简介：面向电力市场量化研究者与机器学习初学者，这份资源聚焦SVM在短期发电市场电价方向预测中的应用。作者基于欧洲能源交易所（EEX）德国与奥地利控制区的Phelix日价格指数，构建自回归SVM模型，并引入多种相关变量进行增强，在200天测试窗口内取得76.12%的预测准确率，完整呈现了从特征构造、模型训练到误差评估的流程。压缩包共8个文件，以MATLAB源程序（.m）为主，包含2个编译好的mexw64加速模块、1个Excel测试数据、1个mat数据文件及readme说明文档，合计约542KB，结构紧凑，便于直接运行验证。已有533人学习下载，适合正在研究电价预测、现货市场或SVM回归/分类应用的读者，可参考其特征选择思路与并行训练脚本，用于自身实验对比或方法改进。
1. 短期电价预测为什么绕不开SVM：这个zip在研究什么
在电力现货市场里，短期电价预测是交易员报价之前必须做的一步。基于SVM的短期发电市场电价预测研究.zip，标题拆开就是一句话：用支持向量机去预测未来24小时以内的发电侧节点电价。SVM在教科书里总被当分类器讲，但电价是连续数值，落到工程上用的是SVR，也就是支持向量回归。这个方案能被长期采用，不是因为新，而是在样本量有限、特征非线性强、又需要可解释性的场景里，SVR比线性模型更能逼近尖峰，比LSTM更容易调参数，也不容易因数据量少而过拟合。以下按老套路来：先把历史数据整理成特征，标定SVR的核函数和超参数，给出可复现的Python代码，再重点讲几个让新手血泪的坑。
2. 把历史电价变成SVM能用的特征矩阵：时间粒度、特征构造与归一化
拿到zip源码包解开之后，第一步不是急着训练模型，而是把数据整理成特征矩阵。很多现成包里的数据文件已经整理好，但你要拿它去预测自己的市场，还是得按自己的口径重新做一遍。只会调用model.fit不看特征的人，第一次跑出自己的预测结果时，多半会对着曲线发愣。
2.1 数据来源与时间粒度怎么选
SVM预测电价需要的输入只有两类：历史电价序列本身，以及能解释电价波动的其他序列。国内现货试点省份大多公布15分钟或1小时粒度的出清价，国外不少市场是5分钟到1小时不等。我不建议一上来就追求高粒度。1小时粒度一年8760个点，足够SVR训练，而且和报价决策的最小窗口一致。15分钟粒度虽然点数多，但相邻样本相关性极高，SVR的epsilon不敏感区间反而更难调，容易把一个小时的价格波动拆成四段互不连续的预测。先把1小时粒度跑通全流程，确认特征和参数有效，再往下加密。
电价序列本身也要选对对象。日前出清价和实时出清价是两个序列，混在一起喂给SVM会直接翻车。我一般先做日前价格预测，日前价格由机组报价和负荷预测决定，波动比实时价格小，SVR的准确率更容易做高。等到要把预测用于日内交易时，再单独建一个实时价模型。
数据时间范围不要贪长。很多研究喜欢取三五年历史，但市场机制、供需结构和机组组合几年内可能已经变过几轮，早期数据反而成了噪音。我习惯取最近一年到一年半的数据，至少覆盖一个完整的春夏秋冬。如果某段时间市场规则改了，比如新增了现货结算规则，直接把那段数据排除，比留它在训练集里更安全。
2.2 特征构造：滞后项、滚动统计与日历特征
把原始电价序列直接丢给SVM，模型学不到“今天是周几”“现在是几点”这些关键信息。SVM是在高维空间里找回归面，特征里必须显式带出时间结构。我常用的特征分四组。
第一组是滞后特征，这是电价预测的骨干。t-1、t-2、t-24、t-25、t-48、t-168六个滞后项足够：t-1和t-2抓短期惯性，t-24和t-25抓日前差分，t-48和t-168抓周周期。注意t-24和t-25要一起用而不是只用t-24，这样模型才能看出“前一天同一时刻的电价是在涨还是在跌”。
第二组是滚动统计。过去6小时平均价、过去24小时最高价和最低价，三个就够。滚动平均给出局部趋势，最高最低给出波动区间，这两者对判断下一小时会不会出现尖峰有直接帮助。滚动窗口不宜过多，6小时和24小时两个窗口即可，否则窗口间高度相关，反而稀释有效信息。
第三组是日历特征。小时编号0到23、星期几0到6、是否工作日0或1，这三个几乎必加。电价有典型的日内双峰双谷结构，工作日和周末的峰谷位置不同，节假日的曲线又和工作日完全两样。节假日样本量太小，SVM基本学不出东西，常见做法是并进周末类。
第四组是负荷与新能源。系统负荷和电价高度相关，数据源里有负荷实测值的话肯定要加。但天气、光伏、风电这些数据，如果本身来自数值天气预报，预报值和实测值之间有不可忽略的误差，直接当特征喂进去，相当于把第二层误差导进模型。我的做法是：有可靠的实测负荷就加负荷，天气数据除非确认历史口径与预报口径一致，否则先不加。
2.3 归一化与时间切分：两个决定结果的细节
SVR的RBF核通过距离计算样本相似度，特征尺度不统一，量级大的特征会压制量级小的特征。归一化不是可选项。
三种常见缩放方式里，MinMaxScaler把特征压到0和1之间，适合分布均匀的特征；StandardScaler减均值除以标准差，适合有正有负、分布接近正态的特征；RobustScaler用中位数和四分位距缩放，对尖峰和离群点不敏感。电价序列的典型特点是大部分时间在正常范围内波动，极小部分时间冲到几倍或拉成负值。MinMax会被尖峰把区间拉得很开，平日的数值被压到很窄的范围，SVM在那些窄区间的样本上很难精细拟合。我对比过几组公开市场数据，RobustScaler的RMSE大致比MinMax低3%到6%。但MinMax也有它的用场：预测时遇到训练区间外的电价，映射值会超出0到1，这个越界信号恰恰提醒模型有极端情况。所以我的习惯是默认用RobustScaler，在验证集上跑一次对比，哪个RMSE低就用哪个。
切分训练集和测试集必须按时间。电价序列有强自相关，随机打乱等于把未来的信息泄露到训练集里，验证集指标会虚高。常见做法是取前70%的时间段训练、后30%测试；要模拟真实交易环境则用滚动窗口。第4章的代码里我会演示前70%后30%的切分，第6章再给滚动验证的具体做法。
3. 理解SVR的三个关键旋钮：epsilon损失、RBF核与参数标定
SVM做分类和做回归，底层共享同一套“间隔最大化”的思想，但目标函数差得很远。如果不先把SVR的三个旋钮弄清楚，参数搜索就是无头苍蝇。这一章用白话把原理、选型理由和参数之间的配合关系讲透。
3.1 先从原理上理解SVR：不是分类器的那个SVM
SVM分类的核心理念是找一个最大间隔的超平面把两类样本分开。到了回归问题，思路变成：寻找一个回归函数，让大多数样本的预测误差落在设定的管道宽度epsilon以内，同时对超出管道的样本做惩罚。这个epsilon就是SVR和普通回归最本质的区别。普通最小二乘回归对每一个点的误差都严格惩罚，SVR则允许小误差存在，只要误差不超过epsilon就不计入损失。这对电价预测非常契合：电价曲线充满噪音，你并不想让模型去拟合每一个无意义的微波动，epsilon把“不值得学的抖动”过滤掉，模型能更专注于大趋势和尖峰。
损失项之外，SVR还带一个正则化项，通过参数C控制。你可以把epsilon理解为“拟合精度要求”，把C理解为“对超差样本的容忍度”。C越大，越不允许样本超出管道；C越小，模型越倾向保留简单平滑的拟合面。电价预测里C通常取0.1到100之间，具体要靠搜索确定。
做这个小节时经常有人问：为什么不直接上LSTM或Transformer？我的回答是：如果你只有几千个样本、几个到十几个特征、又需要给交易团队解释预测依据，SVR在一个小时内就能完成特征工程加参数标定，且效果和中等规模的LSTM相当。深度学习优势在大量数据和复杂特征组合上才能体现出来，电力市场这种小样本高噪音场景，SVR的“少即是多”在运维层面特别实用。
3.2 RBF核以及它的C、gamma、epsilon怎么配合
核函数的选择决定了特征被映射到多高维的空间。线性核自然不行，电价和特征之间的关系明显非线性。多项式核容易在小样本上剧烈振荡，实际用得少。径向基函数RBF核是SVR在电价预测里的默认选择，它只有一个gamma参数，控制单个样本影响力衰减的速度。
gamma小的时候，每个样本的影响范围大，回归面平滑，但容易忽略局部细节；gamma大的时候，样本只影响很近的区域，回归面对每个局部都敏感，噪音也被学进去了，预测值可能大幅震荡。我一般会把gamma设在0.001到1之间搜索。sklearn里有个实用默认值“scale”，它按特征数量自动设定gamma，在特征数量不多、样本几千量级时往往已经不错，可以作为搜索范围的中点而不是起点。
C和gamma不是独立起作用的。C大gamma小，模型平滑但严格，容易欠拟合局部波动；C大gamma大，模型复杂，容易过拟合；C小gamma小，模型过于宽松，预测曲线基本就是一条直线。两者必须一起做网格搜索。
epsilon对SVR电价预测的影响容易被忽略。epsilon设得太大，小波动全被忽略，尖峰也被抹掉；设得太小，模型去学习噪音，泛化变差。电价预测里我很少让epsilon低于0.01，常用0.05到0.2之间，但要结合损失值的单位来看。如果电价是几十到几百元的量级，epsilon取0.1对应的绝对误差要求是十几元，可能过宽；如果先把电价归一化到0到1，epsilon取0.01到0.05更合理。这也是为什么参数搜索必须把epsilon纳入。
3.3 网格搜索与时间序列验证：参数不是拍脑袋定的
参数标定最稳妥的手段是网格搜索配交叉验证。sklearn里的GridSearchCV默认用KFold随机切分，但电价预测不能这么干——随机切分会把未来数据用到训练折里，造成数据泄漏。我会自己做时间序列的交叉验证：把训练集按期数切成几段，例如训练集有250天，就切成前200天训练加50天验证，依次往前滚动，在每一折上计算RMSE，取平均值作为参数评估结果。
参数搜索的网格我分两步。第一轮粗搜把范围带出来，比如C=[0.1,1,10,100]，gamma=[0.001,0.01,0.1,1]，epsilon=[0.01,0.05,0.1,0.2]。得到粗优值以后，在优值附近再细化。每个模型训练一次的时间在秒级，几百个组合也就几分钟，跑得起，不需要急着上贝叶斯优化。等样本量到了数万以后，再考虑更昂贵的搜索方法也不迟。
有一个容易踩的细节：交叉验证的评分指标要和最终业务目标一致。如果最终关心的是尖峰时段的预测效果，验证应当在RMSE基础上再看分时段的MAE；如果最终是拿预测去报价，宁可平均误差稍大也不能在极端时段系统性跑偏。搜索的评分指标不要只用默认的r2，加一个负MAE或负RMSE的评分项，结果更贴近实际。
4. 用scikit-learn跑通SVM电价预测：最小实现与滚动预测
代码不是项目最后才写的东西，而是需要先跑通一个能给出预测结果的最小管道，再在这个管道上迭代。scikit-learn是最顺手的工具，和pandas配合不需要额外引入重量级框架。这一章的代码可以直接复制修改，注释和参数说明放在每个块后面。
4.1 数据管道：读入CSV、构造特征、切分并归一化
起步代码分成四步：读数据、构造特征、按时间切分、缩放。看起来简单，但每个步骤都有容易写错的地方。
import pandas as pd import numpy as np from sklearn.svm import SVR from sklearn.preprocessing import RobustScaler from sklearn.metrics import mean_absolute_error, mean_squared_error # 1. 读入1小时粒度的电价历史数据 # csv至少要包含 time 和 price 两列，price单位为元/MWh df = pd.read_csv("price_data.csv", parse_dates=["time"]) df = df.set_index("time").sort_index() # 2. 构造特征矩阵 def make_features(data, lags=(1, 2, 24, 25, 48, 168)): data = data.copy() for lag in lags: data[f"price_lag_{lag}"] = data["price"].shift(lag) data["hour"] = data.index.hour data["weekday"] = data.index.weekday data["is_weekend"] = (data["weekday"] >= 5).astype(int) data["rolling_mean_6h"] = data["price"].rolling(6).mean() data["rolling_max_24h"] = data["price"].rolling(24).max() data["rolling_min_24h"] = data["price"].rolling(24).min() return data.dropna() data = make_features(df) feature_cols = [c for c in data.columns if c != "price"] # 3. 按时间顺序切分，前70%训练，后30%测试 cut = int(len(data) * 0.7) train, test = data.iloc[:cut], data.iloc[cut:] # 4. 特征和目标值分别缩放，目标值要reshape成二维 scaler_X = RobustScaler() scaler_y = RobustScaler() X_train = scaler_X.fit_transform(train[feature_cols]) y_train = scaler_y.fit_transform(train["price"].values.reshape(-1, 1)).ravel() X_test = scaler_X.transform(test[feature_cols]) y_test = test["price"].values代码逻辑不复杂，但有两处必须留意。shift(lag)产生的滞后项，会让最早168小时的样本在dropna时被丢弃，这部分数据不能用于训练；如果数据量本身小，用fillna(0)或者fillna(中位数)代替dropna也可以，但要意识到这些小时的特征并不真实。RobustScaler对电价尖峰的稳健性前面提过，这对应的是缩放那两行。目标值也做了缩放，这样SVR的epsilon可以按0到1的尺度理解，而不是直接换算成几十元的绝对误差。
4.2 训练SVR并滚动预测未来24小时
训练模型后做未来24小时的逐时预测。滚动预测的意思是，每预测完一个点，把预测值接回历史序列，用它构造下一小时的滞后特征。这样模型的每一步都能利用最新信息。
# 训练SVR模型 model = SVR(kernel="rbf", C=10.0, gamma="scale", epsilon=0.05) model.fit(X_train, y_train) # 滚动预测函数：输入已训练模型、缩放器和历史dataframe def forecast_horizon(model, scaler_X, scaler_y, df, feature_cols, start_time, horizon=24): df = df.copy() preds = [] for i in range(horizon): # 每轮用当前序列重建特征，然后取最后一行作为预测输入 df = make_features(df) last_row = df[feature_cols].iloc[-1:].copy() # 特征里含NaN时做前向填充，防止滚动窗口未满导致预测中断 last_row = last_row.ffill().fillna(0.0) X = scaler_X.transform(last_row) y_scaled = model.predict(X)[0] y = scaler_y.inverse_transform([[y_scaled]])[0][0] preds.append(y) # 把预测值追加到序列末尾，下轮用它生成新的滞后特征 new_time = start_time + pd.Timedelta(hours=i + 1) df.loc[new_time, "price"] = y return preds start_time = test.index[0] preds_24h = forecast_horizon(model, scaler_X, scaler_y, test, feature_cols, start_time, horizon=24)这里有个容易被忽略的工程细节。make_features内部用了rolling(24).max()这类窗口统计，滚动预测到第1到第24小时之间，历史序列尾部其实还没有完整的24小时窗口（因为预测值是逐步拼接上去的），所以代码里对NaN做了前向填充。如果忽略这一行，预测会在某个位置产生NaN，错误并不显眼但结果全乱。
另一个细节：预测值接回序列后，滞后特征里会包含前一小时的预测值本身。这是自回归式滚动的正常行为，让模型在没有真实数据的情况下一步步推下去，但也意味着误差会累积。第6章的残差修正就是针对这一点。如果只预测下一个单点，输入全用真实历史特征，误差会小很多，这也是实时交易预测里多数用单步预测而不是一次性滚24小时的原因。
4.3 怎么读评估指标：MAE、RMSE、MAPE都有边界
# 对测试集整体做单步评估 y_pred_all = scaler_y.inverse_transform(model.predict(X_test).reshape(-1, 1)).ravel() mae = mean_absolute_error(y_test, y_pred_all) rmse = float(np.sqrt(mean_squared_error(y_test, y_pred_all))) # MAPE的分母保护：真实电价接近0时，用一个小底数代替 denom = np.maximum(np.abs(y_test), 1e-3) mape = np.mean(np.abs((y_test - y_pred_all) / denom)) * 100 print(f"MAE={mae:.2f}元/MWh, RMSE={rmse:.2f}元/MWh, MAPE={mape:.2f}%")这段代码对MAPE加了分母保护，防止真实电价接近0时指标爆炸。真实的电价序列经常在夜间跌到个位数甚至负值，MAPE在负电价和近零电价上几乎失去意义。我实际项目里以MAE和RMSE为主，MAPE只做辅助参考，并且会按小时段分别统计，看看夜间是不是系统性偏大。RMSE对大误差平方放大，能反映尖峰时段的预测表现，但只报RMSE而不报MAE，很容易让一个整天预测偏平缓的模型蒙混过关——它把尖峰都削掉了，RMSE看起来不错，MAE却说明平均偏差很大。两个指标一起看，才不会被单一数字带偏。
5. 短期电价预测避坑指南：五个让模型翻车的隐蔽问题
模型能跑通和模型能用于报价之间，隔着一打坑。以下五点是我在多个数据集上实际踩过或看别人踩过的，每条按现象、原因、解决的顺序写，方便直接对照排查。
5.1 预测曲线整体滞后一天
现象：预测曲线和真实曲线的形状高度相似，但在时间轴上向后错位，看起来就是“慢了一天”。
原因：电价有非常强的日周期性，t-24滞后项在模型里权重占比最高，模型学到的捷径是“明天这一小时等于今天这一小时”。一旦某天价格因为天气或检修发生整体偏移，预测就比真实变化慢。
解决：加入t-25滞后项，并把t-24与t-25的差值作为独立特征，让模型感知相邻小时的变化方向。同时把小时编号变成数值特征，允许它与滞后项交互，例如构造“hour × price_lag_24”的交叉特征。这样模型才能区分“昨天这个时间的水平”和“这个小时自身的周期位置”。
5.2 夜间MAPE异常放大
现象：整体MAPE看起来在10%以内，按小时段一拆，凌晨两点到六点MAPE达到100%甚至更高。
原因：MAPE的分母是真实电价，凌晨低价时段真实值接近零，哪怕绝对误差只有5块钱，百分比也被放大到几倍。这不是模型变差了，是指标选错了场景。
解决：改用带底价的MAPE变体，比如把绝对值电价低于10元/MWh的时刻从MAPE计算里剔除；业务上重点看这些时段的绝对误差，因为夜间低价的绝对偏差对交易盈亏影响很小。把分时段MAE和RMSE一起列出来，是更诚实的汇报方式。
5.3 特征越加越多，精度反而下降
现象：初始模型只用滞后和日历特征，RMSE在30附近；加了光伏出力、风电出力、温度等八个特征后，RMSE反而跳到40。
原因：SVR在RBF核下用距离度量样本相似度，冗余特征会稀释核距离的判别力。天气和新能源出力如果来自数值天气预报，引入的是预报误差，模型学到的是一层有偏信号。最直接的表现是滚动平均特征和滞后特征之间的相关性往往超过0.9，把同质信息重复喂进去没有收益。
解决：控制特征数量在10到15个以内；新特征先单独和预测目标做相关性验证，再加进模型做环比测试。加特征不改善验证集就去掉，不要舍不得。
5.4 电价尖峰被平滑掉
现象：真实电价在某个时段冲到300元/MWh，模型预测只有60元，峰值被压得很平。
原因：SVR的epsilon管道和C正则化天然偏好平滑回归面；尖峰样本在训练集里占比可能只有1%，损失贡献被淹没，参数搜索时也因为尖峰被压低而更容易获得更低的整体RMSE。
解决：训练前把尖峰样本单独标记，对它们施加更高的样本权重；或者把训练目标从原始电价改成电价的平方根或对数变换，降低尖峰的绝对量级；也可以在偏重尖峰的时段单独训练一个SVR，和平日模型并行预测。需要明白尖峰不是随便就能学的——历史上尖峰的原因各不相同，模型能学到的是“什么时候容易尖”，具体高度由市场供需决定，对尖峰预测要有一个合理的期望上限。
5.5 RMSE在不同测试周之间剧烈波动
现象：同一个模型在测试集前三周RMSE只有20，后两周跳到45。
原因：静态切分把不同市场状态混进了测试集。某一段时间发生机组检修或极端天气时，电价曲线形态全变，模型在训练里从没见过这种状态，单次切分的验证结果不具备代表性。
解决：把测试集按周分段，连续取4到5个周段分别评估，报告RMSE的均值和标准差，模型发布时附带这个稳定性区间。更进一步，用第6章的滚动验证方式，每次训练窗口后向前验证一周，把验证分数串成一条时间线，模型什么时候开始失效一目了然。
6. 让SVM电价预测更稳的进阶方案：残差修正、滚动重训与可视化验证
模型不是训练一次就结束。电价市场的状态会变，SVM的回归面也需要跟上。我常用的进阶手段按性价比排序有三个。
第一个是残差修正。SVR第一轮预测会漏掉不少系统性偏差，比如周末的峰谷时段总是偏平。把第一轮预测值和真实值相减得到残差序列，用另一个简单模型（线性回归或轻量GBDT）去拟合特征到残差的映射，最终预测值等于SVR预测值加上残差模型输出。前提是残差里确实有可学的模式，先用自相关函数看残差是否还有显著的时序相关。如果残差已接近白噪音，说明SVR把信息榨干了，强行叠加只会引入噪音。
第二个是滚动重训节奏。每周重训一次比每24小时重训一次更划算。每天重训的代价是模型参数会随着偶然波动跳来跳去，而且SVR在几千样本上训练虽然只要几秒，但整套流程里还有特征重算和验证，运维成本会翻上去。我习惯每周日收盘后拉取过去8周数据重训，并把未来一周作为验证周，记录RMSE的变化趋势。市场规则变更后立即重训并对比旧模型，看RMSE是否跳变，是判断规则影响最直观的方法。
第三个是可视化验证。数字指标能说明模型差多少，但不容易说明差在哪里。把滚动预测的曲线按周画出来，和真实电价叠在一张图上，标出尖峰和低谷时段：
import matplotlib.pyplot as plt plt.figure(figsize=(12, 4)) plt.plot(y_test[:168], label="实际电价") plt.plot(y_pred_all[:168], label="SVM预测") plt.xlabel("小时") plt.ylabel("电价(元/MWh)") plt.legend() plt.show()我先看三件事：预测曲线有没有整体偏移、夜间是否贴地、尖峰时段是延迟还是削平。画图不需要花哨，matplotlib一个折线图就够。懒得做可视化的话，至少把分时段的误差热力图打出来，那能一眼看出哪个小时段的预测常年偏差最大，这是让新同事最快理解模型行为的手段。
最后说一个我的习惯：改特征或参数时，一次只改一处，记录验证集RMSE和曲线形态变化，不要同时动多个旋钮，否则你永远不知道是哪个改动让结果变好的。这套流程用下来，SVM电价预测在多数现货市场数据上做到MAE在正常电价水平5%到10%之间并不是难事。希望这些趟过的坑能帮你在自己的数据上少走一遍弯路。
本文还有配套的精品资源，点击获取
