简介这份资源是一份面向电力系统负荷预测初学者与相关研究人员的SVM实战例程聚焦短期负荷预测这一电力行业关键任务帮助读者理解如何借助支持向量机提升预测精度。压缩包共2个文件包含1个m脚本与1个xls数据表整体约19KB体量轻巧便于快速上手调试。例程的亮点在于导入SVM训练前对影响因素进行加权预处理突出历史负荷、天气、节假日等重要特征弱化弱相关因素从而改善预测表现。主程序覆盖数据读取、特征加权、训练测试集划分、SVM建模、参数调优以及RMSE、MAE等误差评估环节读者可据此掌握支持向量回归的完整流程与核函数选择思路。目前已有1134人学习下载适合作为课程设计、科研入门或算法对比的参考案例。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往往是从一条历史负荷曲线开始的。这条曲线有明显的日周期、周周期还叠加了温度、节假日、天气突变带来的扰动。用传统时间序列方法ARIMA、指数平滑能跑出结果但遇到周末、极端天气、节假日切换时误差会突然放大。支持向量机SVM做短期负荷预测本质上是把「未来某时刻的负荷」当成一个回归目标用历史负荷、气象、日期类型等特征去拟合一个非线性映射。它不像神经网络那样需要大量样本和调参玄学在几百到几千条样本的县级或园区级负荷数据上往往能给出更稳的结果。这篇笔记面向的是想自己动手跑通一个 SVM 短期负荷预测例程的工程师和学生从特征构造、数据划分、核函数选择到评估指标一步步给出可复现的做法也会把我在实际调试中踩过的坑讲清楚。2. 把负荷预测拆成回归问题特征、标签与数据划分2.1 为什么短期负荷预测适合用 SVM 回归而不是分类短期负荷预测通常指未来 1 小时到 24 小时的负荷值预测输出是连续数值所以这是一个回归问题。SVM 用于回归时叫 SVRSupport Vector Regression它的核心思想是找一个函数让大多数样本点落在以该函数为中心、宽度为 ε 的管道内只有落在管道外的点才计入损失。这个特性让 SVR 对异常值不像普通最小二乘那么敏感——电力负荷数据里偶尔出现的采集跳变、通信中断补值正好属于这类异常。相比 BP 神经网络SVR 在小样本下过拟合风险更低因为它的模型复杂度由支持向量数量自然控制而不是靠早停或 Dropout 这类技巧。常见做法是样本量低于 5000 条时优先试 SVR样本量上万后再考虑 LSTM 或梯度提升树。2.2 特征工程把时间、气象、日期类型变成数值向量SVR 的输入必须是数值矩阵所以原始的时间戳、星期几、天气状况都要编码。我一般会构造以下几类特征历史负荷特征预测时刻前 1 小时、前 2 小时、前 24 小时、前 48 小时的负荷值以及前 7 天同一时刻的负荷均值。时间特征小时数0–23、星期几1–7、是否周末0/1。气象特征温度、湿度、降雨量如果有。日期类型工作日、周末、法定节假日用 one-hot 编码。注意前 24 小时负荷在预测明天同一时刻时是已知的但前 1 小时负荷在预测未来 24 小时时只有第一个点已知后续点要用滚动预测。例程里为了简化通常做单步预测用 t 时刻及之前的特征预测 t1 时刻负荷。2.3 数据归一化与训练集/测试集划分SVR 对特征尺度敏感因为核函数计算的是内积或距离。负荷值可能到几千兆瓦温度只有几十度不归一化会让负荷特征主导核函数。常用做法是把所有特征和标签缩放到 [0,1] 或标准化到均值 0、方差 1。划分时不能随机打乱因为负荷是时间序列随机划分会导致未来信息泄露到训练集。正确做法是按时间顺序切分前 80% 做训练后 20% 做测试或者用滚动窗口交叉验证。import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import TimeSeriesSplit # 假设 df 包含列load, temp, hour, weekday, is_weekend # 构造滞后特征 df df.sort_values(timestamp).reset_index(dropTrue) df[load_lag1] df[load].shift(1) df[load_lag2] df[load].shift(2) df[load_lag24] df[load].shift(24) df[load_lag168] df[load].shift(168) # 前7天同一时刻 df df.dropna().reset_index(dropTrue) feature_cols [load_lag1, load_lag2, load_lag24, load_lag168, temp, hour, weekday, is_weekend] X df[feature_cols].values y df[load].values # 归一化注意 scaler 只在训练集上 fit scaler_X MinMaxScaler() scaler_y MinMaxScaler() X_scaled scaler_X.fit_transform(X) y_scaled scaler_y.fit_transform(y.reshape(-1, 1)).ravel() # 按时间顺序切分 split_idx int(len(X_scaled) * 0.8) X_train, X_test X_scaled[:split_idx], X_scaled[split_idx:] y_train, y_test y_scaled[:split_idx], y_scaled[split_idx:]这段代码的关键点有三个一是滞后特征用 shift 构造shift(24) 表示前 24 小时同一时刻的负荷二是归一化必须在划分训练集之后用训练集的 min/max 去变换测试集否则测试集信息会泄露三是 TimeSeriesSplit 可以用于后续交叉验证但例程里先用简单的时间切分跑通。3. 用 sklearn 跑通 SVR 例程核函数、参数与滚动预测3.1 核函数选择RBF 为什么是默认首选SVR 的核函数决定映射到高维空间的方式。线性核适合特征和目标近似线性关系但负荷和温度、时间的关系明显非线性。多项式核参数多、数值不稳定。RBF 核高斯核只有一个参数 gamma能逼近任意连续函数在负荷预测里是默认首选。我一般会先跑 RBF如果效果不理想再试线性核做对比。RBF 核的公式是 exp(-gamma * ||x - x||^2)gamma 越大单个样本影响范围越小容易过拟合gamma 越小模型越平滑容易欠拟合。3.2 三个必调参数C、gamma、epsilonSVR 的核心参数就三个参数含义典型范围调大后果调小后果C惩罚系数控制对管道外样本的容忍度0.1–1000过拟合训练误差小测试误差大欠拟合训练测试误差都大gammaRBF 核宽度0.001–10过拟合模型记住训练点欠拟合模型过于平滑epsilon管道宽度忽略误差小于 epsilon 的点0.001–0.1支持向量少可能欠拟合支持向量多训练慢调参顺序建议先固定 gamma 和 epsilon用网格搜索找 C再固定 C调 gamma最后微调 epsilon。网格搜索用 TimeSeriesSplit 做交叉验证不要用随机 KFold。from sklearn.svm import SVR from sklearn.model_selection import GridSearchCV, TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) param_grid { C: [0.1, 1, 10, 100], gamma: [0.001, 0.01, 0.1, 1], epsilon: [0.001, 0.01, 0.05] } svr SVR(kernelrbf) grid GridSearchCV(svr, param_grid, cvtscv, scoringneg_mean_absolute_error, n_jobs-1) grid.fit(X_train, y_train) print(最优参数:, grid.best_params_) best_svr grid.best_estimator_这段代码用 neg_mean_absolute_error 作为评分因为负荷预测更关心平均绝对误差而不是均方误差。TimeSeriesSplit 保证每折训练集都在测试集之前避免未来信息泄露。n_jobs-1 用满 CPU 核数加速网格搜索。3.3 滚动预测与反归一化训练好模型后预测测试集并反归一化回原始量纲。如果是多步预测需要用预测值填充滞后特征再预测下一步这叫滚动预测。例程里先做单步预测验证流程。y_pred_scaled best_svr.predict(X_test) y_pred scaler_y.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel() y_true scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel() from sklearn.metrics import mean_absolute_error, mean_squared_error mae mean_absolute_error(y_true, y_pred) rmse np.sqrt(mean_squared_error(y_true, y_pred)) mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 print(fMAE{mae:.2f}, RMSE{rmse:.2f}, MAPE{mape:.2f}%)反归一化时注意 scaler_y 是在训练集上 fit 的测试集的预测值要用同一个 scaler 逆变换。MAPE 在负荷接近零时可能爆炸所以实际报告中通常同时给 MAE 和 RMSE。如果 MAPE 超过 5%先检查特征里有没有未来信息泄露再检查归一化范围是否合理。4. 避坑与排查SVR 负荷预测里最容易翻车的五个点4.1 现象测试集 MAPE 只有 1%上线后误差翻倍原因特征里混入了未来信息。比如用当天 24 小时的平均负荷作为特征去预测当天某一时刻或者归一化时用了全量数据的 min/max。解决严格按时间切分所有统计量只在训练集上计算滞后特征只能用预测时刻之前已知的值。4.2 现象网格搜索跑了一小时最优参数还是默认值原因参数范围设置不合理或者评分函数选错。比如 C 的范围是 [0.1, 1, 10]但最优 C 在 100 附近或者用 accuracy 做回归评分。解决先跑一个粗范围观察 best_params_ 是否落在边界如果落在边界就扩大范围评分用 neg_mean_absolute_error 或 neg_mean_squared_error。4.3 现象预测曲线整体平移形状对但数值偏高原因归一化时训练集和测试集的分布不一致或者 epsilon 设得太大导致模型欠拟合。解决检查训练集和测试集的负荷均值、方差是否接近把 epsilon 调小一个数量级再试如果还是平移考虑加入温度二次项或日期类型交互项。4.4 现象训练集误差很小测试集误差是训练集的 5 倍原因过拟合。C 太大或 gamma 太大模型记住了训练集的噪声。解决降低 C 和 gamma增加 epsilon或者增加训练样本如果样本实在少考虑用线性核代替 RBF。4.5 现象滚动预测到第 5 步以后误差累积到不可用原因多步预测时用预测值填充滞后特征误差逐步放大。解决短期负荷预测通常只做 1 步或 24 步直接预测用前一天同一时刻特征预测第二天全天不要做长距离滚动如果必须滚动每步都重新训练模型或使用误差校正。5. 进阶技巧用差分特征和残差校正把 MAPE 压到 2% 以内跑通基础例程后如果想把精度再提一档我一般会做两件事一是加入差分特征二是做残差校正。差分特征是指用相邻时刻负荷差、日负荷差代替原始负荷值这样模型学的是变化量而不是绝对值对负荷水平的缓慢漂移更鲁棒。残差校正是指先用 SVR 预测一遍再用另一个 SVR 或线性模型去拟合残差把系统性偏差补回来。# 差分特征构造 df[load_diff1] df[load].diff(1) df[load_diff24] df[load].diff(24) df df.dropna().reset_index(dropTrue) # 残差校正第一层 SVR 预测后用第二层模型拟合残差 residual y_train - best_svr.predict(X_train) residual_model SVR(kernelrbf, C1, gamma0.01, epsilon0.001) residual_model.fit(X_train, residual) # 最终预测 第一层预测 第二层残差预测 y_final best_svr.predict(X_test) residual_model.predict(X_test) y_final_inv scaler_y.inverse_transform(y_final.reshape(-1, 1)).ravel()差分特征要注意diff 之后第一行会变成 NaN必须 dropna差分特征和原始特征一起归一化时差分值的范围可能很小归一化后接近零可以考虑单独归一化或放大系数。残差校正的第二层模型不要用太复杂的参数否则会把噪声也拟合进去。我一般用 C1、gamma0.01 的 RBF 核epsilon 设小一点让残差模型只捕捉系统性偏差。还有一个技巧是分时段建模把一天分成凌晨、上午、下午、晚间四个时段每个时段单独训练一个 SVR。因为不同时段的负荷特性差异很大凌晨负荷平稳晚间波动大统一模型会互相牵制。分时段后每个模型的样本量减少但特征更聚焦实测 MAPE 能再降 0.5 到 1 个百分点。代价是模型数量变多维护成本上升适合对精度要求高的场景。最后说一个我自己的习惯每次调完参数不要只看 MAPE一定要把预测曲线和真实曲线画在一起看误差是均匀分布还是集中在某些时段。如果误差集中在节假日或极端天气说明特征里缺少对应的标识加一个节假日 one-hot 或温度分段特征往往比继续调参更有效。希望帮到你。本文还有配套的精品资源点击获取
