户用电力负荷阶段划分测试环境
当前同时支持 固定统一时段划分 与 基于变点检测的阶段自适应划分。
默认阶段划分已调整为：["00:00","02:30","06:30","08:30","15:30","19:15","21:00","24:00"]。
在统计与展示阶段中，默认会将 最后一段 + 第一段 合并处理，以更贴近跨午夜的连续行为模式。
打开页面时会自动加载最近一次已生成的报告；重新运行分析后，下方预览会同步更新。
应用化负荷预测与解释
面向实际接入场景，系统按“数据更新 → 异常治理 → 模型训练/缓存 → 分段预测 → 用户分析”的流程运行。
手动预测只保留预测日前可获得的外部条件；前序阶段、前一日同段负荷等时序特征由系统根据历史数据自动补齐。
1
数据进入持续接收 15 分钟负荷点，并同步温度、日历等外部条件。2
异常治理训练前按异常等级剔除或保留样本，避免异常天长期污染模型。3
滚动建模同参数模型会缓存；实际应用中可按月或按新增数据窗口更新。4
预测解释数值模型输出负荷大小，解释树说明影响路径和用户行为画像。
2. 预测日外部条件
这些字段应来自天气预报、日历或业务计划；系统不会要求输入预测日真实负荷的日均值、峰值或日电量。
业务预测用于未来日期推演；历史回放用于验证模型是否能贴合真实分段均值。误差地图用于发现长期偏差集中在哪些日期和区段。
异常处理与滚动更新模拟
用现有历史数据模拟真实上线后的运行过程：先积累少量冷启动数据；之后每到一个新月份，只允许使用该月之前的数据训练或更新模型，再回放预测该月份，观察异常治理、训练样本规模、误差和模型稳定性如何随时间变化。
A
冷启动积累只接收数据，不做正式评价；用于形成初始分段、异常基线和首版模型。B
加权训练窗口保留目标月之前的全部历史，但让越新的数据权重越高，兼顾长期样本和近期行为。C
当月回放预测把该月每天当作“未来日”预测，再与真实值比较，形成持续评价。D
滚动反馈根据误差、异常率和样本量判断是否需要收紧异常规则或延长训练窗口。
技术实现方案说明
本模块只回答一个问题：一条新用户负荷数据进入系统后，如何被划分、清洗、预测、解释和滚动更新。
默认先看上层流程；需要技术依据时再看下层支撑卡片。
上层流程从数据进入到结果输出的主链路
1
数据进入
15 分钟负荷点形成每日曲线，并对齐天气、日历等外部条件。
2
阶段划分
用上包络曲线识别一天内的行为阶段，首尾段表达跨午夜行为。
3
异常天处理
先把明显特殊的日子标出来；训练时少参考，评价时单独看。
4
滚动训练
只使用预测月之前的数据，历史保留，近期样本权重更高。
5
融合预测
全局基础模型负责兜底，用户个性模型负责贴合个人习惯。
6
解释评价
输出分段预测值、解释路径，并拆分正常日/异常日/全量评价。
下层支撑每一步背后的核心技术规则
阶段怎么来
先得到典型日曲线，再用上包络放大稳定高峰，最后用变点检测找阶段边界。
输入平均曲线 / 上包络曲线
方法mean + 1.0σ + 变点检测
输出S6+S1、S2、S3、S4、S5 等逻辑阶段
特殊日子怎么处理
遇到明显不像平时的日子，系统不会直接丢掉，而是先贴上标签，再决定训练时要不要少参考。
先发现当天曲线、各阶段负荷、用电关系是否明显不像平时
再处理训练时默认少用高度异常和中度异常日期
再复盘正常日单独看，特殊日子也单独看
模型怎么更新
按月回放，只用过去数据训练；旧历史不丢弃，但近期行为获得更高权重。
边界预测月之后的数据禁止进入训练
权重近期样本重复采样，形成加权历史
目标兼顾长期习惯与近期变化
预测怎么融合
一个模型学所有用户的共性，一个模型学当前用户的个性，再按历史数据量融合。
冷启动更多依赖全局基础模型
成熟期更多依赖用户个性模型
解释解释树给出近似可读路径
预测值 = w_user × 用户模型预测 + w_global × 全局基础模型预测
w_user + w_global = 1
展开查看严谨技术口径
当前数值预测器以随机森林分段均值模型为主，解释器使用回归解释树生成“主要构成要件”和“决策路径”。
解释树是对预测规律的可读近似，不等价于随机森林完整内部机制，也不应被理解为严格因果证明。
异常样本不会从原始数据中删除；训练前按等级剔除或降权，回放评价时仍保留异常日风险口径。
正式产品化前，还需要多用户长期验证、异常类型细分、动态融合权重、模型版本管理和服务化拆分。
当前方案的技术定位：
这是一套面向实际接入的负荷预测解释 PoC。它不是只追求单次拟合，而是强调“可冷启动、可更新、可解释、可评价风险”。
图形预览