简介这份例程面向电力系统负荷预测方向的初学者与研究人员聚焦支持向量机在短期负荷预测中的落地实现。与常规做法不同它在导入SVM训练前先对历史负荷、天气、节假日等影响因素做加权预处理以突出关键特征、削弱弱相关因素的干扰从而改善预测精度。压缩包共2个文件含1个m脚本与1个xls数据表整体约19KB脚本承担数据读取、特征加权、训练集与测试集划分、SVM建模、参数寻优及误差评估等流程数据表则提供建模所需的历史负荷与相关因素样本。已有1134人学习下载。读者可据此理解SVR原理、核函数与惩罚参数选择思路掌握特征加权这一提升预测效果的实践方法并对照代码完成从数据预处理到RMSE、MAE评估的完整复现适合作为课程设计或课题入门的参考案例。1. 从一条负荷曲线说起SVM 做短期预测到底靠不靠谱很多做电力系统方向的朋友第一次接触短期负荷预测都是从一条 96 点或 24 点的日负荷曲线开始的。这条曲线有明显的早晚双峰、周末塌陷、节假日畸变看上去规律性极强于是直觉上会觉得「用个回归模型拟合一下不就行了」。真上手才发现线性回归在平稳日还行一遇到气温骤降、连续高温或者调休误差立刻飙到 5% 以上而电力调度对日前预测的考核门槛往往卡在 2%~3%。支持向量机SVM之所以在这个场景里被反复提起是因为它用结构风险最小化代替经验风险最小化在样本量不大通常一个地区几年历史数据也就几千条日样本、特征维度中等气象日历滞后负荷的情况下泛化能力比普通神经网络更稳不容易过拟合。这篇例程就是围绕「怎么用 SVM 把短期负荷预测跑通、调好、验证住」展开的适合已经会 Python、但对 SVM 回归SVR在电力场景的落地细节没底的人。下面从数据构造一路讲到参数寻优和误差排查能直接照着复现。2. 把负荷预测拆成 SVR 能吃的样本特征、标签与归一化2.1 为什么短期负荷预测天然适合 SVR 而不是普通回归短期负荷预测的输入输出关系是非线性、多因素耦合的温度通过空调负荷影响用电湿度在高温时放大体感温度的作用日期类型决定工业负荷的启停而前一小时的负荷又强相关于当前负荷。普通多元线性回归假设各因素独立可加遇到「温度高于 30 度后负荷斜率突然变陡」这种分段非线性就无能为力。SVR 通过核函数把样本映射到高维空间在容忍带 ε 内做拟合对非线性拐点更宽容。另一个关键点是样本规模。一个地级市做日前预测通常用近 2~3 年数据日粒度样本约 700~1000 条96 点粒度也就几万条。这个量级下深度学习容易欠拟合或调参成本过高而 SVR 在小样本上的表现反而稳定。常见做法是用 RBF 核因为它只需调两个超参C 和 γ比多项式核少一层维度选择的麻烦。2.2 特征工程把气象、日历、滞后负荷拼成一张表特征决定了 SVR 的上限。我一般把特征分成四组气象特征最高温、最低温、平均温、相对湿度、降雨量、日历特征星期几、是否周末、是否节假日、月份、滞后特征前 1 天同时刻负荷、前 7 天同时刻负荷、前 1 小时负荷、以及平滑特征近 3 天同时刻负荷均值。滞后特征是提升精度最明显的一组因为它把负荷自身的惯性编码进去了。下面这段代码构造特征矩阵注意节假日和周末要单独编码不能只靠星期几因为调休会把周六变成工作日。import pandas as pd import numpy as np # df 至少包含: date, hour, load, t_max, t_min, t_avg, humidity, rain, is_holiday def build_features(df): df df.sort_values([date, hour]).reset_index(dropTrue) # 日历特征 df[weekday] pd.to_datetime(df[date]).dt.weekday df[is_weekend] (df[weekday] 5).astype(int) df[month] pd.to_datetime(df[date]).dt.month # 滞后特征前1天、前7天同时刻负荷 df[load_lag1d] df.groupby(hour)[load].shift(1) df[load_lag7d] df.groupby(hour)[load].shift(7) # 近3天同时刻均值 df[load_ma3d] df.groupby(hour)[load].transform( lambda s: s.shift(1).rolling(3).mean()) # 丢弃因滞后产生的空行 df df.dropna().reset_index(dropTrue) return df逻辑说明groupby(hour)保证滞后是按同一时刻对齐的否则会把凌晨的负荷错配到傍晚。shift(1)表示用前一天同一小时的值这是日前预测里唯一不会引入未来信息的做法。参数上滞后阶数不是越多越好我试过加到前 14 天验证集误差反而上升因为远期负荷与当前的气象耦合已经弱了噪声占比变大。2.3 归一化与训练集划分别让量纲差异毁掉核函数SVR 对特征尺度极其敏感因为 RBF 核计算的是欧氏距离。温度范围可能是 -5~40而星期几只有 0~6如果不归一化温度会主导距离计算日历特征等于白给。统一用 Min-Max 归一化到 [0,1]并且归一化参数必须只用训练集拟合再应用到验证集和测试集否则就是数据泄漏。from sklearn.preprocessing import MinMaxScaler feature_cols [t_max,t_min,t_avg,humidity,rain, weekday,is_weekend,is_holiday,month, load_lag1d,load_lag7d,load_ma3d] # 按时间顺序切分不能随机打乱 n len(df) train_end int(n * 0.7) val_end int(n * 0.85) scaler_X MinMaxScaler() scaler_y MinMaxScaler() X_train scaler_X.fit_transform(df.loc[:train_end, feature_cols]) X_val scaler_X.transform(df.loc[train_end:val_end, feature_cols]) X_test scaler_X.transform(df.loc[val_end:, feature_cols]) y_train scaler_y.fit_transform(df.loc[:train_end, [load]]).ravel() y_val scaler_y.transform(df.loc[train_end:val_end, [load]]).ravel() y_test scaler_y.transform(df.loc[val_end:, [load]]).ravel()这里有个血泪经验时间序列绝对不能随机划分训练测试集。随机打乱会让模型在训练时「看到」测试集相邻时刻的负荷验证误差虚低上线后直接翻车。按 7:1.5:1.5 的时间顺序切分才接近真实日前预测的场景。3. 用 sklearn 跑通 SVR 最小闭环从 fit 到反归一化出预测曲线3.1 最小可运行例程与核函数选择先把闭环跑通再谈调参。下面这段代码用 RBF 核训练 SVR预测并反归一化最后算 MAPE。from sklearn.svm import SVR from sklearn.metrics import mean_absolute_percentage_error # C 和 gamma 先用经验值下一节再寻优 model SVR(kernelrbf, C10.0, gamma0.1, epsilon0.01) model.fit(X_train, y_train) y_pred_val model.predict(X_val) # 反归一化 y_val_inv scaler_y.inverse_transform(y_val.reshape(-1,1)).ravel() y_pred_inv scaler_y.inverse_transform(y_pred_val.reshape(-1,1)).ravel() mape mean_absolute_percentage_error(y_val_inv, y_pred_inv) print(fValidation MAPE: {mape*100:.2f}%)逻辑说明epsilon0.01是容忍带宽度归一化后负荷在 [0,1]0.01 相当于允许 1% 的偏差不惩罚设太大会欠拟合设太小对噪声敏感。C控制惩罚强度越大越容易过拟合。核函数选 RBF 是因为负荷与特征的映射关系平滑但非线性多项式核在特征维度高时数值不稳定。3.2 参数怎么设C、gamma、epsilon 的网格搜索与经验区间SVR 的三个核心参数没有解析解只能搜。但盲目搜太慢我一般先按经验区间缩小范围C 取 1~100 按对数均匀gamma 取 0.01~1epsilon 取 0.001~0.05。用验证集 MAPE 做评价不要用训练集。from sklearn.model_selection import ParameterGrid best_mape, best_params 1e9, None for params in ParameterGrid({ C: [1, 10, 50, 100], gamma: [0.01, 0.05, 0.1, 0.5], epsilon: [0.001, 0.01, 0.05] }): m SVR(kernelrbf, **params) m.fit(X_train, y_train) pred scaler_y.inverse_transform( m.predict(X_val).reshape(-1,1)).ravel() mape mean_absolute_percentage_error(y_val_inv, pred) if mape best_mape: best_mape, best_params mape, params print(best_params, best_mape)参数说明C 从 1 到 100 覆盖了欠拟合到过拟合的过渡区gamma 是 RBF 核的带宽倒数越大影响范围越小容易过拟合到局部噪声epsilon 决定容忍带。实测中负荷预测的较优区间通常落在 C10~50、gamma0.05~0.1、epsilon0.01 附近但不同地区数据差异大必须自己搜。3.3 预测结果怎么验证MAPE、RMSE 与峰谷时段的分别考核整体 MAPE 达标不代表能用因为调度最关心的是峰时段。我一般把验证指标拆成三块全天 MAPE、峰时段如 10:00-12:00、19:00-21:00MAPE、谷时段 MAPE。峰时段误差往往比全天高 1~2 个百分点如果只看全天指标会误判。def segment_mape(y_true, y_pred, hours, target_hours): mask np.isin(hours, target_hours) return mean_absolute_percentage_error(y_true[mask], y_pred[mask]) peak_hours list(range(10,13)) list(range(19,22)) val_hours df.loc[train_end:val_end, hour].values print(全天 MAPE:, mean_absolute_percentage_error(y_val_inv, y_pred_inv)) print(峰时段 MAPE:, segment_mape(y_val_inv, y_pred_inv, val_hours, peak_hours))逻辑说明np.isin按小时筛选出峰时段样本单独算误差。如果峰时段 MAPE 明显高于全天说明模型对高负荷段的拟合不足通常需要增大 C 或补充温度交互特征。4. 避坑与排查SVR 负荷预测最常见的 5 个翻车现场4.1 现象验证集 MAPE 很低上线后误差翻倍原因随机划分训练测试集导致数据泄漏或者归一化参数用了全量数据拟合。解决严格按时间顺序切分归一化 scaler 只在训练集 fit验证和测试只 transform。检查方法是打印训练集和验证集的时间范围确认没有重叠。4.2 现象预测曲线整体平移形状对但数值偏高或偏低原因滞后特征在预测时不可得或者反归一化时用错了 scaler。日前预测中前 1 天同时刻负荷是已知的但前 1 小时负荷在预测未来 24 小时时只有第一个点已知后面必须用预测值滚动替代。解决明确预测步长单步预测可以用真实滞后多步预测必须滚动且滚动误差会累积建议多步场景改用直接多输出或逐小时建模。4.3 现象节假日误差爆炸MAPE 超过 10%原因节假日样本少SVR 在稀疏样本上欠拟合且日历特征只用 is_holiday 二值编码不足以区分春节和普通周末。解决对节假日单独建模或把节假日类型做 one-hot 编码并在训练时对节假日样本加权。我一般会把春节前后各 3 天单独拿出来用相似日方法匹配历史同期而不是硬套 SVR。4.4 现象gamma 调大后训练集误差趋近于 0验证集反而变差原因gamma 过大导致 RBF 核退化成每个样本一个高斯峰模型记住了训练噪声。解决把 gamma 拉回 0.01~0.1 区间同时观察支持向量数量如果支持向量占比超过 80%基本就是过拟合了。sklearn 里可以用model.support_查看支持向量索引。4.5 现象训练时间过长网格搜索跑一晚上原因样本量大时 SVR 训练复杂度是 O(n²)~O(n³)几万条 96 点样本直接搜会非常慢。解决先按日粒度或小时粒度聚合降采样或者用sklearn.svm.LinearSVR做特征筛选后再上 RBF。另一个办法是先用随机搜索缩小范围再在小范围做精细网格。5. 把误差再压 0.5 个点相似日加权与滚动更新的实战技巧走到这一步基础例程已经能跑出 2%~3% 的 MAPE但想再往下压靠调参边际收益很低。我常用的两个技巧是相似日加权和滚动更新。相似日加权的思路是在训练集里找与预测日气象、日历最相似的若干天给这些样本更高的权重。SVR 本身不支持样本权重但可以通过复制样本实现近似加权。具体做法是计算预测日与历史日的气象欧氏距离取最近的 K 天复制 2~3 次加入训练集。def similar_day_boost(df_train, target_weather, K10, boost2): weather_cols [t_max,t_min,t_avg,humidity] dist ((df_train[weather_cols] - target_weather) ** 2).sum(axis1) ** 0.5 idx dist.nsmallest(K).index boosted pd.concat([df_train, df_train.loc[idx].repeat(boost-1)]) return boosted.reset_index(dropTrue)逻辑说明nsmallest(K)取距离最小的 K 天repeat(boost-1)把选中的样本复制额外份数等效于提高权重。K 一般取 10~20boost 取 2~3太大会让模型过拟合到历史相似日。这个技巧在换季和气温突变时效果最明显实测能压 0.3~0.5 个百分点。滚动更新是另一个习惯每天预测完成后把真实负荷追加进训练集重新 fit 一次模型。SVR 训练快日粒度样本几分钟就能完成这样模型始终跟得上最近的负荷趋势。我一般保留最近 2 年数据太老的数据对当前气象模式的代表性下降反而拖累精度。验证这套流程是否真的有效不能只看单日 MAPE要看连续 30 天的 MAPE 分布。我会把每日 MAPE 画成箱线图如果中位数在 2% 以内、上四分位在 3% 以内基本可以认为模型稳定。如果某几天突然飙高回去查那几天的气象是否异常、是否有节假日调休漏编码。最后说个我自己的教训早期做这个例程时我花了两周调 C 和 gammaMAPE 从 3.2% 降到 2.8%后来发现把滞后特征从 1 天改成 1 天加 7 天直接降到 2.3%。特征工程的收益远大于调参别一上来就钻网格搜索。希望帮到你。本文还有配套的精品资源点击获取
