SVM回归预测分析，单输入，单输出。 时间序列。 Matlab作图，预测电力负荷，数据来源于电工杯， 代码注释清晰，替换数据即可。 。

电力负荷预测这事儿看着玄乎，其实用SVM回归搞起来挺带劲。咱们今天直接拿电工杯的数据开刀，手把手整一套能直接套用的Matlab代码。先甩个效果图镇楼——真实负荷曲线和预测曲线叠在一起，那贴合度看得老工程师直呼内行。

数据预处理这块最容易翻车。电工杯给的时间序列通常是15分钟间隔的负荷数据，咱们得先给它收拾利索了：

% 读取数据（记得把jdb_data.mat换成你的数据文件）
load('jdb_data.mat'); 
load_data = jdb(:,2); % 假设第二列是负荷值

% 时间戳生成（按实际采样间隔调整）
time = (1:length(load_data))'; 

% 数据归一化 - 重要！防止数值爆炸
[inputData, inputSettings] = mapminmax(load_data');
inputData = inputData'; % 转置回来保持列向量

归一化这步千万别省，SVM对数据尺度敏感得很。这里用mapminmax函数把数据压到[-1,1]区间，记得保存归一化参数inputSettings，后面预测时候要用来反归一化。

模型训练环节要有点耐心，kernel选RBF核效果比较稳：

% 划分训练集和测试集（前80%训练）
train_ratio = 0.8;
split_point = floor(length(inputData)*train_ratio);

% 构建输入输出矩阵（单输入单输出）
X = time(1:split_point);
y = inputData(1:split_point);

% 训练SVM回归模型
svm_model = fitrsvm(X, y, 'KernelFunction','rbf',...
    'KernelScale','auto', 'BoxConstraint',100);

这里BoxConstraint参数相当于正则化强度，初次跑可以先设100，后面再调。训练完用命令行敲svm_model回车，能看到核参数、支持向量数量这些关键信息。

预测阶段要特别注意数据反归一化：

% 全量数据预测
[all_pred, score] = predict(svm_model, time);

% 反归一化操作
real_pred = mapminmax('reverse', all_pred', inputSettings)';

% 结果可视化
figure('Color',[1 1 1])
plot(jdb(:,2),'b','LineWidth',1.5) % 原始数据
hold on
plot(real_pred,'r--','LineWidth',1.2) % 预测曲线
legend('实际负荷','预测负荷')
title('电力负荷预测效果')
xlabel('时间点/15分钟')
ylabel('标准化负荷')
grid on

注意预测时是用整个时间序列作为输入，实际应用时应该用滚动预测，这里简化处理了。红色虚线要是和蓝色实线贴得不够紧，回去把KernelScale参数改成手动调，或者试试多项式核。

误差分析不能只靠肉眼，上硬指标：

% 计算测试集误差
test_pred = real_pred(split_point+1:end);
test_real = jdb(split_point+1:end,2);

RMSE = sqrt(mean((test_pred - test_real).^2));
MAE = mean(abs(test_pred - test_real));

fprintf('测试集RMSE:%.2f kW, MAE:%.2f kW\n', RMSE, MAE);

正常来说MAE控制在3%以内算合格。如果误差太大，试试这两个骚操作：1. 加入温度、日期类型作为额外特征（虽然题目是单输入）；2. 用变分模态分解(VMD)先把负荷数据拆成不同频率分量，对各分量单独建模。

最后说个坑：时间序列预测切忌打乱数据顺序！有些新手为了交叉验证把数据shuffle了，结果模型直接学废。保存好时间戳的连续性，SVM才能捕捉到负荷变化的时序规律。

完整代码已经封装成函数，替换你自己的数据就能跑。要是预测效果突然抽风，检查下是不是节假日数据没做特殊处理，或者碰上电网故障的特殊时段——这时候得祭出异常检测大法，不过那就是另一个故事了。