做短期电力负荷预测也有几年了各类模型折腾一圈之后最后留在生产环境里的反而是这个看上去不算新的组合VMD变分模态分解 LSSVM最小二乘支持向量机。同组同事一开始还调侃这套组合太传统但真跑完对比实验后倒是它把预测精度稳定推到了单模型很难达到的水平MAPE这类评价指标确实比直接建模漂亮不少。如果你现在也在做负荷预测正被这几种情况困扰原始序列非平稳、训练数据量不大但想拿更高的精度、试过LSTM/Transformer却因为调参成本太高而没法落地那这篇内容应该对你有用。我会按实际做项目的思路完整走一遍从负荷序列本身的特征讲起再说VMD为什么能帮上忙、LSSVM为什么是合适的预测器最后把完整的复现流程和踩坑经验一并整理出来。1. 负荷序列为什么难预测藏在规律和噪声之间的根本矛盾短期电力负荷预测的核心难点并不在于模型不够强而在于负荷序列本身就是多个时间尺度信号的叠加体。把一个月的负荷曲线画出来你会看到看似有规律、但处处不平滑的波形每天有早高峰晚高峰工作日和周末有明显差别夏季受气温拉动明显遇到节假日又会出现断层式波动。用信号处理的话说这就是典型的非平稳、非线性、多尺度耦合序列。1.1 三个让模型顾此失彼的序列特征先说非平稳性。负荷序列的均值、方差会随时间漂移——工厂开工率变化、极端天气、电价政策调整都会让整条曲线平移或伸缩。非平稳意味着训练集和测试集的统计分布很可能不一致这也是很多模型在验证集上表现不错、一到实际预测就掉链子的原因之一。再说非线性。负荷与温度、湿度、人行为之间的关系远不是简单线性相加。比如空调负荷在某个温度阈值附近才会快速上升这是一段明显的非线性和阈值效应又比如工作日清晨的负荷上升速率和周末完全不一样。这类关系靠线性模型或简单回归很难刻画。最后是多尺度耦合。负荷信号里同时混着分钟级的高频毛刺、小时级的波动、天级的周期性以及季节级的趋势。如果直接把这些不同尺度的成分揉在一起交给模型模型一方面要学趋势一方面要学周期还要应对高频噪声的干扰任务太杂学出来往往两头不讨好。1.2 直接建模的真实困境模型要同时干太多活早期我习惯把原始负荷序列直接喂给LSSVM或者BP神经网络做回归。结果问题是比较典型的损失函数一直在震荡训练过程不稳定预测曲线整体形状大致对但峰值经常被削平谷值被抬高看起来有一种平均化倾向。根子就在于高频随机成分会不断拉高损失函数的波动而低频趋势和周期成分又需要模型有足够的记忆去捕捉。这两件事放在同一个目标函数里优化很容易互相干扰。你加大正则化想让曲线平滑周期细节又丢了你放开拟合能力高频噪声又被学进来了。所以行业里才会形成先分解、后预测的共识这也是VMD-LSSVM这套组合能发挥作用的前提。2. VMD变分模态分解把复杂负荷信号拆成可预测的零件VMD全称Variational Mode Decomposition中文常叫变分模态分解。它的目标是把一个复杂信号分解成若干个围绕各自中心频率的窄带模态分量。和之前的经验模态分解EMD相比最大的不同是VMD把一个分解动作重新定义成了一个变分问题的求解过程数学上更规范在实际预测场景里也更稳定。2.1 VMD的核心思想从层层剥离到全局优化VMD要解决的问题可以这样理解假设原始信号是一道混合了多种食材的汤EMD像用滤网一层层捞容易捞不干净VMD则是一次性地、全局地分配哪些频段归哪个模态让K个模态加起来能还原原信号同时每个模态的带宽尽量窄、中心频率尽量分开。它的优化目标包含两个约束一是所有模态分量之和要等于原始信号二是各模态的估计带宽之和要最小。求解过程借助交替方向乘子法迭代完成。实际效果就是得到一组相对平稳的子序列每个子序列都有明确的中心频率和有限带宽相互之间不容易互相污染。2.2 VMD和EMD的关键差异为什么EMD在负荷预测里不那么好用EMD采用递归方式提取本征模态函数IMF一层层从高频到低频剥离。问题是递归提取对极值点非常敏感负荷序列里的毛刺和噪声很容易让包络估计出错进而出现模态混叠——同一个IMF里既有高频又有低频或者一个真实成分被拆到好几个IMF里。VMD用全局变分优化替代递归筛选相当于把拍脑袋找包络换成了解一个带约束的最优化问题模态之间的频率重叠明显减少对噪声的鲁棒性也更好。这一点在做负荷预测时很关键因为负荷数据本身是有噪声的如果分解环节就把噪声混进了趋势模态后面LSSVM再怎么调参也很难救回来。另外还有一点VMD的层数K可以由使用者预先设定。K选得合理趋势、日周期、周周期、随机扰动就能各归其位选得太大会分解出虚假模态选得太小不同成分又分不开。到底怎么定K我会在第4节详细讲实操。3. 为什么用LSSVM做预测器小样本场景下它比深度模型更可靠VMD负责拆后面的预测环节我选了LSSVMLeast Squares Support Vector Machine最小二乘支持向量机。很多朋友第一反应是既然都做时序预测了为什么不上LSTM、GRU甚至Transformer我的回答是看数据量看任务规模看落地成本。3.1 小样本核方法在负荷预测中的适配性短期负荷预测虽然看上去很时序但本质上是一个小样本回归问题。尤其是在区域级、设备级场景里可用的完整历史数据可能只有几个月到一两年小时级采样也不过几千个样本点。深度模型在这个量级下很容易过拟合训练过程也经常因为学习率、层数、注意力头数等超参数太多而变得难以控制。LSSVM是SVM的一个变体典型的核方法模型在小样本条件下有很扎实的数学基础求解有全局最优解不存在神经网络常见的局部极小值问题。它的训练超参数少落地时主要调两个参数即可工程上非常友好。对电力负荷预测这种数据量不大、但规律相对清晰的问题它其实是性价比很高的选择。3.2 LSSVM的数学结构SVM的简化版本但更高效LSSVM和SVM的核心区别在约束条件和损失函数上。原始SVM回归求解的是一个带不等式约束的二次规划问题计算成本偏高。LSSVM把不等式约束改成等式约束同时把误差项的L1范数换成平方误差L2损失目标函数变成了目标最小化 ( \frac{1}{2} w^T w \frac{\gamma}{2} \sum e_i^2 )约束( y_i w^T φ(x_i) b e_i )其中γ是正则化参数( e_i ) 是预测误差。通过拉格朗日乘子法最终把求解问题化简为一个线性方程组KKT系统直接解方程组就能得到模型参数。相比SVM的二次规划求解速度提升明显。特征映射通过核函数隐式完成。做负荷预测时我最常用的是RBF高斯核( k(x, y) exp(-||x-y||^2 / 2σ^2) )。RBF核能刻画非线性关系且只需要调节一个带宽参数σ特别适合负荷序列里那种时而陡峭、时而平缓的回归曲线。3.3 分而治之的实际收益为什么分解后再预测能整体提精度VMD分解后每个模态分量都比原始负荷序列更平稳、更规律低频趋势项非常平滑LSSVM很容易拟合准确周期项有明确的准周期特征核方法对这种结构很敏感高频项波动大、难以精确预测但它占整体能量比例很小带来的误差贡献也有限。我把这种策略概括为把难任务拆成多个简单任务。对每个模态单独做归一化、单独训练LSSVM、单独预测最后把预测结果直接叠加重构回负荷序列。整个过程既保留了单模型的可解释性又把整体误差压下来了。实测下来MAPE确实比直接LSSVM低一个级别。4. VMD-LSSVM完整流程复现从原始负荷数据到预测曲线下面按实际操作顺序走一遍流程。我这里以小时级采样、预测未来24小时为例展开15分钟级或30分钟级数据的处理逻辑是一样的只是参数上要对应调整。4.1 数据清洗和训练集/测试集划分拿到数据后第一件事是质量检查这一步会直接影响最终精度缺失值处理短间隔缺失用前后值线性插值长间隔缺失尽量用同时刻的历史均值补齐异常值处理负荷突然变成0、或者连续多个时间点数值完全一样基本都是坏数据需要标记并用邻域中位数替换时间索引修正确保数据严格按时间顺序排列没有重复时间戳。归一化建议用训练集统计、测试集应用的方式只基于训练集计算均值和标准差再把这个均值和标准差应用到测试集。我见过不少人在全量数据上算归一化参数结果测试信息提前泄漏到训练过程中评估出来的精度虚高。这个问题后面还会再提到。4.2 VMD分解参数设置与K值选择分解时最重要的参数是模态数K其次是惩罚因子α。给一个常见的起始配置K5 ~ 6小时级数据常用α惩罚因子2000默认值通常可用τ噪声容忍度0DC直流分量0不考虑趋势直流偏移时用Falseinit中心频率初始化统一初始化为0K怎么定我的经验是先从K5开始分解然后画各模态的频谱图如果发现有两个相邻模态的中心频率非常接近、频谱重叠严重把K调大1如果发现某个模态拖尾很长、没有清晰主峰说明K偏大出现了虚假分解减1同时检查重构误差VMD分解后的信号和原始信号之间的误差很小如果大说明约束条件没设置对。这个方法看起来粗糙实际用下来比遍历K值找最优高效得多。负荷预测不是信号处理竞赛分解出来的分量只要语义清晰、便于后续建模就够了。4.3 每个模态怎么建模输入特征构造和多步预测策略分解完成后K个模态各训练一个LSSVM。这里的输入特征按滞后窗口构造用过去24个时刻的负荷值预测未来1个时刻的负荷值即多输入单输出回归。模型表达式大致是[ \hat{x}{t1} f{LSSVM}(x_t, x_{t-1}, \dots, x_{t-23}) ]对于未来24小时的预测有两种常用路线滚动单步预测预测出 ( \hat{x}{t1} ) 后把它拼进输入窗口继续预测 ( \hat{x}{t2} )。好处是只用单步模型简单直接坏处是误差会逐步累积预测步长越大越偏。直接多步输出模型输出维度设为24一次性预测未来24个点。优点是快不会累积误差但各预测点之间的相关性没有被显式建模。我实测下来VMD-LSSVM更适合滚动单步预测。因为模态被分解后趋势和周期成分非常规律单步预测精度很高滚动几步后误差累积也远低于直接LSSVM的累积。高频模态可能预测不太准但它本身占比不大最终叠加回去对整体影响有限。另外每个模态建议单独归一化而不是所有模态共用一组归一化参数。单独归一化能让高频小振幅模态在模型里获得足够权重不至于因为数值太小被忽略。4.4 重构叠加的关键步骤各模态预测完成后最后一步是把K个预测序列逐点相加再对结果做反归一化。这里有三个细节值得留意如果在训练前分别对每个模态做了归一化预测得到的每个模态结果也要各自反归一化再相加高频模态预测结果如果有明显抖动可以在叠加前做一次轻度的滑动平均平滑但不要过度平滑否则会把真实突变滤掉统一输出索引各模态可能在滚动预测过程中产生长度不一致的结果叠加前务必对齐时间轴。叠加完成后把预测曲线和真实曲线画在一起能看出整体走势是否贴合尤其是峰值和谷值是否复现这是最直观的检验方式。5. 实测精度与参数调优那些让结果从还行到很顶的细节先给一个典型的实测对照结果。差不多规模的数据集上我做过的一个小时级负荷数据实验约800天历史数据预测未来24小时直接LSSVM的MAPE大概在3%左右先VMD分解成5个模态、每个模态单独LSSVM、再叠加重构MAPE能降到1.5%以下。这个提升幅度不是玄学本质是因为每个模态的学习难度都降低了。5.1 LSSVM超参数搜索γ和σ怎么定才靠谱LSSVM主要调两个参数γ正则化参数控制训练误差和模型复杂度之间的平衡。γ太小模型过于宽松拟合不足γ太大模型过于自信会放大噪声。一般搜索范围[1, 10000]。σ²RBF核宽度控制核函数的作用范围。σ²太小核函数衰减太快模型容易过拟合σ²太大模型过于平滑连周期特征都学不出来。常见搜索范围[0.01, 100]。实际操作中我在每个模态上分别做网格搜索用5折交叉验证选最优参数。很多研究论文为了省事对所有模态用同一组参数但实测发现不同模态的最优参数差异挺明显的——高频模态对σ²更敏感低频趋势模态对γ更敏感。分开调参的收益很直接。5.2 输入时窗长度并不是越长越好时窗长度M是个容易被忽略的参数。负荷数据有明确的日周期性所以M至少要覆盖一个完整周期小时级数据即M≥24。但M也不是越大越好输入过长会把几十小时前的变化也拉进来引入不必要的噪声反而把近期趋势的权重稀释了。我一般按一个周期 少量冗余来取小时级数据取M24或M4815分钟级数据取M96或M192。如果你想省事也可以做一个简单的选择分别试M24, 48, 72画预测误差对比曲线。这个方法最笨也最不容易出错。5.3 外生变量的引入进一步提升精度的方向如果基础VMD-LSSVM效果已经不错还想要更高精度可以考虑在LSSVM的输入特征中引入外生变量。短期负荷预测里比较常用的外生特征包括预测时刻对应的星期几0~6用于区分工作日与周末是否节假日标记预测时刻的气温、湿度尤其是夏季和冬季气温影响显著峰谷时段标记比如是否为早高峰时段。加入外生变量后的输入特征不再是单纯的滞后负荷序列而是滞后负荷 日历特征 气象特征的组合。此时其他处理流程不变VMD仍然只对目标负荷序列进行分解外生变量直接作为各模态LSSVM的附加输入。实测中加入星期几和节假日标记后MAPE往往还能再降0.2~0.3个百分点。6. 实测中的踩坑与应对建议这一节整理几个容易出现但又比较隐蔽的问题基本都是我在实际项目中踩过之后才总结出来的经验。6.1 K值选择的宁少勿多K值是最容易拍脑袋的参数。有些文章一上来就说K10效果好但那是他们数据场景下的最优值。换一套数据K10很可能分解出一堆没有物理意义的伪模态分量的中心频率挤在一起反而让模型学习难度变大。我的原则是宁少勿多。K4或K5对大多数负荷序列来说足够用了。判断标准也很简单K不够时趋势和周期会混在一个模态里预测曲线在拐点处容易出现系统性偏差K过大时某个模态会呈现明显的白噪声特征频谱拖尾严重。用验证集预测误差辅助选择K比盯着重构误差可靠得多。重构误差小不代表分解得好因为分解结果可能只是把噪声也拟合进去了。6.2 数据泄漏最隐蔽的精度注水这是很多入门者容易忽略的问题。除了前面提到的归一化泄漏还有一类泄漏来自VMD分解本身如果在包含测试段的数据上做完整的VMD分解再切分训练测试集分解过程中已经用到了测试段的信息。解决方法是先切分再对训练段单独做VMD分解预测测试段时用训练段的分解参数和边界条件来辅助。实际处理中也可以用滚动窗口方式对测试段逐步分解保证每一步只用到历史信息。泄漏一旦发生验证集指标会非常好看但上线预测立刻原形毕露。每次出精度报告之前先自检一遍归一化参数来自哪里、分解时是否用到了未来数据、外生变量的滞后是否符合真实预测时的信息可用性。6.3 端点效应预测起始段的偏差偏大VMD在信号两端存在边界效应。尤其是信号左端因为迭代求解时有限长度截断会导致模态估计在端点处不准确。反映到预测上就是预测曲线开头几个点的偏差往往比中段大。我的做法是分解前对序列两端做镜像延拓在原始序列左右各延拓一部分延拓长度一般取K×2个采样点。分解完成后截掉延拓部分这样能明显减小两端误差。这个方法改动很小但收益很稳定。6.4 高频模态要不要硬扛高频模态预测精度通常最差因为它的随机成分最强。试过很多方法后我的态度是不硬扛也不直接丢掉。硬扛的常见操作是给它配一个特别复杂的模型但效果并不好直接丢掉的后果是重构后的曲线过于平滑负荷突变处会滞后。合理的折中方案是对高频模态用较小的时窗长度、较宽的核函数参数允许它有一定平滑度然后靠叠加重构时各模态之间的互补来平衡整体误差。毕竟高频模态占负荷总量比例很低即使它预测误差偏大对整体MAPE的影响也有限。整套VMD-LSSVM方案跑熟之后你会发现它最大的价值并不是某个单点的技巧而是把复杂问题拆解成一个个可以控制、可以校验的小环节。每个环节都不难组合起来却能在预测精度上获得肉眼可见的提升。后面我还会继续在VMD层数的自适应确定、多步预测误差补偿这两个方向上做测试等有稳定的结果再补充分享。
VMD+LSSVM组合实现高精度短期电力负荷预测实践指南
做短期电力负荷预测也有几年了各类模型折腾一圈之后最后留在生产环境里的反而是这个看上去不算新的组合VMD变分模态分解 LSSVM最小二乘支持向量机。同组同事一开始还调侃这套组合太传统但真跑完对比实验后倒是它把预测精度稳定推到了单模型很难达到的水平MAPE这类评价指标确实比直接建模漂亮不少。如果你现在也在做负荷预测正被这几种情况困扰原始序列非平稳、训练数据量不大但想拿更高的精度、试过LSTM/Transformer却因为调参成本太高而没法落地那这篇内容应该对你有用。我会按实际做项目的思路完整走一遍从负荷序列本身的特征讲起再说VMD为什么能帮上忙、LSSVM为什么是合适的预测器最后把完整的复现流程和踩坑经验一并整理出来。1. 负荷序列为什么难预测藏在规律和噪声之间的根本矛盾短期电力负荷预测的核心难点并不在于模型不够强而在于负荷序列本身就是多个时间尺度信号的叠加体。把一个月的负荷曲线画出来你会看到看似有规律、但处处不平滑的波形每天有早高峰晚高峰工作日和周末有明显差别夏季受气温拉动明显遇到节假日又会出现断层式波动。用信号处理的话说这就是典型的非平稳、非线性、多尺度耦合序列。1.1 三个让模型顾此失彼的序列特征先说非平稳性。负荷序列的均值、方差会随时间漂移——工厂开工率变化、极端天气、电价政策调整都会让整条曲线平移或伸缩。非平稳意味着训练集和测试集的统计分布很可能不一致这也是很多模型在验证集上表现不错、一到实际预测就掉链子的原因之一。再说非线性。负荷与温度、湿度、人行为之间的关系远不是简单线性相加。比如空调负荷在某个温度阈值附近才会快速上升这是一段明显的非线性和阈值效应又比如工作日清晨的负荷上升速率和周末完全不一样。这类关系靠线性模型或简单回归很难刻画。最后是多尺度耦合。负荷信号里同时混着分钟级的高频毛刺、小时级的波动、天级的周期性以及季节级的趋势。如果直接把这些不同尺度的成分揉在一起交给模型模型一方面要学趋势一方面要学周期还要应对高频噪声的干扰任务太杂学出来往往两头不讨好。1.2 直接建模的真实困境模型要同时干太多活早期我习惯把原始负荷序列直接喂给LSSVM或者BP神经网络做回归。结果问题是比较典型的损失函数一直在震荡训练过程不稳定预测曲线整体形状大致对但峰值经常被削平谷值被抬高看起来有一种平均化倾向。根子就在于高频随机成分会不断拉高损失函数的波动而低频趋势和周期成分又需要模型有足够的记忆去捕捉。这两件事放在同一个目标函数里优化很容易互相干扰。你加大正则化想让曲线平滑周期细节又丢了你放开拟合能力高频噪声又被学进来了。所以行业里才会形成先分解、后预测的共识这也是VMD-LSSVM这套组合能发挥作用的前提。2. VMD变分模态分解把复杂负荷信号拆成可预测的零件VMD全称Variational Mode Decomposition中文常叫变分模态分解。它的目标是把一个复杂信号分解成若干个围绕各自中心频率的窄带模态分量。和之前的经验模态分解EMD相比最大的不同是VMD把一个分解动作重新定义成了一个变分问题的求解过程数学上更规范在实际预测场景里也更稳定。2.1 VMD的核心思想从层层剥离到全局优化VMD要解决的问题可以这样理解假设原始信号是一道混合了多种食材的汤EMD像用滤网一层层捞容易捞不干净VMD则是一次性地、全局地分配哪些频段归哪个模态让K个模态加起来能还原原信号同时每个模态的带宽尽量窄、中心频率尽量分开。它的优化目标包含两个约束一是所有模态分量之和要等于原始信号二是各模态的估计带宽之和要最小。求解过程借助交替方向乘子法迭代完成。实际效果就是得到一组相对平稳的子序列每个子序列都有明确的中心频率和有限带宽相互之间不容易互相污染。2.2 VMD和EMD的关键差异为什么EMD在负荷预测里不那么好用EMD采用递归方式提取本征模态函数IMF一层层从高频到低频剥离。问题是递归提取对极值点非常敏感负荷序列里的毛刺和噪声很容易让包络估计出错进而出现模态混叠——同一个IMF里既有高频又有低频或者一个真实成分被拆到好几个IMF里。VMD用全局变分优化替代递归筛选相当于把拍脑袋找包络换成了解一个带约束的最优化问题模态之间的频率重叠明显减少对噪声的鲁棒性也更好。这一点在做负荷预测时很关键因为负荷数据本身是有噪声的如果分解环节就把噪声混进了趋势模态后面LSSVM再怎么调参也很难救回来。另外还有一点VMD的层数K可以由使用者预先设定。K选得合理趋势、日周期、周周期、随机扰动就能各归其位选得太大会分解出虚假模态选得太小不同成分又分不开。到底怎么定K我会在第4节详细讲实操。3. 为什么用LSSVM做预测器小样本场景下它比深度模型更可靠VMD负责拆后面的预测环节我选了LSSVMLeast Squares Support Vector Machine最小二乘支持向量机。很多朋友第一反应是既然都做时序预测了为什么不上LSTM、GRU甚至Transformer我的回答是看数据量看任务规模看落地成本。3.1 小样本核方法在负荷预测中的适配性短期负荷预测虽然看上去很时序但本质上是一个小样本回归问题。尤其是在区域级、设备级场景里可用的完整历史数据可能只有几个月到一两年小时级采样也不过几千个样本点。深度模型在这个量级下很容易过拟合训练过程也经常因为学习率、层数、注意力头数等超参数太多而变得难以控制。LSSVM是SVM的一个变体典型的核方法模型在小样本条件下有很扎实的数学基础求解有全局最优解不存在神经网络常见的局部极小值问题。它的训练超参数少落地时主要调两个参数即可工程上非常友好。对电力负荷预测这种数据量不大、但规律相对清晰的问题它其实是性价比很高的选择。3.2 LSSVM的数学结构SVM的简化版本但更高效LSSVM和SVM的核心区别在约束条件和损失函数上。原始SVM回归求解的是一个带不等式约束的二次规划问题计算成本偏高。LSSVM把不等式约束改成等式约束同时把误差项的L1范数换成平方误差L2损失目标函数变成了目标最小化 ( \frac{1}{2} w^T w \frac{\gamma}{2} \sum e_i^2 )约束( y_i w^T φ(x_i) b e_i )其中γ是正则化参数( e_i ) 是预测误差。通过拉格朗日乘子法最终把求解问题化简为一个线性方程组KKT系统直接解方程组就能得到模型参数。相比SVM的二次规划求解速度提升明显。特征映射通过核函数隐式完成。做负荷预测时我最常用的是RBF高斯核( k(x, y) exp(-||x-y||^2 / 2σ^2) )。RBF核能刻画非线性关系且只需要调节一个带宽参数σ特别适合负荷序列里那种时而陡峭、时而平缓的回归曲线。3.3 分而治之的实际收益为什么分解后再预测能整体提精度VMD分解后每个模态分量都比原始负荷序列更平稳、更规律低频趋势项非常平滑LSSVM很容易拟合准确周期项有明确的准周期特征核方法对这种结构很敏感高频项波动大、难以精确预测但它占整体能量比例很小带来的误差贡献也有限。我把这种策略概括为把难任务拆成多个简单任务。对每个模态单独做归一化、单独训练LSSVM、单独预测最后把预测结果直接叠加重构回负荷序列。整个过程既保留了单模型的可解释性又把整体误差压下来了。实测下来MAPE确实比直接LSSVM低一个级别。4. VMD-LSSVM完整流程复现从原始负荷数据到预测曲线下面按实际操作顺序走一遍流程。我这里以小时级采样、预测未来24小时为例展开15分钟级或30分钟级数据的处理逻辑是一样的只是参数上要对应调整。4.1 数据清洗和训练集/测试集划分拿到数据后第一件事是质量检查这一步会直接影响最终精度缺失值处理短间隔缺失用前后值线性插值长间隔缺失尽量用同时刻的历史均值补齐异常值处理负荷突然变成0、或者连续多个时间点数值完全一样基本都是坏数据需要标记并用邻域中位数替换时间索引修正确保数据严格按时间顺序排列没有重复时间戳。归一化建议用训练集统计、测试集应用的方式只基于训练集计算均值和标准差再把这个均值和标准差应用到测试集。我见过不少人在全量数据上算归一化参数结果测试信息提前泄漏到训练过程中评估出来的精度虚高。这个问题后面还会再提到。4.2 VMD分解参数设置与K值选择分解时最重要的参数是模态数K其次是惩罚因子α。给一个常见的起始配置K5 ~ 6小时级数据常用α惩罚因子2000默认值通常可用τ噪声容忍度0DC直流分量0不考虑趋势直流偏移时用Falseinit中心频率初始化统一初始化为0K怎么定我的经验是先从K5开始分解然后画各模态的频谱图如果发现有两个相邻模态的中心频率非常接近、频谱重叠严重把K调大1如果发现某个模态拖尾很长、没有清晰主峰说明K偏大出现了虚假分解减1同时检查重构误差VMD分解后的信号和原始信号之间的误差很小如果大说明约束条件没设置对。这个方法看起来粗糙实际用下来比遍历K值找最优高效得多。负荷预测不是信号处理竞赛分解出来的分量只要语义清晰、便于后续建模就够了。4.3 每个模态怎么建模输入特征构造和多步预测策略分解完成后K个模态各训练一个LSSVM。这里的输入特征按滞后窗口构造用过去24个时刻的负荷值预测未来1个时刻的负荷值即多输入单输出回归。模型表达式大致是[ \hat{x}{t1} f{LSSVM}(x_t, x_{t-1}, \dots, x_{t-23}) ]对于未来24小时的预测有两种常用路线滚动单步预测预测出 ( \hat{x}{t1} ) 后把它拼进输入窗口继续预测 ( \hat{x}{t2} )。好处是只用单步模型简单直接坏处是误差会逐步累积预测步长越大越偏。直接多步输出模型输出维度设为24一次性预测未来24个点。优点是快不会累积误差但各预测点之间的相关性没有被显式建模。我实测下来VMD-LSSVM更适合滚动单步预测。因为模态被分解后趋势和周期成分非常规律单步预测精度很高滚动几步后误差累积也远低于直接LSSVM的累积。高频模态可能预测不太准但它本身占比不大最终叠加回去对整体影响有限。另外每个模态建议单独归一化而不是所有模态共用一组归一化参数。单独归一化能让高频小振幅模态在模型里获得足够权重不至于因为数值太小被忽略。4.4 重构叠加的关键步骤各模态预测完成后最后一步是把K个预测序列逐点相加再对结果做反归一化。这里有三个细节值得留意如果在训练前分别对每个模态做了归一化预测得到的每个模态结果也要各自反归一化再相加高频模态预测结果如果有明显抖动可以在叠加前做一次轻度的滑动平均平滑但不要过度平滑否则会把真实突变滤掉统一输出索引各模态可能在滚动预测过程中产生长度不一致的结果叠加前务必对齐时间轴。叠加完成后把预测曲线和真实曲线画在一起能看出整体走势是否贴合尤其是峰值和谷值是否复现这是最直观的检验方式。5. 实测精度与参数调优那些让结果从还行到很顶的细节先给一个典型的实测对照结果。差不多规模的数据集上我做过的一个小时级负荷数据实验约800天历史数据预测未来24小时直接LSSVM的MAPE大概在3%左右先VMD分解成5个模态、每个模态单独LSSVM、再叠加重构MAPE能降到1.5%以下。这个提升幅度不是玄学本质是因为每个模态的学习难度都降低了。5.1 LSSVM超参数搜索γ和σ怎么定才靠谱LSSVM主要调两个参数γ正则化参数控制训练误差和模型复杂度之间的平衡。γ太小模型过于宽松拟合不足γ太大模型过于自信会放大噪声。一般搜索范围[1, 10000]。σ²RBF核宽度控制核函数的作用范围。σ²太小核函数衰减太快模型容易过拟合σ²太大模型过于平滑连周期特征都学不出来。常见搜索范围[0.01, 100]。实际操作中我在每个模态上分别做网格搜索用5折交叉验证选最优参数。很多研究论文为了省事对所有模态用同一组参数但实测发现不同模态的最优参数差异挺明显的——高频模态对σ²更敏感低频趋势模态对γ更敏感。分开调参的收益很直接。5.2 输入时窗长度并不是越长越好时窗长度M是个容易被忽略的参数。负荷数据有明确的日周期性所以M至少要覆盖一个完整周期小时级数据即M≥24。但M也不是越大越好输入过长会把几十小时前的变化也拉进来引入不必要的噪声反而把近期趋势的权重稀释了。我一般按一个周期 少量冗余来取小时级数据取M24或M4815分钟级数据取M96或M192。如果你想省事也可以做一个简单的选择分别试M24, 48, 72画预测误差对比曲线。这个方法最笨也最不容易出错。5.3 外生变量的引入进一步提升精度的方向如果基础VMD-LSSVM效果已经不错还想要更高精度可以考虑在LSSVM的输入特征中引入外生变量。短期负荷预测里比较常用的外生特征包括预测时刻对应的星期几0~6用于区分工作日与周末是否节假日标记预测时刻的气温、湿度尤其是夏季和冬季气温影响显著峰谷时段标记比如是否为早高峰时段。加入外生变量后的输入特征不再是单纯的滞后负荷序列而是滞后负荷 日历特征 气象特征的组合。此时其他处理流程不变VMD仍然只对目标负荷序列进行分解外生变量直接作为各模态LSSVM的附加输入。实测中加入星期几和节假日标记后MAPE往往还能再降0.2~0.3个百分点。6. 实测中的踩坑与应对建议这一节整理几个容易出现但又比较隐蔽的问题基本都是我在实际项目中踩过之后才总结出来的经验。6.1 K值选择的宁少勿多K值是最容易拍脑袋的参数。有些文章一上来就说K10效果好但那是他们数据场景下的最优值。换一套数据K10很可能分解出一堆没有物理意义的伪模态分量的中心频率挤在一起反而让模型学习难度变大。我的原则是宁少勿多。K4或K5对大多数负荷序列来说足够用了。判断标准也很简单K不够时趋势和周期会混在一个模态里预测曲线在拐点处容易出现系统性偏差K过大时某个模态会呈现明显的白噪声特征频谱拖尾严重。用验证集预测误差辅助选择K比盯着重构误差可靠得多。重构误差小不代表分解得好因为分解结果可能只是把噪声也拟合进去了。6.2 数据泄漏最隐蔽的精度注水这是很多入门者容易忽略的问题。除了前面提到的归一化泄漏还有一类泄漏来自VMD分解本身如果在包含测试段的数据上做完整的VMD分解再切分训练测试集分解过程中已经用到了测试段的信息。解决方法是先切分再对训练段单独做VMD分解预测测试段时用训练段的分解参数和边界条件来辅助。实际处理中也可以用滚动窗口方式对测试段逐步分解保证每一步只用到历史信息。泄漏一旦发生验证集指标会非常好看但上线预测立刻原形毕露。每次出精度报告之前先自检一遍归一化参数来自哪里、分解时是否用到了未来数据、外生变量的滞后是否符合真实预测时的信息可用性。6.3 端点效应预测起始段的偏差偏大VMD在信号两端存在边界效应。尤其是信号左端因为迭代求解时有限长度截断会导致模态估计在端点处不准确。反映到预测上就是预测曲线开头几个点的偏差往往比中段大。我的做法是分解前对序列两端做镜像延拓在原始序列左右各延拓一部分延拓长度一般取K×2个采样点。分解完成后截掉延拓部分这样能明显减小两端误差。这个方法改动很小但收益很稳定。6.4 高频模态要不要硬扛高频模态预测精度通常最差因为它的随机成分最强。试过很多方法后我的态度是不硬扛也不直接丢掉。硬扛的常见操作是给它配一个特别复杂的模型但效果并不好直接丢掉的后果是重构后的曲线过于平滑负荷突变处会滞后。合理的折中方案是对高频模态用较小的时窗长度、较宽的核函数参数允许它有一定平滑度然后靠叠加重构时各模态之间的互补来平衡整体误差。毕竟高频模态占负荷总量比例很低即使它预测误差偏大对整体MAPE的影响也有限。整套VMD-LSSVM方案跑熟之后你会发现它最大的价值并不是某个单点的技巧而是把复杂问题拆解成一个个可以控制、可以校验的小环节。每个环节都不难组合起来却能在预测精度上获得肉眼可见的提升。后面我还会继续在VMD层数的自适应确定、多步预测误差补偿这两个方向上做测试等有稳定的结果再补充分享。
