准确的电力负荷预测是能源采购、发电调度和供需平衡的关键支撑，直接影响电网的经济效率和运行可靠性。实际需求往往受到网页公告、天气预警和活动日程等多源事件的共同影响，这些事件的作用随时间变化，可能相互强化也可能相互抵消，给传统预测模型带来巨大挑战。为此我们提出 ElecLoad，一种面向多事件的上下文感知预测代理。ElecLoad 在训练阶段将历史负荷序列与事件上下文共同输入，学习每个事件相对于目标负荷的相关性、作用时机以及事件间的交互模式。基于这些分析，ElecLoad 动态决定是直接预测整个预测区间，还是依据事件效应的变化将区间划分为若干子段。若进行划分，子代理会独立生成各子段的初始预测，随后主代理对所有子段的结果进行审阅，并向子代理提供选择性细化的反馈，形成闭环优化。实验在多个公开电力负荷数据集上进行，对比了多种基线模型，ElecLoad 在大多数评估场景下实现了最新的性能水平。代码已开源，地址：https://github.com/zhjai/ElecLoad。
点评：ElecLoad 通过显式建模事件效应及其交互，实现了预测过程的自适应组织，为复杂情境下的负荷预测提供了新思路。