能耗预测要回答的是一个很具体的问题：明天下午三点，这栋楼或这条线大概要用多少电。AI 在这里做的是把历史负荷、天气和生产计划揉成一条未来曲线，再由负荷优化决定哪些设备往前挪、哪些往后挪。整件事可以拆成预测对象、输入、粒度、校验、调度五段，每一段都会决定最后省不省钱。
先分清预测的是电量还是负荷
电量是一段时间内的总量，单位是千瓦时；负荷是某一刻的功率，单位是千瓦。前者用于结算和预算，后者用于容量申报和实时调度。很多项目一上来就说要做能耗预测，结果做出一个日总量，却拿它去指导小时级调度，自然用不上。
如果目标是削峰，重点在尖峰时段的负荷曲线形状，总量差一点无所谓；如果目标是采购预算，总量精度才是关键。两个目标的建模方式、评估指标都不一样，先定目标再谈模型。
三类输入各自的分量
第一类是历史负荷，给的是惯性和周期；第二类是天气，温度、湿度、辐照度对空调和采暖的影响最大；第三类是生产或营业计划，比如明天有几条线开班、商场是否做活动。三类里，计划数据的解释力常常被低估。
天气数据要用预报值而不是实测值，否则等于用未来信息做预测。预报本身有误差，所以训练时要把预报误差也模拟进去，让模型学会在预报不准的时候保守一点，而不是死死贴着一条理想曲线。
| 输入类别 | 给模型什么 | 最容易被忽略的点 |
|---|---|---|
| 历史负荷 | 惯性与周期，决定基线走势 | 缺货或停产那几天的低负荷不是真实需求，要单独标注 |
| 天气 | 温度、湿度、辐照度，主要影响空调与采暖 | 必须用预报值，否则等于用未来信息做预测；还要把预报误差模拟进训练 |
| 生产或营业计划 | 明天几条线开班、商场是否做活动 | 解释力常被低估，很多突变其实早就在计划里写着了 |
粒度决定了模型能学到什么
十五分钟粒度能看出设备启停和班次切换，小时粒度适合做日内的错峰，日粒度只能做月度预算。粒度越细，噪声越大，缺失值也越多。常见做法是先做十五分钟预测，再聚合到小时和日，保证不同用途共用一个底层结果。
聚合不是简单相加。十五分钟曲线的峰值经过平均后会削平，如果上层要报最大需量，必须取区间最大值而不是平均值。这个细节弄错，申报的容量会偏低，超限就要按倍率付费。
基线和模型要一起看
没有基线就无法判断模型有没有用。最简单的是「上周同一天同一时刻」和「近四周同类型日均值」，复杂一点的用相似日加权。把机器学习模型和这两条基线放在同一张表上比，先赢过基线再谈上线。
前期整理数据时，可以让 Kimi 把电费单和气象记录归纳成一张对照表，再让 DeepSeek 生成初版特征清单，人只需要判断哪些字段真的可用。
评估指标也要选对。平均百分比误差在低负荷时段会失真，夜间负荷接近零时百分比会被放大。可以改用加权误差，或者直接把尖峰时段的误差单独列出来看，因为那才是花钱的地方。
预测怎么变成调度动作
有了曲线，负荷优化要回答三个问题：哪些负荷可移、能移多久、移过去会不会撞上另一个峰。制冷、蓄热、充电、部分物料的破碎研磨都属于可移负荷，涉及工艺质量的负荷通常不可动，这条边界要先划出来。
调度模型的目标通常是电费加违约风险，约束是设备能力和生产节拍。求解出来的计划要留人工确认口，因为现场总有计划外的事。全自动下发在试点阶段容易出事，半自动加上一键回退更稳。
- 对象：削峰看负荷曲线，预算看电量总量
- 输入：历史负荷、天气预报、生产计划三类并用
- 粒度：十五分钟为主，向上聚合取峰值不取均值
- 校验：先赢过相似日基线，再谈模型上线
- 调度：可移负荷清单加人工确认口，缺一不可
关于能耗预测，问得最多的三个
- 只有一年的电表数据够吗？：勉强够跑通，但要覆盖完整四季，否则夏季尖峰会被低估，建议至少补齐两个夏天。
- 天气预报告诉我明天降温，模型还要吗？：要。降温幅度对负荷的影响是非线性的，人脑估不准拐点，模型可以。
- 预测准了为什么电费没降？：预测只提供依据，降本来自调度执行，如果可移负荷太少，再准的曲线也换不来差价。
负荷优化的上游常常是生产计划，工艺参数优化怎么用 AI讲的是单台设备的调参逻辑；仓储侧的设备用电与作业节奏相关，可以看仓储拣货的路径是怎么排的；农业场景的用电与灌溉排程类似，见病虫害识别是怎么落地。
