现有的很多自动化算法（比如单纯的 $3\sigma$ 原则、箱线图 Isolation Forest 等）非常“死板”，它们只看数值离不离群，而不管背后的物理逻辑。如“某一天用电量突增”，很可能是因为极端天气（如暴热/暴冷）、节假日错位、大型活动或者工厂复工引起的。这些属于强特征触发的正常极端样本，如果直接删掉或平滑掉，模型就学不到这种极端情况，预测准确率反而会大打折扣。

将负荷数据与协变量（如天气、日历等外部特征）深度结合，从“孤立看数据数值”转变为“结合背景看数据逻辑”。

只盯着负荷曲线本身，突增的用电量就是个无法解释的“离群点”；但只要拉入协变量，这个突增就有了合法的“动机”。

为了让你在实际开发中更好落地，我把这个“负荷 + 协变量”的联合异常处理机制为你梳理成两个最主流的实操方案：

方案一：协变量分组回归法

这个方案的核心是：先用协变量把数据分类，让“同类”在自己的圈子里比大小。

• 第一步（分组）： 利用日历和天气协变量，把历史数据切分成不同的子集。例如：

  • 子集 A：酷暑工作日（气温 > 35°C）

  • 子集 B：常温工作日（20°C - 25°C）

  • 子集 C：春节假期

• 第二步（圈内检测）： * 当你要检查某一个酷暑工作日的负荷时，只把它放在“子集 A”里跑异常检测（如拉箱线图）。

  • 此时，因为大家都是酷暑日，用电量都很高，这一天的“突增”在子集 A 里就属于正常水平，成功被识别为正常样本。

  • 相反，如果这一天在子集 A 里居然低得离谱，那它才是真正的异常（大概率是停电或设备坏了）。

方案二：基于机器学习的残差动态阈值法

它的逻辑是：用协变量算出“理应达到的负荷”，只对“解释不了的偏差”抓异常。

1. 训练一个影子模型（Baseline Model）： 用历史上的协变量（天气、节日、星期几）作为输入，实际负荷作为输出，训练一个极其鲁棒的粗糙模型（比如随机森林或轻量级 LightGBM）。这个模型专门用来学习“天气和节日对负荷的基础大趋势影响”。

2. 计算期望负荷（$\hat{Y}$）： 比如某天是 40°C 暴热，影子模型根据协变量会预测出今天负荷会暴增，给出一个很高的期望值 $\hat{Y} = 1500\text{ MW}$。

3. 计算残差（Residual）：

   $$\text{残差} = |\text{实际负荷 } Y - \text{期望负荷 } \hat{Y}|$$

   如果那天实际负荷是 $1550\text{ MW}$，残差只有 $50\text{ MW}$。

4. 对残差跑检测： 设定一个固定的残差阈值（比如 $\pm 100\text{ MW}$）。因为 $50 < 100$，算法会判定：“虽然今天负荷极高，但完全在天气引起的合理预测范围内，属于正常样本！”

什么时候会报异常？ > 比如某天气温 22°C 舒适，影子模型预测负荷应该是 $800\text{ MW}$，但实际负荷莫名其妙冲到了 $1500\text{ MW}$。残差高达 $700\text{ MW}$，远超阈值，算法立刻精准报警——这就是真正的无缘由异常。

避坑指南：协变量质量至关重要

既然你决定引入协变量来做异常处理，就必须注意一个致命细节：协变量本身也是有噪声和异常的！

• 气象预报数据 vs 实况数据： 在做历史数据清洗时，一定要用实况气象数据（实际观测到的温度），而不要用当年的预报数据。因为预报可能不准（比如预报 32°C 实际 38°C），用错误的协变量去纠偏负荷，反而会制造新的错误。

• 数据对齐： 电力数据通常是 15 分钟或 1 小时一个点，而气象数据可能是 3 小时或者 1 小时一个点。在结合处理前，一定要用插值法（如线性插值）将天气数据和电力数据在时间轴上完全对齐。