冷热负荷数据集；3个字段读反，模型白跑

模型跑出来一条几乎水平的线，先别急着换网络结构、调学习率。这些年我看下来，能耗预测翻车十有七八出在数据本身，尤其是冷热负荷数据集这种从楼宇自控系统里导出来的东西。表头名字对不上、单位混着来、时间戳时区不清，这三处只要反一处，再好的显卡也是在给噪声做拟合。

冷热负荷数据集里最容易读反的三类字段

温度、流量、时间。温度这头最常见的是供回水方向弄反和冷热标志位弄反；流量那头是单位、正负号、瞬时值与累计值混放；时间那头是日期格式、时区、采样间隔。这几样都不算”脏数据”——数值在合理范围、没有空值、小数位也规整，一个 describe() 扫下去根本看不出来。等你训完发现曲线是个镜像，最省事的补救往往是从表头重新对一遍。

供回水一颠倒，整条负荷曲线就成了镜像

先把工况说清楚，这一步不分清楚后面全乱。冷冻水系统是供水温度低于回水温度，供热系统反过来，供水高于回水。如果脚本里死写”供水减回水”，制冷季算出来的温差就是负的，负荷跟着出负数。有人图省事套个绝对值糊过去，后果是把冷季和热季混成一锅，模型再也学不到季节规律，预测值全奔着年均值去。

列名也是个大坑。T1/T2、temp_in/temp_out、A/B 这些写法本身不带方向信息，靠列顺序读（不指定列名、直接按位置取）是最容易反的路径。所以我的习惯永远是先要一份字段说明，没说明就去现场确认一次，别靠猜。这个确认动作花不了半个钟头，能省掉后面反复重训的一堆事。

冷热标志位顺手也提一句。0/1 和 -1/1 两套写法都常见，还有的系统干脆用季节间接推断。标志位一反，总冷量和总热量加起来看着还是那个数，对得上总量，可整条曲线是倒的。这种错最难查，因为总量守恒会给你一种”数据没问题”的错觉。

单位这档子事，差的是数量级

kW 和 W、kWh 和 kJ、立方米每小时和升每秒，从不同厂家的表里导出来，单位有时候写在字段名尾巴，有时候写在另一个说明文档里。最难缠的情况是同一张表里前半年用一种单位，换了块表之后变成另一种，没人记录。两段数据拼在一起，模型在换表那周前后突然学不明白，而你从总量上一点异常都看不出来。

怎么查？做量纲自检。瞬时流量乘以温差，理论上应该能和同一时刻的瞬时冷热量对得上，中间差一个系数；累计表应该约等于瞬时值按时间积分。对不上先别怀疑传感器坏了，回头看看单位。

时间戳一错位，全表都跟着错位

12/01/2025 是 12 月 1 日还是 1 月 12 日？取决于导出的人用的哪套区域设置。还有夏令时、本地时区和 UTC 混用，以及一小时一个瞬时采样和一天一个累计值混着放。时间没对齐，特征工程里的滞后项、滑动窗口全是废的，这部分做多少都白做。

我导进来第一件事是转成带时区的 ISO 格式，按时间排序，重采样到统一间隔，然后检查有没有重复时间戳、有没有每年固定错一个小时这种偏移。再看一年的日负荷曲线：正常的是平滑的季节起伏；如果中间出现硬台阶、或者整段平移了一个固定量，多半是时间口径的问题，不是设备的问题。

拿到冷热负荷数据集，先做这几步体检

列个单子照着走：核对字段名称与口径；抽查几条原始记录对现场；做量纲自检；画一整年的曲线看有没有镜像和台阶；查缺失值编码是不是用了 -999、”.” 或者空格；查冷热标志位的取值集合到底有几个；查重复时间戳；最后跟现场运行日志对一天的量。这一套走完大概半天，后面能少踩不少坑。

缺失值和 0 分不清，也得防一手

这条常被忽略。有的表用 0 来表示传感器掉线，有的表用空字符串，还有的用 -999。你 fillna(0) 一填，模型就认为那个时段负荷真的是零。放在供暖季，这种”零负荷”点会严重稀释你学到的曲线形状。我的做法是先把可疑编码查出来，标成 NaN，再按时间插值补，补不上的那段干脆剔掉，别硬塞。

清洗完再谈特征工程

差分、滑动平均、滞后特征、日历特征，这些都是在数据没问题之后才有意义的东西。我见过不少人一上来就折腾模型结构、换损失函数，数据里供回水还是反着的，训出来照样是条平线。顺序别搞反——先跟出数据的人把字段口径确认下来，写成一份字段说明文档放在项目里，谁接手谁看。这份文档的价值，比模型结构那几行代码高得多。

最后留一句提醒：别迷信自动化的数据清洗工具，它判断不了”供水”和”回水”哪个该在前。这类带有物理含义的字段，还是得懂工况的人看一眼。表头那几行看明白了，后面的事才顺。