简介这份例程面向电力系统负荷预测方向的学习者与研究人员聚焦支持向量机在短期负荷预测中的落地应用。与直接将影响因素送入模型的常规做法不同它在训练前对各影响因素进行加权预处理以突出关键特征、削弱弱相关因素干扰从而改善预测精度。压缩包共2个文件约19KB包含1个m脚本与1个xls数据表脚本承担数据读取、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历史负荷及相关影响因素样本便于直接运行与调试。内容涉及SVM与支持向量回归原理、核函数选择、惩罚参数与核参数调整以及RMSE、MAE等评价指标适合作为课程设计、毕业设计或算法入门的实践案例。目前已有1134人学习下载可帮助读者理解特征加权对预测性能的影响并掌握从数据预处理到模型评估的完整建模思路。1. 从一份 SVM 短期负荷预测例程说起它到底能跑出什么如果你手头有一份电力系统短期负荷预测的 SVM 例程第一反应大概率是这玩意儿到底能不能直接套到我的数据上我拿到的这份例程核心就是用支持向量机做未来 24 小时的负荷曲线预测输入是历史负荷序列加上日期类型、温度这类外生变量输出是逐点预测值。它解决的不是“发论文级”的创新问题而是让一个刚接触负荷预测的工程师能在半天内跑通一条完整的基线数据怎么组织、特征怎么构造、SVM 参数怎么设、误差怎么评估。适合谁适合做电网调度辅助、微网能量管理、或者课程设计里需要一份能复现的 SVM 回归代码的人。不适合指望它直接上生产环境做超短期滚动预测——那是另一个量级的事。这份例程的价值在于它把 SVM 做回归时最容易翻车的几个环节——归一化、核函数选择、参数寻优——都摆在了明面上你照着改就能用。2. 例程拆解数据流、特征工程与 SVM 回归的接法2.1 负荷数据的组织方式与归一化边界短期负荷预测的原始数据通常是一张时间序列表时间戳、有功负荷、温度、湿度、日类型工作日/周末/节假日。例程里一般会把数据整理成“输入-输出”对的形式用前 N 天同一时刻的负荷加上当天已知的外生变量去预测第 N1 天对应时刻的负荷。这里第一个容易踩的坑是归一化。SVM 对特征尺度极度敏感负荷数值可能在几百到几千兆瓦之间温度在零下十几到四十度之间如果不做归一化核函数计算出来的距离会被负荷量级完全主导温度特征等于白给。常见做法是用最小最大归一化把每个特征压到 [0,1]但要注意归一化的上下界必须用训练集算出来然后原封不动地应用到测试集。我见过有人图省事把全量数据一起归一化再切分结果测试集的“未来信息”泄漏到了训练阶段评估指标好看得离谱一上线就崩。例程里如果写了MinMaxScaler一定要检查fit和transform的调用顺序。import numpy as np from sklearn.preprocessing import MinMaxScaler # 假设 raw_data 形状为 (样本数, 特征数)最后一列是负荷 # 按时间顺序切分前 80% 做训练后 20% 做测试 split_idx int(len(raw_data) * 0.8) train_raw raw_data[:split_idx] test_raw raw_data[split_idx:] scaler MinMaxScaler(feature_range(0, 1)) # 关键只用训练集拟合归一化器 scaler.fit(train_raw) train_scaled scaler.transform(train_raw) test_scaled scaler.transform(test_raw) # 反归一化时负荷列对应的 min/max 要单独取出来 load_min scaler.data_min_[-1] load_max scaler.data_max_[-1]这段代码的逻辑说明fit只在训练集上做得到每个特征的最小值和最大值transform分别应用到训练集和测试集。反归一化时因为负荷在最后一列直接取data_min_[-1]和data_max_[-1]就能把预测值还原回原始量纲。参数上唯一需要改的是feature_range一般保持 (0,1) 即可如果数据里有极端离群点可以考虑用 (0.1, 0.9) 留一点余量但这不是必须的。2.2 特征构造把时间戳变成 SVM 能吃的数值SVM 本身不认识“周一”和“周六”的区别也不认识“八月”和“十二月”的差异。例程里通常会用独热编码或者周期编码来处理日类型和月份。独热编码简单直接但维度会膨胀周期编码用正弦余弦把月份映射到单位圆上维度低且保留了周期性更适合负荷预测这种强周期场景。我一般会构造这几类特征前一日同一时刻负荷、前两日同一时刻负荷、前七日同一时刻负荷、当日最高温度、当日最低温度、日类型独热码、月份正弦余弦值。前七日负荷这个特征特别重要因为它捕捉了周周期的模式。如果例程里只用了前一日负荷预测精度在周末和周一附近会明显掉下来。import pandas as pd def build_features(df): df df.copy() # 滞后特征前 1、2、7 天同一时刻的负荷 df[lag_1] df[load].shift(24) df[lag_2] df[load].shift(48) df[lag_7] df[load].shift(24 * 7) # 日类型独热编码假设 day_type 取值 0/1/2 df pd.get_dummies(df, columns[day_type], prefixdt) # 月份周期编码 df[month_sin] np.sin(2 * np.pi * df[month] / 12) df[month_cos] np.cos(2 * np.pi * df[month] / 12) # 丢弃因滞后产生的空值行 df df.dropna().reset_index(dropTrue) return df逻辑说明shift(24)表示向前推 24 个时间点如果数据是小时级正好是一天。get_dummies把日类型展开成多个 0/1 列。月份正弦余弦把 1 到 12 月映射到周期坐标上十二月和一月在数值上就靠近了。参数上唯一要注意的是shift的步长必须和采样频率匹配半小时级数据就要用shift(48)。构造完特征后dropna会丢掉前面若干行这是正常的不要试图填充这些行因为填充出来的滞后特征没有物理意义。2.3 SVM 回归器的参数设置与核函数选择例程里用的通常是sklearn.svm.SVR核心参数有三个C、gamma、kernel。C是惩罚系数越大对训练误差容忍度越低容易过拟合gamma控制核函数的影响范围越大影响越局部也容易过拟合。负荷预测这种任务数据噪声不小C一般从 1 到 100 之间试gamma从 0.01 到 1 之间试。核函数首选 RBF因为负荷和特征之间的关系是非线性的线性核欠拟合会很明显。参数寻优不要用网格搜索硬扫太慢。我一般用RandomizedSearchCV配合时间序列交叉验证。注意不能用普通的 KFold因为负荷数据有时间顺序随机切分会导致未来数据泄漏到训练集。TimeSeriesSplit是更稳妥的选择。from sklearn.svm import SVR from sklearn.model_selection import RandomizedSearchCV, TimeSeriesSplit from scipy.stats import uniform param_dist { C: uniform(1, 100), gamma: uniform(0.01, 1), epsilon: uniform(0.01, 0.5) } tscv TimeSeriesSplit(n_splits5) svr SVR(kernelrbf) search RandomizedSearchCV( svr, param_dist, n_iter50, cvtscv, scoringneg_mean_absolute_error, random_state42, n_jobs-1 ) search.fit(X_train, y_train) best_svr search.best_estimator_逻辑说明uniform(1, 100)表示在 1 到 101 之间均匀采样n_iter50表示随机试 50 组参数。TimeSeriesSplit把数据按时间顺序切成 5 折每折用前面的数据训练、后面的数据验证模拟真实预测场景。scoring用负平均绝对误差因为负荷预测里 MAE 比 MSE 更直观。n_jobs-1用满所有 CPU 核。这套下来一般几分钟能跑完比网格搜索快一个数量级。3. 从训练到评估把预测结果落成可看的曲线和指标3.1 训练流程的完整串联把前面几步串起来整个流程就是读数据、构造特征、切分训练测试、归一化、随机搜索调参、用最优参数在训练集上重新拟合、在测试集上预测、反归一化、算指标、画曲线。这里有一个容易忽略的点随机搜索时内部已经做了交叉验证但最终模型还是要在全部训练数据上重新fit一次否则你只用了部分数据训练。RandomizedSearchCV的best_estimator_默认已经在全部训练数据上拟合过了直接拿来预测即可不需要再手动fit。# 用最优模型预测 y_pred_scaled best_svr.predict(X_test) # 反归一化注意 y 的归一化参数要和特征分开处理 y_pred y_pred_scaled * (load_max - load_min) load_min y_true y_test_scaled * (load_max - load_min) load_min 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)) print(fMAE: {mae:.2f} MW, RMSE: {rmse:.2f} MW)逻辑说明如果训练时把负荷也当作一个特征一起归一化了那么预测出来的值也是归一化后的需要单独用负荷列的 min/max 还原。MAE反映平均偏差RMSE对大误差更敏感。电力系统里通常还会看 MAPE但负荷接近零时 MAPE 会爆炸所以例程里用 MAE 和 RMSE 更稳妥。3.2 评估指标的选择与曲线诊断MAE 和 RMSE 是标量只能告诉你“平均差多少”看不出误差在时间上的分布。我习惯把真实曲线和预测曲线画在一起再画一张残差图。如果残差在某个时间段系统性偏正或偏负说明特征里缺少那个时间段的模式信息。比如每天傍晚高峰时段残差一直偏正说明模型低估了高峰可能需要加入“是否高峰时段”的标记特征。import matplotlib.pyplot as plt fig, axes plt.subplots(2, 1, figsize(12, 8)) axes[0].plot(y_true, labelActual, linewidth1) axes[0].plot(y_pred, labelPredicted, linewidth1, linestyle--) axes[0].legend() axes[0].set_ylabel(Load (MW)) residual y_true - y_pred axes[1].plot(residual, colorgray, linewidth0.8) axes[1].axhline(0, colorred, linestyle:) axes[1].set_ylabel(Residual (MW)) plt.tight_layout() plt.show()逻辑说明上图看整体拟合下图看残差是否围绕零波动。如果残差有明显的周期pattern说明模型没学到那个周期。参数上figsize按需调linewidth调细一点避免曲线糊在一起。这张图比任何数字指标都直观建议每次调完参数都看一眼。3.3 预测结果的后处理与业务约束SVM 输出的是连续值但实际负荷有物理约束不能为负相邻时刻的变化率不会突变。例程里如果直接输出原始预测值偶尔会出现负值或者尖刺。常见做法是加一个简单的后处理把负值截断到零再用滑动平均平滑一下。但平滑窗口不能太大否则会把真实的负荷爬坡也抹掉。我一般用 3 点滑动平均只对预测值做真实值不动。# 截断负值 y_pred np.clip(y_pred, 0, None) # 3 点滑动平均 y_pred_smooth np.convolve(y_pred, np.ones(3)/3, modesame) # 注意边界处理两端用原始值替代 y_pred_smooth[0] y_pred[0] y_pred_smooth[-1] y_pred[-1]逻辑说明np.clip把负值压到零np.convolve做滑动平均modesame保证输出长度不变。边界两个点因为卷积核覆盖不全直接用原始预测值替代。这一步不是必须的但如果你的业务方看到负负荷会质疑模型加上它省去很多解释成本。4. 避坑与排查SVM 负荷预测里最容易翻车的五个地方4.1 现象测试集 MAE 远小于训练集 MAE原因归一化时用了全量数据测试集信息泄漏到了训练阶段。或者切分数据时没有按时间顺序随机打乱后未来数据混入了训练集。解决检查fit和transform的调用对象确保归一化器只见过训练数据。切分时用时间顺序切分不要用train_test_split的默认随机打乱。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反归一化时用错了 min/max。如果训练时对负荷列单独做了归一化预测时却用了全局的 min/max就会产生系统性偏移。解决把负荷列的data_min_和data_max_单独存下来反归一化时只用这两个值。如果特征和标签是分开归一化的更要确认对应关系。4.3 现象模型训练极慢跑一次要几十分钟原因C和gamma的搜索范围设得太大或者n_iter设了几百。SVM 的训练复杂度对样本数很敏感样本超过一万条时 RBF 核会明显变慢。解决先把n_iter降到 30 左右观察最优参数落在哪个区间再在那个区间附近细化搜索。如果样本量确实大考虑先用LinearSVR快速筛特征再用 RBF 核精调。4.4 现象周末和节假日的预测误差明显大于工作日原因日类型特征没有构造好或者训练数据里周末样本太少模型没学到周末的模式。解决检查独热编码是否覆盖了所有日类型确认周末样本在训练集里的比例。如果周末样本确实少可以考虑对周末样本做过采样或者单独训练一个周末模型。4.5 现象换了新数据后预测完全失效原因新数据的量纲和训练数据不一致比如负荷整体上了一个台阶但归一化参数还是旧的。解决归一化参数要随数据更新。如果业务场景里负荷水平会缓慢漂移建议用滚动窗口重新拟合归一化器或者改用对量纲不敏感的标准化方法。但标准化同样要用训练集的均值和方差不能全量算。5. 进阶技巧用滚动预测和误差反馈把例程变成能用的工具例程跑通之后下一步是把它变成能持续用的东西。最直接的进阶是滚动预测每次预测未来 24 小时等真实值出来之后把最新的真实数据追加到历史序列里重新构造特征再预测下一个 24 小时。这样模型能跟上负荷的缓慢变化。实现上不需要每次重新训练 SVM只需要更新输入特征用已经训练好的模型推理即可。但如果误差持续偏大就要触发重新训练。def rolling_forecast(model, scaler, history_df, horizon24): predictions [] current_df history_df.copy() for step in range(horizon): features build_features(current_df) last_row features.iloc[[-1]].drop(columns[load]) last_scaled scaler.transform(last_row) pred_scaled model.predict(last_scaled)[0] pred pred_scaled * (load_max - load_min) load_min predictions.append(pred) # 把预测值当作已知负荷追加继续预测下一时刻 new_row current_df.iloc[[-1]].copy() new_row[load] pred current_df pd.concat([current_df, new_row], ignore_indexTrue) return predictions逻辑说明这个函数每次只预测一个点然后把预测值填回历史序列继续预测下一个点。build_features会重新计算滞后特征所以预测值会被当作真实值使用。这种做法在短期预测里叫“递归预测”优点是简单缺点是误差会累积。如果发现预测曲线越往后越飘可以改成“直接预测”即一次性输出 24 个值每个值都用真实历史特征不依赖前面的预测值。另一个进阶方向是误差反馈记录每次预测的残差如果连续几个周期残差同号说明模型有系统性偏差可以给预测值加一个修正项。修正项用最近 N 个周期的残差均值N 一般取 7 到 14。这个技巧在负荷预测里很实用能把 MAE 再压下去几个百分点。还有一个容易被忽略的点是特征重要性的粗筛。SVM 本身不输出特征重要性但可以用排列重要性或者先用一个线性模型快速看哪些特征系数大。把明显无关的特征去掉SVM 的训练速度和泛化能力都会改善。我一般会保留滞后负荷、温度、日类型这三类其他特征先加进去试如果排列重要性接近零就删掉。从那以后我每次拿到一份新的负荷预测例程都会先检查归一化的 fit/transform 顺序再确认切分是不是按时间来的最后才看参数。这三步走完基本能避开八成以上的翻车场景。希望帮到你。本文还有配套的精品资源点击获取
