电网负荷预测不是新话题，但每次做相关项目的人都会问同一个问题：用MATLAB做SVR（支持向量回归）负荷预测，到底怎么选工具、怎么调参数、怎么才能让结果稳定可复现。我用libsvm配合MATLAB搭过一整套SVR电网负荷预测流程，从数据预处理、特征构造到参数寻优都踩过不少坑。这篇就把我完整跑通的方案、代码和避坑经验全部整理出来，给准备做类似项目的朋友一个可以直接照抄的作业。
先说结论：libsvm在MATLAB里做SVR回归，配合网格搜索加交叉验证做参数寻优，整个流程并不复杂，但有几个细节如果没处理好，结果会差很远。接下来我按完整的实现链路来说。
1. 电网负荷预测的难处与SVR方案的胜出逻辑
1.1 负荷数据为什么这么难预测
电网负荷数据看起来就是一个随时间变化的序列，但真正上手会发现它比想象中复杂得多。首先是周期性，一天24小时有明显的峰谷变化，一周内工作日和周末负荷水平差异很大，春季节假日又会把整个曲线打乱。其次是气象敏感度，夏季高温和冬季寒潮会直接拉高负荷峰值，温度和负荷之间还不是简单的线性关系，空调负荷的启动往往带来非线性跳变。
我用过传统的线性回归试过，效果很差，本质原因是它假设自变量和因变量是线性关系，但负荷数据明显不满足。ARIMA模型对线性时间序列还可以，但对气候突变、节假日这种外部冲击的响应很差，往往前一两天还能跟上，遇到拐点预测就直接偏掉。BP神经网络的问题是训练结果不稳定，换一次初始权重结果就变，而且样本量不够时容易过拟合，调网络结构也要花大量时间。
1.2 SVR为什么在中小样本场景下更稳
SVR全称Support Vector Regression，是支持向量机在回归问题上的延伸。它和神经网络最大的不同在于，SVR追求的是结构风险最小化而不是经验风险最小化，简单说就是它在拟合训练数据的同时，会控制模型的复杂度，避免把噪声也学进去。
这在电网负荷预测场景下非常契合。负荷数据虽然波动大，但样本量往往有限——比如你只有一年的历史数据，每小时一个点也才8760个样本，去重和清洗之后更少。SVR在小样本下通常比深度模型更稳，不会出现“训练集完美、测试集崩盘”的局面。而且SVR通过核函数处理非线性，不需要像神经网络那样去手调大量超参数，主要就盯着c、g、p这几个参数调，寻优路径清晰很多。
1.3 libsvm在MATLAB生态里的独特地位
MATLAB自带的Statistics and Machine Learning Toolbox里也有SVM回归函数fitrsvm，理论上也能用。但我在实际项目中还是选了libsvm，原因有三点。
第一，libsvm的核心求解算法是SMO（序列最小优化），在大规模数据下训练速度比MATLAB自带的实现要快不少，尤其在参数寻优阶段需要反复训练几十上百次模型，速度优势会被放大。第二，libsvm的交叉验证接口非常方便，一个-v参数直接返回K折交叉验证的MSE，省去了自己写循环切分数据的步骤，这在参数寻优里极其关键。第三，学术论文和开源社区里大量SVR负荷预测的复现代码基于libsvm，用熟悉的东西和同行交流、对照实验结果都更方便。
提示：如果只是快速验证某个想法，fitrsvm可以；但如果要做严肃的参数寻优实验，我强烈建议直接用libsvm。
2. 环境准备：libsvm编译与挂载的完整链路
2.1 源码下载与目录结构认知
libsvm在GitHub上有官方仓库，下载zip包后解压，整个项目目录里最关键的是三个部分：根目录下的svm.cpp和svm.h是核心算法源码，matlab子目录下是MATLAB接口的封装代码，windows子目录里有编译好的可执行文件。
MATLAB接口的原理是，通过mex工具把C++源码编译成MATLAB能直接调用的mex文件。编译成功后会生成svmtrain.mexw64和svmpredict.mexw64这两个关键文件，前者负责训练模型，后者负责预测。注意：如果直接下载别人编译好的mex文件，很可能因为MATLAB版本或操作系统架构不匹配而加载失败，最好还是在自己机器上编译。
2.2 编译器配置：最容易卡住的一步
在MATLAB里编译mex文件前，需要先配置C/C++编译器。新版MATLAB对MinGW-w64有版本要求，比如MATLAB R2023a对应的是MinGW-w64 11.2.0甚至更高版本，版本不对会直接报错或者编译出来的文件不可用。
配置步骤如下：
- 在MATLAB命令行执行mex -setup，MATLAB会列出当前系统可用的编译器。
- 如果没有MinGW，需要在Add-On Explorer里搜索MATLAB Support for MinGW-w64 C/C++ Compiler并安装。
- 安装完成后重新执行mex -setup，选择MinGW-w64作为默认编译器。
- 将工作目录切换到libsvm的matlab子目录，执行make。
如果make执行时卡在找不到编译器或者ld连接错误，大概率是MinGW版本和MATLAB版本不匹配，更换对应版本的MinGW即可。
2.3 编译验证与路径设置
编译成功后，matlab目录下会生成svmtrain.mexw64和svmpredict.mexw64。接下来把整个libsvm\matlab目录用addpath全部加入MATLAB搜索路径，可以通过pathtool打开路径管理器操作，也可以直接命令行执行。
addpath('你的路径/libsvm-3.3x/matlab'); savepath;验证是否可用的最简单方法，是构造一组随机数据跑一次训练和预测：
% 造10个样本，每个样本2维特征 train_label = rand(10, 1); train_data = rand(10, 2); % 粗训练，增加-v 5让模型走一次交叉验证 options = '-s 3 -t 2 -c 1 -g 0.5 -p 0.1 -v 5'; mse = svmtrain(train_label, train_data, options); disp(mse);如果这一步没有报错并输出一个数值，说明libsvm已经挂载成功。这里特别留意，回归问题下加-v参数返回的是交叉验证的MSE，数值越小越好，不是准确率。
2.4 这个环节最容易踩的三个坑
第一个坑是我刚用libsvm时最大的拦路虎：MATLAB 2023之后的版本在编译时对编译器选择极其严格，用旧版MinGW编译会直接报“找不到编译器”的错误，哪怕mex -setup显示已经选好了。解决方式是到Add-On Explorer里安装与当前MATLAB版本完全配套的MinGW。
第二个坑是把svmtrain和svmpredict两个文件单独复制出来用，而不是把整个matlab文件夹加入路径。这样做的麻烦在于libsvm在运行时可能还需要读取根目录下的svm-predict等辅助文件，路径不完整会导致功能异常。
第三个坑是32位系统与64位系统的mex文件不能混用。现在基本都用64位系统，生成的是mexw64文件，如果还在用旧电脑装32位MATLAB，就需要编译器也支持32位，这个组合比较麻烦，建议直接换64位环境。
3. 数据预处理与特征构造：容易被忽视但决定上限的工作
3.1 归一化处理的两个关键细节
SVR的核函数计算依赖样本间的距离或相似度，如果某个特征的数值范围远大于其他特征，这个特征就会主导核函数计算，导致其他特征几乎失效。所以在训练之前必须做特征缩放，常用的就是min-max归一化，把数据映射到[0, 1]区间。
MATLAB里mapminmax函数做归一化时有个经典坑：它是按行对矩阵进行操作的。如果数据是标准的“每个样本一行、每个特征一列”的排列方式，直接调用mapminmax会把每一行单独归一化，得到的结果完全错误。正确写法是先转置再归一化再转置回来：
% 假设data_train是m行n列的矩阵，m个样本，n个特征 [data_train_n, ps] = mapminmax(data_train', 0, 1); data_train_n = data_train_n';这里ps是保存归一化参数的结构体，里面记录了每列归一化时的最小值min和缩放范围，后面缩放测试集时必须复用这个ps，而不是对测试集重新做归一化。
3.2 训练集测试集泄漏问题
这是我在一个朋友的项目里发现的严重问题。他为了省事，把所有数据合并在一起做归一化，然后再划分训练集和测试集。这样做会导致一个后果：测试集的信息在归一化阶段已经被模型间接看到了，因为归一化参数是从包含测试集的数据里统计出来的。看起来是小事，但实验结果的泛化性会大打折扣，生产环境下表现会明显缩水。
正确做法是：先划分训练集和测试集，只用训练集计算归一化参数ps，然后用这个ps分别转换训练集和测试集。
[data_train_n, ps] = mapminmax(data_train', 0, 1); data_train_n = data_train_n'; data_test_n = mapminmax('apply', data_test', ps)';从信息论角度理解，就是测试集在模型训练和参数选择过程中必须完全不可见，否则交叉验证和最终的测试指标都会虚高。
3.3 特征构造的经验：让模型真正“看懂”负荷曲线
特征工程这一步直接决定SVR预测精度的上限，参数寻优只是在逼近这个上限。我做小时级负荷预测时的特征设计如下表：
| 特征类别 | 具体特征 | 设计理由 |
|---|---|---|
| 历史负荷 | 前一天同一时刻负荷、前两天同一时刻负荷、一周前同一时刻负荷 | 负荷有24小时周期和7天周期，这类特征是预测的主力 |
| 近期趋势 | 最近3小时平均负荷、最近6小时负荷变化率 | 反映负荷的短期惯性走向 |
| 气象因素 | 当前温度、预测温度、体感温度、湿度 | 温度对空调负荷影响大，但要结合季节上下文 |
| 时间属性 | 是否为工作日、是否为节假日、小时序号 | 捕捉不同类型日期和一天内不同时段的行为规律 |
时间属性的处理有个细节：小时序号是0到23的循环变量，如果直接把序号作为数值特征，模型会认为23点和0点差距很大，但实际上它们只差一小时，应该用sin和cos做周期编码来消除这种人为的断裂感。比如hour_sin = sin(2pihour/24)，hour_cos = cos(2pihour/24)，用两个分量共同表示小时信息。
对于节假日，不是简单标一个0或1的“是否节假日”特征就够了。我发现不同假日对负荷的影响差异很大，春节前后一个月的负荷模式都跟平时不一样，而清明这类短假影响则小得多。简单的做法是分三个等级：非节假日、普通节假日、重大节假日（春节、国庆等），分别编码成0、1、2。
3.4 异常值和缺失值处理
电网负荷数据在采集过程中常出现异常，比如传感器故障导致的断崖式下跌、零值、或者突然跳变到极大的值。直接用这些数据训练，SVR的损失函数会对异常点非常敏感，模型会被强行拉向异常值，正常区域反而拟合不好。
我处理异常值的方法是：先计算每个时刻负荷的历史同类型日（工作日或周末）的均值和标准差，如果当前值偏离均值超过3倍标准差，就用历史同类型日的均值替代。缺失值用前后时刻的线性插值来处理。这个清洗步骤虽然不复杂，但对最终的MAPE指标影响非常大，实测能改善1到2个百分点。
4. libsvm参数体系与寻优策略：从核宽度到交叉验证
4.1 核心参数的中文对照速查表
libsvm做回归时常用的参数，我从工程应用角度整理了一张速查表：
| 参数 | 含义 | 常用取值 | 对结果的影响 |
|---|---|---|---|
| -s | SVM类型，3表示epsilon-SVR，4表示nu-SVR | 一般选3 | 类型选择不同，损失函数定义有差异 |
| -t | 核函数类型，0线性、1多项式、2RBF、3sigmoid | 一般选2 | RBF核最通用，能处理非线性关系 |
| -c | 惩罚系数，对误差的容忍程度 | 2^-8到2^8 | c越大越容易过拟合，越小越容易欠拟合 |
| -g | RBF核的gamma，即核宽度参数 | 2^-8到2^8 | g越大模型越复杂，越小模型越平滑 |
| -p | epsilon-SVR损失函数的epsilon，允许的误差带宽度 | 0.001到0.1 | p越大支持向量越少，模型越平滑 |
| -v | 交叉验证折数 | 3、5、10 | 取值合适时返回的是交叉验证MSE |
其中-c -g -p是决定模型性能的三大关键，需要重点理解。惩罚系数c控制的是对训练误差的容忍程度，可以理解为班级纪律委员：管得越严（c越大），训练样本拟合得越好，但可能连噪声都一起学了；管得太松（c太小），模型又学不到关键模式。RBF核的gamma值则决定了一个训练样本的影响力半径，gamma越大影响力半径越小，模型就可以在局部做非常精细的拟合，但也容易过拟合；gamma越小，模型整体越平滑。
4.2 RBF核函数和参数的关系
为什么大家都在用RBF核而很少用线性核或多项式核？RBF核可以把原始特征映射到无穷维空间，理论上能拟合任意复杂的非线性函数，而且数值计算稳定性好，参数设置起来也相对直观。线性核其实是RBF核的一个特例，在特征维度极高或者数据接近线性可分时才有优势；多项式核的维度控制不好会让计算量剧增，还容易溢出。
RBF核的公式是K(x, z) = exp(-g * ||x - z||^2)，这里的关键就在这个指数项。当两个样本的特征向量欧氏距离较大时，核函数值迅速衰减到接近0，相当于两个样本“完全不相关”；只有当样本距离很近时，核函数值才较大，样本之间才有相互影响。g越大，这个衰减越剧烈，每个样本只影响周围很小的区域，模型在局部会很灵活，但整体泛化能力下降。
4.3 网格搜索为何是参数寻优的第一选择
参数寻优的常见方法有网格搜索、随机搜索、遗传算法、粒子群算法、贝叶斯优化等。为什么优先推荐网格搜索？因为在c和g这两个参数上，它们的有效范围通常跨越多个数量级，而性能对参数的变化呈现相对平滑的响应，用2的幂次做网格可以在整个数量级上均匀覆盖候选空间，不容易漏掉最优区域。
网格搜索和交叉验证结合起来的逻辑是：把训练集分成K折，每次拿K-1折训练、1折验证，轮流做K次，把验证误差的平均值作为当前参数组合的评分。这个过程不能省，因为如果没有交叉验证，直接拿测试集来调参，那测试集就失去了检验模型泛化能力的意义，调出来的参数在测试集上好看，在真正的新数据上表现未必好。
4.4 两步寻优法：粗搜索与细搜索
如果直接在2^-8到2^8范围内按步长1做全网格搜索，总共要跑17×17=289次交叉验证，每次还是5折训练，计算量不小。更高效的做法是分两步走。
第一步粗搜索，让c和g都在2^-8到2^8范围内，步距取2，这样候选点变成9×9=81个，找到MSE最低的区域。第二步细搜索，在粗搜索最优点的附近缩小范围，最优点的指数加减2以内，步距缩小到2^0.25，进一步精确定位最优参数。两步下来搜索次数大约是81+81=162次，虽然和粗搜索一次差不多，但精度要高得多。
提示：如果训练样本量非常大，比如几十万条，建议先从训练集里随机抽1万条用于参数寻优。交叉验证评分在小样本和大样本下的相对趋势基本一致，但训练速度能差出几十倍。
5. 完整实现：网格搜索、训练、预测、评估全流程代码
5.1 网格寻优主程序
我把整个寻优过程封成了函数，方便在不同数据集上复用。核心逻辑是两层for循环嵌套，外层遍历c，内层遍历g，每次用libsvm的-v参数计算交叉验证MSE，然后记录最优值。
function [best_c, best_g, best_mse] = svr_grid_search(train_label, train_data, c_exp_range, g_exp_range, v_fold) % 初始化最优记录 best_mse = inf; best_c = 0; best_g = 0; % 粗搜索 for i = 1:length(c_exp_range) for j = 1:length(g_exp_range) c = 2^c_exp_range(i); g = 2^g_exp_range(j); cmd = ['-s 3 -t 2 -c ', num2str(c), ... ' -g ', num2str(g), ' -p 0.01 -v ', num2str(v_fold)]; mse = svmtrain(train_label, train_data, cmd); if mse < best_mse best_mse = mse; best_c = c; best_g = g; end end end % 细搜索：在粗搜索最优点的指数附近进一步细化 if nargin >= 6 && opts_do_refine c_idx = find(c_exp_range == round(log2(best_c)), 1); g_idx = find(g_exp_range == round(log2(best_g)), 1); if ~isempty(c_idx) && ~isempty(g_idx) c_fine = -2:0.25:2; g_fine = -2:0.25:2; for di = c_fine for dj = g_fine newc = best_c * 2^di; newg = best_g * 2^dj; cmd = ['-s 3 -t 2 -c ', num2str(newc), ... ' -g ', num2str(newg), ' -p 0.01 -v ', num2str(v_fold)]; mse = svmtrain(train_label, train_data, cmd); if mse < best_mse best_mse = mse; best_c = newc; best_g = newg; end end end end end end这里有一个关键细节：svmoptions字符串中-c和-g后面的值要用num2str转成字符串，注意中间的空格不能少，否则libsvm解析参数时可能出错。-p的值在负荷预测中通常取0.01，这个值控制了误差带的宽度，如果取得太大预测曲线会过于平滑，取太小又会导致支持向量数量剧增、训练变慢。
5.2 最优参数训练与预测
得到最优的c和g后，用全部训练集训练最终的SVR模型，然后对测试集做预测。
% 用最优参数训练最终模型 cmd = ['-s 3 -t 2 -c ', num2str(best_c), ... ' -g ', num2str(best_g), ' -p 0.01']; model = svmtrain(train_label, train_data, cmd); % 保存模型，方便后续复用 save('svr_model.mat', 'model', 'ps'); % 测试集预测 [pred_label, accuracy, decision_values] = svmpredict(test_label, test_data_n, model);svmpredict的返回值里，pred_label是预测的负荷值，accuracy在回归问题中返回一个三元素行向量，第一个元素是测试集MSE，第二个是平方相关系数，第三个在回归问题中通常为0。注意svmpredict即使传入空的test_label也能跑，但那样无法返回评估指标，所以预测时还是要把真实的测试标签传进去。
5.3 指标计算与结果可视化
光看svmpredict返回的MSE还不够直观，我会在预测后自己算几个核心评估指标，然后画对比图。
% 反归一化，恢复负荷真实量纲 pred_actual = mapminmax('reverse', pred_label', ps)'; test_actual = mapminmax('reverse', test_label', ps)'; % 计算评估指标 mse = mean((pred_actual - test_actual).^2); rmse = sqrt(mse); mape = mean(abs((pred_actual - test_actual) ./ test_actual)) * 100; r2 = 1 - sum((pred_actual - test_actual).^2) / sum((test_actual - mean(test_actual)).^2); fprintf('RMSE: %.4f\n', rmse); fprintf('MAPE: %.2f%%\n', mape); fprintf('R2: %.4f\n', r2);这些指标的工程含义各不相同。
| 指标 | 计算公式 | 工程含义 |
|---|---|---|
| MAE | mean(abs(预测值-真实值)) | 平均绝对偏差，量纲与负荷一致，最直观 |
| RMSE | sqrt(mean((预测值-真实值)^2)) | 放大较大误差，对峰值预测偏差更敏感 |
| MAPE | mean(abs(误差/真实值))*100% | 无单位百分比，便于横向对比 |
| R2 | 1-误差平方和/真实值离差平方和 | 越接近1说明模型解释能力越强 |
画图时建议把预测值和真实值放在同一坐标系下对比，重点关注峰值的拟合情况。负荷预测的难点从来不是平段，而是早晚高峰和温度骤变时段的预测精度，如果峰值位置偏移了半小时，RMSE会很难看。
6. 实测复盘与坑位清单：让寻优结果真正可用的细节
6.1 我在实际运行中踩过的坑
第一个坑就是mapminmax的转置问题。我早期直接拿原始矩阵去归一化，结果每一行被单独缩放，整个模型的输入完全乱了，交叉验证的MSE高得离谱。排查了很久才发现问题不在参数寻优，而在数据预处理。
第二个坑是svmtrain带-v参数时返回值的含义。回归问题返回的是MSE，但很多教程是从分类问题迁移过来的，在那里-v返回的是准确率。一开始我也犯了方向性错误，以为和分类一样是越高越好，后来仔细看libsvm文档和源码才确认，回归问题中返回的MSE是越小越好。这个知识点如果在寻优开始时没搞清楚，后面全盘皆错。
第三个坑是搜索范围设置太大。有一次我把c和g的指数范围从1到10，步长还是1，10×10个点每个点都要做5折交叉验证，训练数据有几万条，一次寻优跑了几个小时。后来改成两步寻优法，先把范围缩小到-8到8，粗搜步长取2，时间缩短到十几分钟，精度反而没损失。
6.2 为什么你的寻优结果不理想
很多人寻优后得到的最优参数在测试集上效果很差，常见原因有三：数据泄漏、样本量不足、特征质量太差。
数据泄漏前面提到了，就是归一化时用了全量数据的统计量，或者特征构造时把未来信息混进去了。比如用当天的实际温度来预测当天的负荷，这在“事前预测”场景下就是泄漏，因为预测时你还没有当天的实测温度。这种情况在测试集上很好，因为测试集也有当天的实测温度；但一旦到真实部署，需要用天气预报温度替代实测温度，误差一下子就上去了。
样本量不足是另一个典型问题。如果只有几周的负荷数据，模型根本学不到足够的周期模式，寻优出来的参数只是“过拟合到了这个小样本的噪声上”，换个时间段就失效。这种情况无论网格搜索多精细都没用，正确思路是尽量积累更长时间的历史数据，或者用迁移学习把历史同期数据纳入训练。
特征质量差往往是模型精度的天花板。如果只用前一天的负荷作为唯一特征，那模型只能学到简单的自回归关系，当遇到温度突变的日期，预测偏差会非常大。我建议至少保证历史负荷特征占六成、气象和时间特征占四成的比例结构，单纯堆叠历史负荷特征并不会带来明显提升，关键是特征类型的多样性。
6.3 从网格搜索到更高级的寻优思路
网格搜索虽然稳定，但在参数空间维度增加时效率会断崖式下降。如果有一天你要同时优化c、g、p三个参数，网格搜索的候选点数量是立方级增长的，计算量直接爆炸。这时候可以试试智能优化算法。
我试过用粒子群算法同时优化c、g、p这三个参数，目标函数仍然是交叉验证MSE。粒子群的好处是候选点集中在有希望的区域，收敛速度明显快于网格搜索，坏处是结果有一定随机性，每次运行得到的最优参数不完全一样，需要固定随机种子或者多次运行取最好结果。如果追求完全可复现，网格搜索仍然是最稳的选择。
贝叶斯优化是另一种思路，它根据历史评估结果建立概率代理模型，用采集函数决定下一个评估点，在参数维度不高时表现非常好。MATLAB自带bayesopt函数可以直接用，只是要包一层目标函数，让它在内部调用libsvm的svmtrain。
6.4 关于训练集和测试集切分的额外建议
时间序列数据和普通表格数据有个本质区别：不能随机打乱后切分，否则测试集中混入了训练集时间段附近的数据，预测难度会被严重低估。正确做法是按时间顺序切分，比如用前80%的时间段做训练，后20%做测试。
这样切分后还有一个常见问题：如果测试集恰好落在负荷水平整体偏高的夏季，而训练集以春秋季为主，模型风格会有偏移。一个能缓解这个问题的做法是，从训练集里划出一部分作为验证集，在寻优和训练阶段都尽量保证训练集与验证集的季节分布相对一致，再通过滚动窗口逐渐外推预测。
我个人在实际项目中，习惯把近一周的数据留出来做最终评估，再往前的数据用于交叉验证寻优。这样可以避免寻优阶段反复参考测试数据，保证最后那一个星期的评估结果真正反映模型在未知数据上的表现。
6.5 一个小技巧：如何让SVR预测结果可解释
SVR作为非线性模型，解释性天然不如线性回归，但有一个简单方法可以帮助理解模型究竟学到了什么：特征重要性的粗略分析。做法是每次剔除一个特征，重新训练和预测，观察MAPE的变化幅度。变化越大，说明该特征对预测越重要。这个方法虽然简单粗暴，但对于向领导汇报模型原理、或者决定后续数据采集重点方向时非常有用。
我在一次项目里用这个方法发现，温度特征对MAPE的影响仅次于前一天同时刻负荷，这促使我们在数据采集中补充了更精确的温度预报值，后续预测精度又提升了一些。
