ElecLoad把事件影响变化当作分段依据：多事件叠加时，PJM的WAPE从4.31%降到3.69%
核心概要
ElecLoad把天气预报、电网通知和新闻里的事件描述与历史负荷一起读，先判断每个事件对目标负荷的相关性、影响时段以及事件之间是相互加强还是抵消，再决定整段直接预测还是按事件影响变化切段。切段后各子智能体独立给出初稿，主智能体检查并只对选中的段反馈修正。在GEFCom2014、PJM、LCL等小时级负荷数据上，它在多数评测场景排名靠前；PJM多事件条件下WAPE为3.69%，同一模型与输入的仅直接预测变体为4.31%。
深度剖析
电力负荷预测现在可以让事件影响随时间的变化来决定预测流程本身，而不只是把事件文本当作额外输入。 此前的负荷预测方法能把新闻或日历文本编码后与负荷序列融合，也能分析新闻的相关性、影响方向和持续时间，但如何用多个事件影响的变化来指导预测过程仍待探索。 在GEFCom2014上，ElecLoad的WAPE和NRMSE相对最强基线MemCast分别降低18.3%和18.6%；在22项指标比较中它13项第一、6项第二，18项域内比较全部进入前二。
做法是让一个主智能体先读事件，再决定整段预测还是切段，切段后由子智能体各自出初稿、主智能体挑段反馈。 主智能体依据事件描述中的活动、地区和时序，推断每个事件的影响方向与影响窗口，影响窗口可以包含事件结束后的延迟响应和恢复。 在GEFCom2014构造的单事件、多事件与无关事件分组中，多事件条件下完整流程WAPE为7.61%，仅直接预测变体为9.50%；PJM对应为3.69%与4.31%。
修正环节只在主智能体认为预测与事件分析不一致时才调用，并且有次数上限。 去掉反馈的修正、随机选择修正段都会使误差上升，说明收益来自反馈指向哪一段，而不只是多调用一次模型。 GEFCom2014上完整流程WAPE为6.68%，无反馈修正为7.06%，随机修正为6.94%；在相近的token开销下，完整流程为18.7k token、随机修正为18.6k token。
启示与展望
评测覆盖GEFCom2014、Nord、PJM、SPP、LCL、iFlex的小时级家庭、区域与系统负荷，以及仅用于测试的AEMO和ERCOT两个域外系统；事件公告在对应预测起点即可获得。合成事件案例由GEFCom2014原始序列按指定幅度和时序改造而来，用于检验单事件、多事件与无关事件条件下的表现。
在AEMO和ERCOT的4项域外指标比较中，ElecLoad在15种方法里排名第二至第四，并未居首。直接预测与分段预测谁更好随数据集而变：GEFCom2014上仅分段优于仅直接，LCL上相反。LCL上与仅直接预测的配对WAPE差95%区间包含零。