VMD-SSA-LSSVM电力负荷预测：Matlab实现与参数优化实战

电力负荷预测这事儿，做到后面你会发现，真正的难点往往不在预测模型本身，而在数据处理和参数调优上。直接拿原始负荷序列去喂给LSSVM（最小二乘支持向量机），经常会被非平稳的波动和噪声带偏，泛化能力惨不忍睹。而LSSVM里gamma和sigma这两个参数，用经验去试太耗时，用网格搜索又容易陷进局部最优。我之前在做一个省份的短期负荷预测项目时，就被这些组合拳打得够呛，后来把VMD（变分模态分解）、SSA（麻雀搜索算法）和LSSVM串成一条流水线，效果才稳定下来。这套方案尤其适合那些要做多变量输入、又对预测精度有硬性要求的场景，比如电网调度、园区能耗管理、售电公司负荷估算。用Matlab实现的话，代码逻辑清晰、调试直观，是科研和工程验证都很顺手的一条路。

这套思路本质上是一套“预分解—寻优—回归”的组合拳：先用VMD把原始负荷序列按频率拆开，再用麻雀算法自动寻找LSSVM的最优惩罚因子和核参数，最后对每个子序列分别建模预测并叠加输出。下面我按实操的顺序，把这套方案从原理到代码一步步拆开讲，顺便把调试中容易踩的坑也说清楚。

1. 方案整体设计与思路拆解

1.1 为什么单模型直接预测不靠谱

很多人上来就把负荷历史数据直接喂给LSSVM，这种做法的前提是数据要相对平稳、有规律可循。但实际的负荷曲线根本不是这样，它里面有日周期性、周周期性、节假日突变、天气敏感波动，甚至还有一些随机噪声成分。这些不同频率的成分混在一起，会让模型很难抓住真正的主趋势。可以理解为，你让一个人同时听三种语速的播报还要记全内容，效果肯定不如把慢速、中速、快速分开听，再汇总。

LSSVM虽然对非线性映射能力很强，但它毕竟是个回归模型，面对强非平稳序列时，核函数的选择压力和参数敏感性都会成倍增加。误差会从多个频带上同时累积，精度自然上不去。这也是为什么需要先做信号分解——先把复杂问题拆成简单问题的集合。

1.2 VMD、SSA、LSSVM各自扮演什么角色

这三个模块不是刻意堆叠的时髦算法，而是各管一段：

1.3 多变量的含义与特征构建思路

另一个容易忽略的点是“多变量”。纯单变量预测只把历史负荷当成输入，这在数学上属于“时间序列自回归”，缺点是没法利用外部信息。实际上负荷和温度强相关，夏季高温、冬季寒潮都会带来明显负荷抬升；日期类型也很关键，周一和周末的负荷模式明显不同。

多变量输入就是把历史负荷、温度、湿度、日期类型、是否为节假日等作为输入特征矩阵的列，把未来某时刻的负荷作为预测目标。通过这种方式，模型学到的不只是“过去的负荷长什么样”，还会学到“什么天气、什么日子下负荷会怎么变”。这套方案在时间上可以做成滑动窗口：用前面24小时的负荷加上对应时刻的温度、日期信息，去预测下一小时或未来24小时的值。

2. 核心原理与关键技术解读

2.1 LSSVM到底改了什么，值不值得用

LSSVM是在标准SVM基础上做两个改动：一是把SVM的不等式约束换成等式约束，二是把误差平方和作为经验风险。标准SVM求解的是二次规划问题，慢且复杂；LSSVM把问题简化成了线性方程组求解，计算速度大幅提升，这对需要多次训练（比如SSA迭代寻优）的场景特别友好。

LSSVM的决策函数形式是：

f(x) = sign(Σ α_i K(x_i, x) + b)

对于回归问题，输出就是 Σ α_i K(x_i, x) + b。其中核函数K选径向基核（RBF）：

K(x_i, x_j) = exp(-||x_i - x_j||² / (2σ²))

这里的σ就是核宽度，直接决定模型的光滑程度和泛化能力。惩罚因子γ控制误差的容忍度。γ太大容易过拟合，γ太小又学不进去；σ太大曲线太平，σ太小则会钻牛角尖。网格搜索要试几十组组合，还不一定找得到最优解，所以给SSA留了很大的发挥空间。

2.2 SSA是怎么找到好参数的

麻雀搜索算法是2020年前后提出的一种群体智能优化算法，核心逻辑是模拟麻雀觅食和反捕食行为。它把种群分成发现者、跟随者、警戒者三类角色：

• 发现者负责全局搜索，领着种群找食物多的地方；
• 跟随者在发现者旁边觅食，相当于局部搜索；
• 警戒者负责观察危险，一旦发现威胁，整个种群会快速调整位置。

放到参数优化场景里，每个麻雀个体的位置就是一个二维向量（γ, σ²）。SSA通过迭代不断移动这些位置，以LSSVM在验证集上的预测误差（比如均方根误差RMSE）作为适应度函数，最终收敛到误差最小的参数区域。

SSA的优势在于收敛速度快、参数少、不易陷入局部最优，相比粒子群和遗传算法，在低维连续优化问题上通常表现更稳定。我实测下来，同样是LSSVM参数寻优，SSA达到同等精度所需的迭代次数往往只有粒子群的一半左右。

2.3 VMD分解参数怎么定

VMD的核心思想是把信号分解成K个模态，每个模态围绕自己的中心频率，且带宽受限。它的优化目标是最小化各模态的带宽之和和重构误差。关键参数有三个：

• K：模态分解个数；
• alpha：惩罚因子（带宽约束强度）；
• tau：噪声容忍系数。

K是其中最难确定的。K太小，复杂成分分不开；K太大，会把某个本征模态硬拆成两个，产生“模态混叠”。我在实操中的做法是：先看原始负荷频谱图，统计有几个明显的峰值频率，以此为K的初值；然后从K=3到K=8依次跑一遍，观察各模态的中心频率是否重叠。如果两个模态的中心频率很接近，说明K选大了，往回缩一档。alpha一般设在2000左右，tau在0到0.3之间，这个组合在大部分电力负荷序列上都能得到较好的分解效果。

VMD相比EMD（经验模态分解）的另一个好处是数学基础扎实，End效应和模态混叠问题都比EMD要轻。它不依赖极值点插值，而是通过迭代求解变分问题来获得模态，稳定性好很多，这对后续建模非常重要。

3. 多变量数据预处理与特征工程

3.1 数据清洗和归一化

任何预测项目的第一步都是数据清洗。负荷数据里最常见的问题是：通讯中断导致的跳零、负值，采集设备故障造成的长时间缺失，以及节假日前后数据明显偏离常规模式。我做了三个处理：

• 缺失值用前后24小时同一时刻的均值填补；
• 负值如果超过当日峰值绝对值的5%，视为异常，用邻近时刻线性插值替换；
• 连续跳零超过3小时的日数据整段剔除，不作为训练样本。

清洗完之后必须归一化。LSSVM这种基于核函数的模型对输入量纲很敏感，温度是几十的量级，负荷是几千甚至上万，不归一化的话距离矩阵会被大数值特征主导。我习惯用mapminmax函数把全部特征归一化到[0, 1]区间。注意有个细节：归一化参数只能从训练集上统计，再应用到验证集和测试集，不能把全部数据混在一起归一化，否则会引入未来信息。

3.2 多变量输入矩阵怎么设计

这部分是很多人容易搞乱的地方。假设我们要预测未来第t小时的负荷L(t)，输入特征可以设计如下：

• 滑动窗口内的历史负荷：L(t-1), L(t-2), ..., L(t-24)，即过去24小时负荷；
• 同期外部变量：温度T(t)、湿度H(t)、日期类型D(t)（工作日/周末/节假日的编码值）；
• 周期性编码：用正弦和余弦编码小时序号，比如sin(2π * hour / 24)和cos(2π * hour / 24)，这样模型能感知“当前是深夜还是午后”。

把所有特征拼成一个行向量，就是一个时刻的输入样本。把样本按时间顺序滑动生成数据集，然后按合理比例切分为训练集和测试集。我建议不要随机打乱顺序，直接用时间顺序划分，前70%训练、后30%测试，这样最接近真实预测场景。

3.3 VMD分解的对象选择

这里有个很关键的设计决策：VMD是对输出变量（负荷序列）做分解，还是对每个输入特征都做分解？我实测下来的建议是：对负荷序列本身做VMD分解，因为我们要预测的未来负荷是由多个频率成分叠加构成的。温度、湿度这些外部变量作为输入特征保持原样即可，不需要分解，它们的作用是提供环境信息。

具体流程是：先对训练集和测试集的负荷序列一起做VMD。注意，这里不能只在训练集上做VMD然后单独分解测试集，因为VMD分解的结果依赖于整个序列的统计特征。更严谨的做法是：先用训练集（可能加上少量历史数据）确定VMD的模态模式和中心频率，然后把相同的分解参数应用到测试集。如果一次性对全序列做VMD再切分，虽然实现简单，但会导致测试集的信息提前泄漏到训练过程中。实操中折衷的办法是：对训练集完整序列做VMD，得到K个模态中心频率和模态模式，然后利用这些参数对测试序列做投影分解。如果实在嫌麻烦，也可以在全序列上做分解再切分，但要清楚这会略微高估预测效果。至于对负荷序列做VMD，可以理解为把复杂信号按照频率段拆成K条相对平稳的子序列，如下式：

L(t) = IMF1(t) + IMF2(t) + ... + IMFK(t) + r(t)

其中r(t)为残余项。接下来对每个IMF分量分别构建LSSVM模型，预测得到各分量的未来值，最后直接相加得到最终负荷预测值。这也是串行分解预测叠加结构的基本思路。

4. Matlab代码实现与核心步骤详解

4.1 环境准备与工具箱

Matlab用的是R2018a以上版本即可，最好是带统计和机器学习工具箱的版本。LSSVM部分我建议使用LSSVMlab工具箱，这是学术圈用的最广泛的Matlab实现，支持回归和分类，而且可以直接调用函数，接口清晰。SSA和VMD的Matlab代码网上都有开源的实现，自己做的话麻雀优化部分大概一百多行，VMD核心函数也是开源的。

整个工程文件的组织方式建议如下：

project/ ├── data/ │ ├── load_data.m │ └── load_history.csv ├── VMD/ │ ├── VMD.m │ └── VMD_parameters.m ├── SSA/ │ ├── SSA.m │ ├── objectiveFunction.m │ └── initialization.m ├── LSSVM/ │ ├── trainLSSVM.m │ ├── predictLSSVM.m │ └── lssvmlab/ ├── main.m └── evaluate.m

4.2 主流程代码逻辑（伪代码）

用一段伪代码来展示整体逻辑，这样比直接贴上百行代码更清楚：

% 1. 加载数据 data = load('load_history.csv'); load_series = data(:, 1); temp = data(:, 2); humidity = data(:, 3); % ... 其他特征 % 2. 数据清洗和归一化 load_clean = cleanData(load_series); [load_norm, ps_load] = mapminmax(load_clean', 0, 1); % 温度、湿度同理 % 3. VMD分解 K = 5; alpha = 2000; tau = 0; [IMF, ~] = VMD(load_norm, alpha, tau, K, 1e-7); % IMF是K个模态分量，每个长度和原始序列相同 % 4. 构造多变量输入输出 [XTrain, YTrain] = constructSamples(IMF, temp_norm, humidity_norm, time_code, windowSize); [XTrain_r, YTrain_r, XTest_r, YTest_r] = trainTestSplit(XTrain, YTrain, 0.7); % 5. SSA优化LSSVM参数 lb = [0.01, 0.01]; ub = [100, 100]; dim = 2; [best_gamma, best_sigma2, best_rmse] = SSA(@(params) lssvmObjective(params, XTrain_r, YTrain_r), lb, ub, dim, popsize, maxgen); % 6. 对每个IMF分量训练LSSVM并预测 prediction_sum = zeros(size(XTest_r, 1), 1); for i = 1:K model{i} = trainLSSVM(XTrain_r, YTrain_r{i}, best_gamma, best_sigma2); prediction_sum = prediction_sum + predictLSSVM(model{i}, XTest_r); end % 7. 反归一化并计算误差 prediction_final = mapminmax('reverse', prediction_sum', ps_load); rmse = sqrt(mean((prediction_final - actual_test).^2)); mape = mean(abs((prediction_final - actual_test) / actual_test));

4.3 SSA目标函数怎么写

SSA优化的目标函数是整个流程里最关键也最容易被忽略的。我见过很多人把整个训练集的误差直接当成适应度，这样做的问题在于容易过拟合。我推荐的做法是：在训练集内部再切分出一个验证集，用验证集误差作为适应度值。具体来说，将训练集再按8:2切分，其中80%用于LSSVM训练，剩下20%用于验证。

function fitness = lssvmObjective(params, XTrain, YTrain) gamma = params(1); sigma2 = params(2); % 内部划分验证集 cv = cvpartition(length(YTrain), 'HoldOut', 0.2); trIdx = training(cv, 1); teIdx = test(cv, 1); model = initlssvm(XTrain(trIdx,:), YTrain(trIdx), 'f', gamma, sigma2, 'RBF_kernel'); model = trainlssvm(model); YPred = simlssvm(model, XTrain(teIdx,:)); fitness = sqrt(mean((YPred - YTrain(teIdx)).^2)); end

这里有个细节：每次SSA迭代都要训练一次LSSVM，训练成本直接决定优化速度。如果样本量是几千条，LSSVM一次训练在Matlab里大概是几十毫秒，SSA跑50代、每代20个个体，就是1000次训练，大概几十秒到一两分钟，可以接受。

实际代码中，initlssvm第三个参数传的是'f'表示函数逼近（回归），第四个参数是gamma，第五个参数是sigma2，最后一个参数是核函数类型。LSSVMlab里RBF核的sigma2传递方式要留意，有的版本写2*sigma^2，有的直接写sigma2，使用时需要先跑一个小样例验证接口语义。

4.4 VMD参数怎么在代码里调

VMD的调用格式在开源Matlab版中是这样：

[u_hat, u, omega] = VMD(signal, alpha, tau, K, DC, init, tol);

其中u就是分解出的K个模态分量，omega是各模态的中心频率。DC设为0表示信号不含直流分量（如果负荷数据去均值后DC设0，没有去均值就设1），init设为1表示从零开始初始化，容差tol通常取1e-7。

选择K的时候我写了一个小脚本自动检测中心频率的间距：

for k = 3:8 [~, ~, omega] = VMD(load_norm, 2000, 0, k, 1, 1, 1e-7); fprintf('K=%d, 中心频率: ', k); fprintf('%.4f ', omega(end,:)); fprintf('\n'); end

打印出的中心频率如果出现两个非常接近的值（比如相差不到0.5%），就说明K偏大。最终选取的中心频率分布均匀且没有明显的重叠的K值，就是最合理的分解层数。

4.5 训练测试划分中的时间序列陷阱

LSSVM建模时默认每个样本是独立的，这在分类场景下没问题，但负荷预测本质上是时间序列。如果训练样本里包含了未来时刻的信息，模型就会“偷看答案”。除了前面提到的归一化、VMD分解要注意泄漏问题，构造滑动窗口样本时也要注意：第i个样本的输入包含L(t-1)到L(t-24)，输出是L(t)，那么第i个样本和第i+1个样本的输入窗口有23个值是重叠的，也就是说样本之间高度相关。

如果直接把所有样本随机打乱再切分，训练集和测试集之间就会有重叠信息。正确做法是严格按照时间顺序切割：前70%时间段内的样本作为训练集，后30%时间段内的样本作为测试集。跨样本的数据重叠依然存在，但由于切割点是时间维度的，测试集样本的输入窗口不会包含训练集时期之后的未知真实值（除必要的滞后项外），这一点很重要。

5. 实验设计与结果分析

5.1 对比实验怎么设置才有说服力

一套方案好不好，对比实验的设计很关键。我建议至少做以下四组对照：

四组实验用完全相同的训练集、测试集和评价指标，才有可比性。评价指标上不要只用RMSE，建议同时算平均绝对百分比误差MAPE、平均绝对误差MAE和决定系数R²。其中MAPE是电力系统负荷预测里最常用的指标，直接反映预测偏差的百分比，调度人员最关心这个。R²则反映整体拟合优度，用于评估模型对趋势的捕捉能力。

5.2 从结果反推各模块贡献

某电网区域的日负荷预测项目里，我用四组对照实验得到的结果大致是：

• LSSVM直接预测：MAPE约3.8%，典型的有偏预测，高峰时段滞后明显；
• SSA-LSSVM：MAPE约3.2%，参数调到最优了，但非平稳数据还是带不动；
• VMD-LSSVM：MAPE约2.6%，VMD带来了最大幅度的提升，说明数据分解这个环节极其关键；
• VMD-SSA-LSSVM：MAPE约2.1%，叠加SSA后精度进一步逼近上限。

这个结果非常有代表性。它说明在负荷预测这种非平稳、多尺度的数据上，模态分解带来的收益往往大于参数优化。原因很好理解：分解后每个子序列的信噪比大幅提高，LSSVM只需要学习单一频率尺度上的规律，模型复杂度要求降低，训练难度自然也降下来了。

5.3 误差分解看问题在哪儿

只看总体误差还不够，我习惯把误差按时间展开来看，重点看哪些时段误差大。实测中常见的规律如下：

• 高峰时段（午间、傍晚）误差略大，因为负荷变化率最快，模型跟随有滞后；
• 早晚时段误差小，因为负荷模式稳定，且历史负荷与预测目标相关性最强；
• 节假日依然是最大的误差来源，模型没有足够的历史样本学习异常模式。

针对最后一点，可以做的改进是在特征里加入“前一日的日期类型”和“未来一天是否节假日”两个标记，比如用1表示节假日、0表示普通日，同时把节假日前一天、节假日后一天单独编码，这样模型至少能感知“明天不上班，负荷规律会变”这一信息。更激进的做法是节假日单独建一个模型，但要保证样本量足够。

6. 常见问题与调试经验实录

6.1 VMD把数据分解成NaN或报错

这个坑我遇到好几次。VMD要求输入信号没有NaN，没有无穷值，长度建议是2的整数幂附近（非必须但影响效率）。另外，数据归一化到[0,1]之外的范围会导致迭代发散。解决办法是：在归一化之后、VMD之前，检查一下序列是否包含NaN、Inf，用any(isnan())做一次断言检查。如果数据量太大，可以先差分或分段处理，但要注意保持序列连续性。

6.2 SSA优化结果不稳定，每次跑出来参数差很多

首先看一下种群大小和迭代次数是否设置合理，太小肯定不稳。一般建议种群规模20到30，迭代次数50到100。其次，SSA的随机初始化会导致每次结果略有不同，这是群体智能算法的通病。

我的处理方式是两个：

1. 固定随机种子（rng(2024)），保证实验可复现；
2. 同一组优化跑3次，取适应度最好的那组参数用于最终模型。

如果3次结果差异依然巨大，说明目标函数有问题，优先检查验证集的划分是否合理、训练样本是否过于稀疏。

6.3 LSSVM训练报错维度不匹配

最常见的原因是输入矩阵里有NaN，或者是一个样本的行向量没有正确转成列向量。LSSVMlab要求输入X是N×d维矩阵，Y是N×1列向量。我用size打印一下输入维度就能定位问题。还有一个隐蔽原因是训练集和验证集的列数不一致，比如特征工程时测试集少了某一列特征，导致预测时矩阵拼接出问题。

6.4 预测结果整体偏低或偏高

这种情况多半是反归一化出了问题。模型在归一化空间里训练，预测结果必须用训练时的mapminmax参数反归一化，而不是用测试集的统计参数。还有可能是VMD重构叠加上出了问题，如果叠加后与原始序列相差较大，先检查是否每个IMF的长度都和原始序列一致。

6.5 多步预测误差放大

我之前做的是单步预测，误差可控。如果需要做未来24小时的多步预测，误差会随着预测步长增加而放大。一个有效策略是滚动预测：每预测一个时刻，把预测值当作历史值放进输入窗口，继续预测下一个时刻。但这种策略会把误差一步步累积，所以建议每预测到第4小时或第8小时，就重新校正一次——比如用可获取的实际测量值替换预测值。如果只能纯滚动，就退一步用多输出LSSVM架构，直接一次输出未来24小时，而不是滚动24次。后者训练成本高一些，但长期预测的稳定性更好。

7. 扩展方向与个人经验建议

7.1 后续可以往哪些方向迭代

这套VMD-SSA-LSSVM框架已经比较完善，但它不是一个封闭方案，有很多扩展空间：

• VMD可以换成CEEMDAN或ICEEMDAN，后两者对分解残差的处理更精细，但计算成本更高；
• SSA可以换成灰狼优化、鲸鱼算法或多目标版本的SSA，特别是需要同时优化多个目标（比如精度和稳定性）时；
• LSSVM的升级方向是SVM回归配合增量学习，适合数据不断更新的在线预测场景；
• 分解后每个IMF的预测模型不一定要都用LSSVM，高频部分用LSSVM可能欠拟合，低频部分用GRU或LSTM效果更好。这种“混合专家”结构，是精度提升空间最大的方向。

7.2 我的几条实战经验总结

几次完整项目跑下来，有几点体会很深。

第一，整套流程里调整价值最大的环节是VMD的K值，而不是SSA的参数。K选对了直接见效，选错了后面再怎么优化参数都补不回来。所以前期多花时间在频谱分析和K值实验上。

第二，多变量的加入不是越多越好。温度、湿度这类天气变量对负荷的影响有滞后性，比如连续三天高温后负荷才会明显抬升，单纯用当天温度不一定能反映真实驱动关系。可以考虑构造“积温效应”特征，也就是用过去几天的温度均值或累计效应代替单点温度。

第三，LSSVM的成本函数在SSA迭代中重复调用的频率非常高，所有能在循环之外预计算的量一定不要放在循环里重复计算，比如特征矩阵的固定部分、VMD分解结果，都可以提前算好存下来，否则后期数据量一上来，训练时间会成倍膨胀。

如果你也是在负荷预测这条路上反复打磨，建议先把VMD和SSA单独做好测试，再组合到一起。每一步都吃透了再接下面的一环，排查起来会轻松很多。Matlab的好处在于可以随时打印中间结果、画图观察各IMF分量和参数收敛曲线，这些对理解模型内部行为非常有帮助。

7.3 关于代码复现的实用建议

最后说一句代码复现的事情。网上的开源VMD和SSA代码很多，Matlab版本也五花八门，直接下载下来用很可能遇到接口不兼容的问题。我建议拿到代码后先跑内置的官方示例，确保分解或优化结果和示例一致，然后才接到自己的流程里。另外，新版LSSVMlab的接口和旧版有些细微差别，如果发现initlssvm的报错提示无法定位，优先查一下工具箱版本对应的函数签名。

跑通一个框架是很容易的，真正把精度稳定在工程可用水平，要花在数据清洗、特征设计、边界条件处理这些看起来不起眼的环节上。希望这套思路和踩过的坑能让你少走一些弯路。