基于GA-ANFIS-FCM算法的电力能源预测

陈 亮 朱元凯 李长英 谢清强

（泰山职业技术学院，山东 泰安 271000）

1 引言

电力公司负责电力分配，提供不间断的电力供应，以满足企业、居民的需求。为实现该目标，需要准确地预测电力能源需求情况，以及预测需求波动幅度，并及时调整能源的生产和分配。精确的能源预测有助于电力供应者降低运营成本，维持经济高效的电力系统，从而提高经济效益。因此，预测能源使用量对提高供电系统的可靠性和效率至关重要。

2 文献综述

有关电力能耗预测的研究有很多。Jang Roger 于1993年开发了自适应神经模糊推理系统（ANFIS），并应用于风力发电方面[1]。ANFIS 融合了模糊逻辑和神经网络的优势，能够以更高的精度对复杂系统进行建模，但是ANFIS的预测精度时高时低[2]。沈兆轩等使用卷积神经网络对区域电力能耗进行预测，预测精度有所提高，但效率降低了[3]。王艳松等使用遗传算法GA对海上油田长期电力能耗进行了预测，精度达到了较高水平[4]。李玲玲等使用ISHO-ELM混合模型预测短期电力能耗，执行效率较高，但在长期预测上精度不足，也不太稳定[5]。Yodav 将ANFIS 与遗传算法（GA）相结合构建了具有长期性的混合电力预测模型，该模型虽然改进了预测的不稳定问题，但其精度没得到广泛认可[6]。

本文在Yodav 工作的基础上加入模糊C-均值聚类（FCM）算法，构造GA-ANFIS-FCM混合模型，并应用到电力能源预测上，同时与ANFIS模型进行比较。

3 数据收集

实验数据来自泰山区2022年1-12月的实际用电量数据集（数据非公开）。每个月份的数据由31条记录组成，每条记录有30天。数据集也包含了最高温度、最低温度、湿度、风速和露点等气候信息。耗电量是模型的最终输出，以MWh 为单位。数据的统计特性如表1 所示。数据集划分为训练集（70%）、测试集（15%）和验证集（15%）。

表1 输入数据的统计特性

4 提出算法

4.1 自适应神经模糊推理系统（ANFIS）

自适应神经模糊推理系统（ANFIS）是具有神经网络特性和模糊逻辑特性的神经网络，或者说它是自适应混合多层前馈神经网络[7]。ANFIS执行过程就是利用ANN和FIS的双重学习能力来模拟人类做出智能决策的过程。

4.2 模糊C-均值（FCM）聚类技术

使用FCM 进行聚类时，数据点可以属于具有不同隶属度的多个聚类，并非严格地分配给单个聚类。FCM根据数据点的相似性将数据点划分为聚类。每个对象在其所属聚类的隶属度值在0 至1 之间。FCM 聚类过程分3 步，首先随机设置聚类的中心，然后根据每个聚类中对象的成员关系反复调整，在所有对象成员关系值稳定之后，就得到了完整的聚类。FCM具有处理重叠和模糊数据的能力，因此在多个领域得到了广泛应用。将FCM 与ANFIS 结合有3 个优点：（1）FCM可用于确定ANFIS模型的初始参数；（2）FCM能为ANFIS 的模糊集分配初始隶属度和聚类中心，提高了学习过程的准确性和速度；（3）FCM具有澄清输入和输出变量之间联系的能力，增强了ANFIS模型的可解释性。通过将输入空间划分为模糊区域，FCM简化了与模型预测的输出结果最相关的输入变量的识别。

设X为数据集，X=(x1,x2,…,xn)，xi=(xi1,xi2,…,xi6)，xi1至xi6分别为最高温度、最低温度、湿度、风速、露点和耗电量，U为隶属度矩阵，Uij为第i个数据点属于第j个聚类的隶属度。公式1是用于计算数据点到第j个聚类中心的距离公式。

其中，m为加权指数且m≥1，为权重为m时的隶属度且∈(0,1)，V=(v1,v2,…,vc)是聚类中心，c为聚类个数。公式2用于计算Uij。

4.3 遗传算法

遗传算法（GA）是一种基于搜索的算法，能够解决机器学习中出现的优化问题。遗传算法有选择、交叉和变异等算子，该算子有效解决遗传算法陷于部分最优问题[8]。GA有一个关键优势，不需要误差函数，因此，GA 适用于连续和离散优化问题。将GA与ANFIS结合，能够改进基于Sugeno模型的FIS隶属度函数的优化问题，提高预测精度，降低错误率。

将遗传算法、模糊C-均值聚类和自适应神经模糊推理系统结合在一起，形成GA-ANFIS-FCM混合算法。算法过程分为4步：（1）初始化和生成初始种群；（2）对每个种群成员的适应度进行评估，从种群中选择一对成员进行繁殖，并根据适应度进行排序；（3）将分离的种群个体和当前种群的子集整合到现有种群中，形成新的整体；（4）停止算法，调整ANFIS 参数。这个过程反复执行，直持续到达到预定的终点。图1是电力预测算法流程。

图1 电力预测算法流程

4.4 评估

性能指标用于评估模型预测的精度和准确性。通过将模型的输出与实际数据进行对比，可以评估ANFIS模型是否有效地反映输入和输出之间的潜在联系。通过使用统计性能指标，对多个模型进行比较，以确定哪一个模型在准确性和精确度方面表现更好。本文采用了部分常见的性能指标：平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、均方根系数（CVRMSE）和均方根误差（RMSE）等。各指标描述如下：

其中，Y=(y1,y2,…,yN) 为实际用电量，为预测用电量，k是样本索引，是实际用电量的平均值。

5 实验分析

实现环境为Windows 10，inter（R）CPU@3.20 GHz，16 GB RAM。聚类算法采用的是FCM。实验过程分三步：（1）使用不同的聚类规模对每个模型进行试验，目的是评估不同聚类规模下模型的准确性，并确定产生最佳结果的聚类规模，试验的结果是适用不同聚类规模的不同子模型。（2）使用相同的框架评估子模型的性能，比较其准确性。（3）识别出精度最高的子模型，为每个模型选择最佳聚类数量。表3～5中的粗体表示最佳结果。表2是实验模型设置的参数。

表2 实验模型参数设置

表3 ANFIS-FCM子模型的结果

通过改变模型中聚类的数量来检验独立ANFIS-FCM模型的性能。ANFIS-FCM模型使用4个子模型进行评估，采用不同数量的聚类进行训练和测试。结果如表3所示。从表中发现，使用2 个聚类的ANFIS-FCM1 是测试阶段的最佳模型。统计指标MAPE、MAE、CVRMSE 和RMSE 的值分别为8.2698、754.4429、10.5766和1.0147e+03。最佳模型的准确率为91.7%（MAPE=8.2698），这表明观测到的用电量与预期用电量之间有很好的匹配。从表3中可看出，随着聚类数量从3 个增加到4 个，模型的准确性降低了。这表明，在ANFISFCM模型中使用更多的聚类并不一定会带来更好的准确性，而较小数量的聚类可能会产生更好的结果。

GA对ANFIS具有调整作用，如表4所示。在测试阶段，GA-ANFIS-FCM3 是最佳的子模型，统计指标MAPE、CVRMSE、RMSE 的值分别为7.6345、9.4913、918.6518，预测准确率为92.4%。这表明观测到的能源使用和预期能源消耗之间具有合理的可比性。从表4还可得到，具有5个簇的GA-ANFIS-FCM4具有更好的MAE值，即具有最好的总体最佳性能。

表4 GA-ANFIS-FCM子模型的结果

将最优ANFIS-FCM1 子模型和最优GA-ANFIS-FCM3子模型进行对比，如表5所示。GA-ANFIS-FCM3的性能在4 个统计指标的得分超过了ANFIS-FCM1，进一步说明了混合模型比独立预测模型有优势。

表5 两个最佳模型的比较

6 结语

电力能耗预测是电力系统有效管理的重要任务。准确的电力耗能预测有助于优化电力使用，降低成本，提高能源效率。本文将遗传算法（GA）、聚类算法（FCM）与自适应神经模糊推理系统（ANFIS）相结合，构建了混合模型（GAANFIS-FCM），将该模型应用到了电力能耗预测方面，并与独立的ANFIS-FCM模型进行了比较。实验结果表明，子模型GA-ANFIS-FCM3 为最佳的电力能耗预测模型。本文为GA-ANFIS-FCM混合模型在电力耗能方面的预测提供了有价值的参考，对加强能源管理和提高能源效率具有重要意义。