某 10 kV 馈线有功功率出现负值（未配置分布式电源时），或电流超过 CT 一次额定值，这类点直接判为无效。统计离群常用 3σ 与 IQR 两种判据：3σ 假设数据近似正态，对负荷这种双峰分布容易误判；IQR 以 Q1−1.5·IQR 和 Q3+1.5·IQR 为界，对偏态更稳健，建议作为主判据。形态异常指数值在统计范围内但变化率不合理，例如相邻 15 分钟功率跳变超过额定容量的 40%，通常对应量测抖动或通信误码。
识别出异常后，处理方式取决于成因：单点跳变可用前后点均值替换；连续多点的系统性偏移（如 CT 变比配置错误导致整体偏大 1.2 倍）应整段修正而非逐点替换；无法判断成因的，先置为缺失再走缺失值流程。切忌“发现异常就删除”，删除会破坏时间序列的连续性，也会让模型在异常天气等真实极端工况下失去学习样本。
四、数据平滑与归一化
平滑的目的是抑制量测噪声，同时保留负荷的真实拐点。推荐滑动中位数滤波：窗口取 5 点（覆盖 1 小时），对每个点取窗口内中位数。相比滑动平均，中位数对孤立尖峰不敏感，不会把单个坏点扩散到邻近点。若噪声呈高频随机特征且需要保留陡峭的爬坡段，可用小波软阈值去噪，阈值取 σ√(2lnN)，其中 σ 为噪声标准差估计、N 为序列长度。
归一化要区分两类特征。负荷、温度等连续量常用 Min-Max 归一化到 [0,1]，但训练集与测试集必须共用同一组极值，否则会引入未来信息泄漏；更稳妥的做法是用训练集的 1% 与 99% 分位数作为上下界，避免极端值压缩正常区间。Z-Score 标准化适用于温度、湿度等量纲差异大的气象特征。星期、月份等周期特征不要用序号编码，而应做正余弦编码，例如小时 h 编码为 sin(2πh/24) 与 cos(2πh/24)，使 23 点与 0 点在特征空间中相邻。
五、特征构造：从原始序列到建模输入
预测 t 时刻负荷时，可用特征分为四组。时标特征：小时、分钟、星期、是否节假日，均做周期编码。滞后特征：t−1、t−2、t−96（前一日同时刻）、t−672（前一周同时刻），其中 t−96 与 t−672 对日周期和周周期负荷最关键。滑动统计特征：过去 1 小时、24 小时的均值、最大值、标准差，用于刻画当前负荷水平与波动性。气象派生特征：温度平方项、温度与湿度的乘积、24 小时滑动平均温度，用于捕捉空调负荷的非线性响应。
构造完成后需做一次特征可用性检查：滞后特征在预测时刻必须真实可得，t−1 在提前一天预测场景下不可用，应替换为 t−96 或更早的滞后；所有滑动统计量的窗口必须完全落在预测时刻之前。这一步做错，离线指标会很漂亮，上线后精度会明显下降。