Electrical load forecasting is an integral tool used by the grid operator to operate the smart power network. The information related to the electrical load is a prerequisite towards the effective and optimal operation of the power network with renewable and conventional generation resources. Economical bidding in the energy markets is directing research towards a superior forecasting model. Statistical and machine learning models have been used for electrical load forecasting while considering the electrical load as a time-series signal. This paper proposes a hybrid model that combines the Wavelet Transform (WT) and Support Vector Machine (SVM) features in estimating a regression model for electrical load forecasting utilizing the historical time-series information of electrical load. The WT decomposes the electrical load time-series data into various sub-series. The error contribution in forecasting due to the individual sub-series is estimated using Mean Absolute Error (MAE) in forecasting for each sub-series. The proposed Repeated WT-based SVM model (RWT-SVM) selects the sub-series with the highest MAE for further decomposition through WT. This results in a better forecasting model for the sub-series with the highest MAE, thereby improving the overall forecasting ability of the RWT-SVM model. The superiority of the proposed Repeated WT-based SVM model (RWT-SVM) for electrical load forecasting is justified using various data sets and comparing with some of the existing forecasting models.

电力负荷预测是电网运营商用来运营智能电网的一个不可或缺的工具。与电力负载相关的信息是使用可再生和传统发电资源的电网有效和优化运行的先决条件。能源市场中的经济投标正在将研究引向卓越的预测模型。统计和机器学习模型已用于电力负荷预测，同时将电力负荷视为时间序列信号。本文提出了一种混合模型，它结合了小波变换 (WT) 和支持向量机 (SVM) 的特征，用于利用电力负荷的历史时间序列信息来估计电力负荷预测的回归模型。WT 将电力负载时间序列数据分解为各种子序列。使用每个子系列预测中的平均绝对误差 (MAE) 估计由于单个子系列而导致的预测误差贡献。提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 选择具有最高 MAE 的子系列，以便通过 WT 进一步分解。这使得对 MAE 最高的子序列有更好的预测模型，从而提高了 RWT-SVM 模型的整体预测能力。所提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 用于电力负荷预测的优越性可以使用各种数据集并与一些现有预测模型进行比较来证明。使用每个子系列预测中的平均绝对误差 (MAE) 估计由于单个子系列而导致的预测误差贡献。提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 选择具有最高 MAE 的子系列，以便通过 WT 进一步分解。这使得对 MAE 最高的子序列有更好的预测模型，从而提高了 RWT-SVM 模型的整体预测能力。所提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 用于电力负荷预测的优越性可以使用各种数据集并与一些现有预测模型进行比较来证明。使用每个子系列预测中的平均绝对误差 (MAE) 估计由于单个子系列而导致的预测误差贡献。提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 选择具有最高 MAE 的子系列，以便通过 WT 进一步分解。这使得对 MAE 最高的子序列有更好的预测模型，从而提高了 RWT-SVM 模型的整体预测能力。所提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 用于电力负荷预测的优越性可以使用各种数据集并与一些现有预测模型进行比较来证明。这使得对 MAE 最高的子序列有更好的预测模型，从而提高了 RWT-SVM 模型的整体预测能力。所提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 用于电力负荷预测的优越性可以使用各种数据集并与一些现有预测模型进行比较来证明。这使得对 MAE 最高的子序列有更好的预测模型，从而提高了 RWT-SVM 模型的整体预测能力。所提出的基于重复 WT 的 SVM 模型 (RWT-SVM) 用于电力负荷预测的优越性可以使用各种数据集并与一些现有预测模型进行比较来证明。