简介基于灰色系统理论GM(1,1)的电力负荷预测代码面向电力系统规划与能源管理场景适合需要处理小样本、非线性负荷数据的研究人员、工程师及相关专业学生。压缩包共8个文件包含4个Matlab脚本实现数据读取、累加生成、参数求解、预测与检验、2个Excel负荷数据文件、1张预测对比效果图以及1份Markdown说明文档整体仅50KB轻量易用。已有273人学习下载代码结构清晰可直接运行并输出预测结果。通过这套示例读者既能理解灰色预测的核心步骤——从一次累加生成序列到微分方程建模、最小二乘参数估计及残差检验——又能掌握将预测方法落地到实际电力负荷数据的具体实现路径为后续改进模型或集成其他算法如ARIMA、神经网络提供可扩展基础。1. 调度大厅里的那个难题为什么贫数据场景反而该用灰色预测凌晨的调度大厅里屏幕上的负荷曲线还是一片空白能用的历史数据只有过去三周的日最大负荷外加一条刚投运的工业专线的记录。这点数据量喂给深度学习模型连热身都不够。灰色模型GM(1,1)正是在这种贫信息场景下站稳脚跟的它不要求大样本不假设数据服从某种分布只用累加生成和指数拟合就能从一组看起来杂乱无章的灰色数列中把趋势抠出来。Grey-Model这个命名背后就是这套面向少样本短期电力负荷预测的标准方法论。这篇文章按工程落地的顺序展开从级比检验、数据变换到GM(1,1)建模再到残差修正与参数寻优最后补上避坑清单和验证口径让新手能照做熟手能对着参数重新审视自己的模型。2. GM(1,1)建模前的数据准备级比检验与三种数据变换灰色模型最常被误解的一点是“给一串历史数据就能预测”。GM(1,1)的时间响应式是e的负指数形式隐含的假设是被预测对象在建模窗口内近似服从指数增长或衰减。电力日负荷虽然整体有趋势但夹杂了周末、气温、临时检修等干扰直接拿原始序列建模经常会出现拟合曲线一头扎进地板的情况。所以第一步不是建模而是判断数据适不适合做灰色预测——这一步做扎实后面能少踩一半的坑。2.1 级比检验判断数据是否适合灰色建模的硬指标级比的定义是相邻两个原始数据点的比值λ(k) x(k-1) / x(k)n个数据点会得到n-1个级比值。合格的原始序列要求所有级比都落在区间 (exp(-2/(n1)), exp(2/(n1))) 内。这个区间的左侧控制增速上限低于下限说明序列出现了跳跃式增长右侧控制回落幅度超过上限说明数据突然塌落。对n6的短序列区间大约是从0.751到1.331当n增大到10时区间缩窄为0.834到1.199。窗口越长对序列平稳性的要求就越苛刻这正是灰色预测更适合小样本的数学原因。电力负荷里最典型的级比超标是“周一效应”周一清晨负荷从周末低位反弹如果序列里混入了周末的谷值级比就容易飞出区间。另一个典型是法定节假日后的第一个工作日负荷爬升幅度超过30%时级比直接跌破下限。级比检验在代码里很简单但要注意只要有一个点FAIL整个序列就不能直接建模不能删掉一个点继续跑——删除异样点会让窗口不连续等价于改变了采样节奏。import numpy as np def level_ratio_check(x: np.ndarray) - tuple: n len(x) lo np.exp(-2.0 / (n 1)) hi np.exp(2.0 / (n 1)) # 级比序列相邻两点前一时刻除以后一时刻 ratios x[:-1] / x[1:] flags (ratios lo) (ratios hi) print(f允许级比区间({lo:.3f}, {hi:.3f})) for i, (r, ok) in enumerate(zip(ratios, flags), start1): print(flambda({i}) {r:.4f} {OK if ok else FAIL}) return ratios, (lo, hi)这段代码输入是一维numpy数组x内部先按样本量计算允许区间再逐点检查级比。输出里任何一个FAIL都意味着当前序列不适合直接进入GM(1,1)。级比检验不是过场仪式它直接决定后面最小二乘解出来的发展系数a靠不靠谱。我见过不少项目跳过这一步拟合误差很好看但预测结果完全不是那么回事。2.2 平移、开方、对数三种数据变换的适用范围级比检验不通过时工程上依次尝试三种变换。第一种是平移变换对原始序列整体加常数C即x(k)x(k)C。它不改变序列内部的形状但能缩小相邻点之间的相对幅度差对过大的下降级比有收敛效果。负荷平移一般按地区最低谷荷近似值来取比如加C50或C100然后用二分法快速试出能让级比全部过检的最小C。第二种是开方变换x(k)sqrt(x(k))。开方对下降型数据更友好因为开方后相邻点间的比值更接近1。不过在电力负荷预测中开方会压缩峰谷差预测还原后误差会被放大通常只有平移无效时才考虑它。第三种是对数变换x(k)ln(x(k)C)。它压缩大值区间的效果与开方类似但还原时用指数函数单调映射回去数值稳定性更好。三种变换的选择不是递进关系而是看变换后级比是否全部过检常用做法是先平移快速测试若平移后仍有FAIL再换对数序列。变换公式适用场景还原方式平移x(k)x(k)C级比偏高或偏低但序列形状可保留预测值减C开方x(k)sqrt(x(k))下降型、波动过大的序列预测值平方对数x(k)ln(x(k)C)数量级差异大、远端波动明显exp(预测值) 减 C注意C必须保证x(k)C0这一点对负荷序列天然满足。变换本身不复杂复杂的是判断什么时候该停如果三种变换都试完级比仍然过不去说明数据里混入了结构性异常需要回到数据源头排查而不是继续在变换上做文章。2.3 窗口长度6个点比18个点更合适灰色预测的建模窗口不需要长实测常用4到10个原始数据点。窗口过长级比允许区间收窄而且GM(1,1)只有两个内部参数拟合能力有限窗口里的旧趋势会稀释新近变化。做日最大负荷预测时我一般取最近6个日峰值作为训练窗口如果按周做就取最近6周的周平均负荷。曾经有一次尝试用18个点训练、预测第19天训练集拟合误差很小预测误差却比6点窗口大了一倍——典型的负荷结构漂移问题模型把三个月前的模式当成了当前模式。窗口确定后还要确保训练序列的物理含义一致。预测次日峰值就用连续自然日的日最大负荷预测某条馈线的周用电量就用周用电量。不要混入平均值和峰值灰色模型对数据口径非常敏感脏数据比差模型危害更大。3. 从累加到还原GM(1,1)建模全流程与两个关键参数理解了数据准备接下来就是把GM(1,1)从公式变成能跑的代码。这一章的三个小节对应建模的三个阶段累加生成、参数辨识、累减还原。这三个阶段环环相扣任何一步理解偏了后面调参都会变成玄学。3.1 累加生成为什么指数拟合要放在累加序列上做原始负荷序列是振荡的但灰色模型观测的是“累计峰值”或“累计电量”的走势。对原始序列x0做一次累加得到x1[k]sum(x0[1]...x0[k])原始序列的振荡在累加后会被平均掉变成一条平滑上升的曲线。这一步叫累加生成是灰色理论的第一个核心思想。为什么能用指数函数拟合这条上升曲线本质上是把每个增量看成与当前累计水平成比例的关系写成一阶线性微分方程 dx1/dt a*x1 b。方程里的a是发展系数反映增长速率b是灰色作用量代表除自身增长以外的驱动因素比如工业负荷扩张、气温整体抬升带来的额外需求。累加生成在代码里一行就能完成x1 np.cumsum(x0)。但要注意模型输出的是累加值要得到预测的原始负荷还得做一次累减还原x_hat0[k] x1_hat[k] - x1_hat[k-1]。这个还原过程会把拟合误差重新暴露出来所以灰色预测的误差分析必须放在还原后的序列上做不能直接看累加序列的误差。3.2 背景值构造与最小二乘辨识两个关键公式连续微分方程要离散化才能用数据辨识。微分项dx1/dt在离散域用原始值x0(k)近似状态项x1(t)在离散时刻取什么值就引出了背景值z1(k)。传统GM(1,1)取相邻两个累加值的算术平均z1(k)0.5x1(k)0.5x1(k-1)。这里的0.5就是背景值系数alpha它默认等于0.5但只是一个默认配置不是铁律。背景值本质上是对累加序列局部斜率的近似0.5假设累加序列在两个采样点之间线性变化可真实负荷的累加曲线往往是凹的或凸的。这就是后面章节里alpha寻优的切入点。有了x0(k)和z1(k)灰微分方程可以写成线性形式x0(k) -az1(k) b。把n-1个方程叠成正规方程组BθY其中θ(a,b)^T最小二乘解为θ(B^T B)^{-1} B^T Y。这两个参数决定了整个模型的形状a的趋势项b是水平项。参数辨识结果进入时间响应式x1_hat(k) (x0(1) - b/a) * exp(-a(k-1)) b/ak从1开始计数x0(1)即原始序列第一个点。参数a非常值得关注。|a|小于2时模型稳定a小于0时预测呈增长趋势负荷上升期就是这个形态|a|在0.3以内时模型适合做3步以内的短期预测一旦|a|超过0.5预测值会随步数指数膨胀只建议做一步预测再多就不可信了。3.3 完整代码用6个日峰值预测明天的负荷下面用一组典型的爬坡形态负荷序列演示完整建模流程。x0[108, 118, 123, 130, 141, 150]这是从若干电力负荷项目里总结出来的典型短期增长形态。先做级比检验再建模输出明天峰值预测。import numpy as np def gm11(x0, predict_num1, alpha0.5): GM(1,1) 核心建模 x0 : 原始序列一维数组长度建议 4~10 predict_num: 预测步数 alpha : 背景值权重默认 0.5 返回 x_hat(训练拟合), pred(预测), (a,b)(模型参数) x0 np.asarray(x0, dtypefloat) n len(x0) x1 np.cumsum(x0) # 1. 累加生成 z1 alpha * x1[1:] (1 - alpha) * x1[:-1] # 2. 背景值序列 B np.column_stack([-z1, np.ones(n - 1)]) Y x0[1:] theta, _, _, _ np.linalg.lstsq(B, Y, rcondNone) # 3. 最小二乘辨识 a, b theta[0], theta[1] # 4. 时间响应式计算累加序列的拟合与预测 def x1_hat(k1): return (x0[0] - b / a) * np.exp(-a * (k1 - 1)) b / a x_hat np.zeros(n) x_hat[0] x0[0] for i in range(1, n): x_hat[i] x1_hat(i 1) - x1_hat(i) # 5. 累减还原 pred [] for t in range(1, predict_num 1): v x1_hat(n t) - x1_hat(n t - 1) # 6. 外推并做累减 pred.append(max(v, 0.0)) # 负荷不为负兜底保护 return x_hat, np.array(pred), (a, b) if __name__ __main__: x0 [108, 118, 123, 130, 141, 150] level_ratio_check(np.array(x0)) x_hat, pred, params gm11(x0, predict_num1) mape np.mean(np.abs((np.array(x0) - x_hat) / np.array(x0))) print(fa{params[0]:.4f}, b{params[1]:.4f}) print(f训练集 MAPE{mape*100:.2f}%) print(f明天峰值预测{pred[0]:.1f})这段代码把GM(1,1)的六个核心步骤依次展开。累加生成用cumsum一次完成背景值序列则用切片错位相加生成。最小二乘部分没有手写正规方程求逆而是调用np.linalg.lstsq它比直接求逆数值稳定性更好在背景值序列过小或数据量不足时不会直接翻车。时间响应式计算累加拟合值后相邻两个累加值相减得到原始尺度上的拟合值这就是累减还原。最后的max(v,0)是对负值输出的物理性兜底——灰色模型偶尔会给负数负荷这在电力系统里不成立。参数说明alpha默认取0.5是传统GM(1,1)的标准配置predict_num1表示只做一步预测负荷日预测场景下这一步最可靠训练集MAPE在这组数据上通常能控制在2%以内明天预测值在155附近。如果想预测未来三天把predict_num改成3但随后要留意第三天的误差已经明显放大。4. 精度不够时的三个补救套路残差修正、新陈代谢与背景值寻优GM(1,1)训练速度极快但精度不够是常态。训练集MAPE低不代表预测准因为拟合曲线对历史点“尽力了”对未来却无能为力。工程上真正常用的补救措施有三个对残差再建一个灰色模型、用新陈代谢方式滚动窗口、对背景值系数做网格搜索。三者的定位不同残差修正是事后修正新陈代谢是数据更新策略alpha寻优是模型参数自适应。4.1 残差修正什么时候值得对误差再建模一次残差修正的思路很直接主模型预测结束后拿到训练集上的残差序列e(k)x0(k)-x_hat(k)对这个残差序列再建一个GM(1,1)用它的预测值去修正主模型的预测值。但残差序列通常有正有负GM(1,1)要求非负数据所以必须先做平移r(k)e(k)CC取残差绝对值最大值的1.2倍左右保证平移后全部为正。预测完成后再把C减回去。这里有一个常见的翻转点最终修正的方向是主预测值减去残差模型的平移后预测值因为残差定义是actual减去pred修正量要往反方向加。写代码时非常容易把加减号搞反调一次就发现了。def gm11_residual_corrected(x0, predict_num1, alpha0.5): x0 np.asarray(x0, dtypefloat) n len(x0) x_hat, raw_pred, _ gm11(x0, predict_numpredict_num, alphaalpha) residual x0 - x_hat # 训练集残差 C -residual.min() 1e-6 # 平移量保证非负 r_shift residual C _, r_pred, _ gm11(r_shift, predict_numpredict_num, alphaalpha) corrected raw_pred - (r_pred - C) # 主预测减去残差预测 return corrected逻辑说明raw_pred是主模型对未来的预测r_pred是残差模型对“未来残差”的预测。由于残差序列做了平移还原时先减C再用主预测减去这个修正量。残差模型的意义在于捕捉主模型系统性偏大或偏小的部分而不是逐点匹配噪声。参数说明C的取值直接影响残差模型的效果。C太小残差相对波动会被放大变形C太大残差的相对波动被压平二次模型退化为一个常数修正。经验上C取残差绝对最大值的1.2倍比较稳。另外残差修正不是无脑用——如果残差序列本身没有趋势二次建模只是把噪声拟合得更像噪声。判断方法很简单对残差平移后的序列再做一次级比检验级比不过就不要修正。4.2 新陈代谢滚动更新窗口追踪负荷漂移电力负荷的“模式”会漂移。一条新数据产线投产、一片大型空调负荷接入负荷水平会整体抬升。固定训练窗口的模型预测偏差会随窗口老化逐渐加大。新陈代谢模型的思路是每得到一天实测值把它纳入训练集同时踢掉最老的样本保持窗口长度不变再预测下一天。这也叫等维新息滚动更新是负荷预测里最常用的日常更新方式。def rolling_gm_forecast(history, window6, horizon1, alpha0.5): preds [] for i in range(window, len(history) - horizon 1): train history[i - window:i] # 最近一个窗口 _, pred, _ gm11(train, predict_numhorizon, alphaalpha) preds.append(pred[0]) return np.array(preds)逻辑说明history是一段完整的历史负荷序列循环从第window个点开始每次截取最近window个点作为训练集预测下一点然后窗口向前滑动一个点。这个代码默认alpha固定如果要做alpha寻优可以把grid_search嵌套进循环里每个窗口单独选alpha。参数说明window对应训练窗口长度建议6到10horizon是步长日负荷预测取1。在新陈代谢模式下模型永远在吸收最新信息比静态模型的MAPE通常能降1到3个百分点。如果预测的是周负荷把历史数据按周聚合horizon换成1窗口换成最近6周。4.3 背景值寻优把0.5当成超参数而不是真理前面提到背景值系数alpha默认是0.5它假设累加序列在两个采样点之间线性变化。负荷在窗口内如果是凹的或凸的0.5就带进了系统性偏差。把alpha当成超参数在0.05到0.95之间以0.05步长搜索用训练集或验证集的MAPE来选择最优alpha是一个成本极低、收益却非常实在的优化手段。def grid_search_alpha(train, alpha_rangeNone): if alpha_range is None: alpha_range np.arange(0.05, 1.0, 0.05) best_a, best_mape alpha_range[0], 999.0 for alpha in alpha_range: x_hat, _, _ gm11(train, alphaalpha) mape np.mean(np.abs((train - x_hat) / train)) if mape best_mape: best_a, best_mape alpha, mape return best_a, best_mape逻辑说明gm11函数里的alpha参数贯穿背景值构造和最小二乘求解同样的数据换一个alpha得到的发展系数a和灰作用量b都会变化。这个函数通过遍历候选alpha找出训练集MAPE最小的组合。由于灰色模型参数很少即使加上alpha搜索计算开销依然可以忽略。参数说明训练集选alpha会有轻微过拟合风险但灰色模型的容量很小实际影响有限。如果最优alpha落在搜索边界上比如0.05或0.95那说明数据结构本身不适合灰色模型不要硬用。如果每次滚动窗口选出的最优alpha差异很大也说明序列稳定性有问题应该回到数据预处理环节。5. 电力负荷预测避坑手册五个把灰色模型跑飞的点GM(1,1)代码很短坑却不少。这一章写给准备直接上手的人每一条都是实际项目中反复出现的翻车现场。5.1 级比检验不通过还硬建预测曲线直接穿地心现象级比检验输出多个FAIL强行建模后拟合MAPE看着还行预测值却一路下跌甚至出现负值。 原因序列中包含异常上涨或塌落GM(1,1)的指数拟合把它当成真实趋势的一部分。比如把节假日后的第一个工作日峰值排进训练序列当天的负荷跳涨超过30%指数曲线被拉得太高。 解决删掉异常点并改用同类日序列比如预测周一就用过去四个周一的峰值构建训练序列而不是用连续七天的自然序列。如果数据量不足以挑同类日再做平移变换。5.2 背景值alpha永远取0.5浪费了最便宜的调参旋钮现象同一组数据alpha0.5时MAPE是3.1%alpha0.35时MAPE降到1.8%单步预测值只差几兆瓦长期累积误差却很明显。 原因默认参数写在代码里很少有人质疑。0.5只适合累加序列线性变化的场景负荷在窗口内往往有凹向或凸向。 解决每个训练窗口单独做网格搜索范围0.1到0.9步长0.05。如果最优alpha每次都变说明模型稳定性不足优先查数据源。5.3 把灰色模型当万能回归长序列硬上现象拿24个月的月度电量预测下个月序列既有季节波动又有长期增长灰色模型输出变成一条直线完全跟不上季节峰。 原因GM(1,1)只有两个参数本质是一个单指数趋势工具没有周期分量。长序列中的季节波动会被当成噪声处理模型输出是一条平均趋势线。 解决月度数据拆成12个同月序列分别建灰色模型或者给预测结果乘季节因子日数据拆成同星期类型序列。Grey-Model适合处理10个点以内的短期预测别拿它做长期规划工具。5.4 多步递推预测误差越滚越大命中率直线下跌现象训练6个点预测未来7天第一天贴合第五天开始偏差大到不能看。 原因灰色预测是递推外推预测出下一时刻后把该值作为下一步的起点误差通过指数项e^{-a(k-1)}逐步放大发展系数a的绝对值越大放大越快。 解决只做一步预测每天拿到实测值后滚动更新训练窗口。调度场景里这也是最自然的节奏每天零点跑一次模型输出当天峰值预估第二天用实测值替换预测值再跑。5.5 节假日或临时检修日混入训练集模型学到不该学的东西现象模型平时精度很好一跨节假日预测误差突然拉高。 原因节假日负荷水平与工作日差异大灰色模型把节假日的特殊性当成新趋势或者把工作日惯性带进了节假日预测。 解决预测节假日时改用历史同时段节假日的短序列单独建模。如果没有足够多同类型数据就在预测结果上乘一个人为修正系数并标注置信度不要硬套模型。6. 落地验证与进阶三种精度检验与一个保守出手技巧灰色预测的精度检验有三种标准口径。残差检验看逐点相对误差工程上要求MAPE在10%以内才算可用。关联度检验计算预测序列与实测序列的灰色关联度要求大于0.6。后验差检验是更严格的一档看残差标准差与原始序列标准差之比C以及小误差概率P。等级C值P值含义优小于0.35大于0.95残差波动远小于原始波动合格小于0.50大于0.80模型可接受勉强小于0.65大于0.70谨慎使用不合格大于等于0.65小于等于0.70不适合建模C和P的计算量很小不需要额外库。用训练集上的残差序列直接算标准差比值和小误差概率就能给模型一个“合格证”。我一般会在滚动回测里同时输出这两个指标作为是否上线运行的开关。单次模型的残差检验偏乐观更接近真实生产的是滚动回测从完整序列的第6个点开始每次用前6个真实值预测第7个滑窗推进累计所有一步预测误差作为最终MAPE。这模拟了每天重新建模的流程比一次性划分训练集和测试集更贴近调度员的实际用法。如果滚动回测的MAPE超过15%或比“用昨天负荷当明天预测”的基线模型误差还大就别用灰色模型硬撑。负荷预测的替代方案其实很多周同期均值加温度修正在很多场景下比灰色模型更稳。灰色模型的正确位置是数据量少、缺乏外部变量、短期趋势主导的场景。我经历过的教训是拿到一组负荷数据先跑一遍灰色模型用来理解趋势方向再决定是否引入更复杂的模型而不是把某个模型当成信仰。调度员需要的不是精确到小数点的数字而是一个带置信度的区间。把灰色模型给出的发展系数a和后验差检验的P值结合起来标记成高置信、中置信、低置信三档比只给一个预测值实用得多。希望帮到你。本文还有配套的精品资源点击获取