基于GA-ANFIS-FCM算法的電力能源預測

陳 亮 朱元凱 李長英 謝清強

（泰山職業技術學院，山東 泰安 271000）

1 引言

電力公司負責電力分配，提供不間斷的電力供應，以滿足企業、居民的需求。為實現該目標，需要準確地預測電力能源需求情況，以及預測需求波動幅度，并及時調整能源的生產和分配。精確的能源預測有助于電力供應者降低運營成本，維持經濟高效的電力系統，從而提高經濟效益。因此，預測能源使用量對提高供電系統的可靠性和效率至關重要。

2 文獻綜述

有關電力能耗預測的研究有很多。Jang Roger 于1993年開發了自適應神經模糊推理系統（ANFIS），并應用于風力發電方面[1]。ANFIS 融合了模糊邏輯和神經網絡的優勢，能夠以更高的精度對復雜系統進行建模，但是ANFIS的預測精度時高時低[2]。沈兆軒等使用卷積神經網絡對區域電力能耗進行預測，預測精度有所提高，但效率降低了[3]。王艷松等使用遺傳算法GA對海上油田長期電力能耗進行了預測，精度達到了較高水平[4]。李玲玲等使用ISHO-ELM混合模型預測短期電力能耗，執行效率較高，但在長期預測上精度不足，也不太穩定[5]。Yodav 將ANFIS 與遺傳算法（GA）相結合構建了具有長期性的混合電力預測模型，該模型雖然改進了預測的不穩定問題，但其精度沒得到廣泛認可[6]。

本文在Yodav 工作的基礎上加入模糊C-均值聚類（FCM）算法，構造GA-ANFIS-FCM混合模型，并應用到電力能源預測上，同時與ANFIS模型進行比較。

3 數據收集

實驗數據來自泰山區2022年1-12月的實際用電量數據集（數據非公開）。每個月份的數據由31條記錄組成，每條記錄有30天。數據集也包含了最高溫度、最低溫度、濕度、風速和露點等氣候信息。耗電量是模型的最終輸出，以MWh 為單位。數據的統計特性如表1 所示。數據集劃分為訓練集（70%）、測試集（15%）和驗證集（15%）。

表1 輸入數據的統計特性

4 提出算法

4.1 自適應神經模糊推理系統（ANFIS）

自適應神經模糊推理系統（ANFIS）是具有神經網絡特性和模糊邏輯特性的神經網絡，或者說它是自適應混合多層前饋神經網絡[7]。ANFIS執行過程就是利用ANN和FIS的雙重學習能力來模擬人類做出智能決策的過程。

4.2 模糊C-均值（FCM）聚類技術

使用FCM 進行聚類時，數據點可以屬于具有不同隸屬度的多個聚類，并非嚴格地分配給單個聚類。FCM根據數據點的相似性將數據點劃分為聚類。每個對象在其所屬聚類的隸屬度值在0 至1 之間。FCM 聚類過程分3 步，首先隨機設置聚類的中心，然后根據每個聚類中對象的成員關系反復調整，在所有對象成員關系值穩定之后，就得到了完整的聚類。FCM具有處理重疊和模糊數據的能力，因此在多個領域得到了廣泛應用。將FCM 與ANFIS 結合有3 個優點：（1）FCM可用于確定ANFIS模型的初始參數；（2）FCM能為ANFIS 的模糊集分配初始隸屬度和聚類中心，提高了學習過程的準確性和速度；（3）FCM具有澄清輸入和輸出變量之間聯系的能力，增強了ANFIS模型的可解釋性。通過將輸入空間劃分為模糊區域，FCM簡化了與模型預測的輸出結果最相關的輸入變量的識別。

設X為數據集，X=(x1,x2,…,xn)，xi=(xi1,xi2,…,xi6)，xi1至xi6分別為最高溫度、最低溫度、濕度、風速、露點和耗電量，U為隸屬度矩陣，Uij為第i個數據點屬于第j個聚類的隸屬度。公式1是用于計算數據點到第j個聚類中心的距離公式。

其中，m為加權指數且m≥1，為權重為m時的隸屬度且∈(0,1)，V=(v1,v2,…,vc)是聚類中心，c為聚類個數。公式2用于計算Uij。

4.3 遺傳算法

遺傳算法（GA）是一種基于搜索的算法，能夠解決機器學習中出現的優化問題。遺傳算法有選擇、交叉和變異等算子，該算子有效解決遺傳算法陷于部分最優問題[8]。GA有一個關鍵優勢，不需要誤差函數，因此，GA 適用于連續和離散優化問題。將GA與ANFIS結合，能夠改進基于Sugeno模型的FIS隸屬度函數的優化問題，提高預測精度，降低錯誤率。

將遺傳算法、模糊C-均值聚類和自適應神經模糊推理系統結合在一起，形成GA-ANFIS-FCM混合算法。算法過程分為4步：（1）初始化和生成初始種群；（2）對每個種群成員的適應度進行評估，從種群中選擇一對成員進行繁殖，并根據適應度進行排序；（3）將分離的種群個體和當前種群的子集整合到現有種群中，形成新的整體；（4）停止算法，調整ANFIS 參數。這個過程反復執行，直持續到達到預定的終點。圖1是電力預測算法流程。

圖1 電力預測算法流程

4.4 評估

性能指標用于評估模型預測的精度和準確性。通過將模型的輸出與實際數據進行對比，可以評估ANFIS模型是否有效地反映輸入和輸出之間的潛在聯系。通過使用統計性能指標，對多個模型進行比較，以確定哪一個模型在準確性和精確度方面表現更好。本文采用了部分常見的性能指標：平均絕對百分比誤差（MAPE）、平均絕對誤差（MAE）、均方根系數（CVRMSE）和均方根誤差（RMSE）等。各指標描述如下：

其中，Y=(y1,y2,…,yN) 為實際用電量，為預測用電量，k是樣本索引，是實際用電量的平均值。

5 實驗分析

實現環境為Windows 10，inter（R）CPU@3.20 GHz，16 GB RAM。聚類算法采用的是FCM。實驗過程分三步：（1）使用不同的聚類規模對每個模型進行試驗，目的是評估不同聚類規模下模型的準確性，并確定產生最佳結果的聚類規模，試驗的結果是適用不同聚類規模的不同子模型。（2）使用相同的框架評估子模型的性能，比較其準確性。（3）識別出精度最高的子模型，為每個模型選擇最佳聚類數量。表3～5中的粗體表示最佳結果。表2是實驗模型設置的參數。

表2 實驗模型參數設置

表3 ANFIS-FCM子模型的結果

通過改變模型中聚類的數量來檢驗獨立ANFIS-FCM模型的性能。ANFIS-FCM模型使用4個子模型進行評估，采用不同數量的聚類進行訓練和測試。結果如表3所示。從表中發現，使用2 個聚類的ANFIS-FCM1 是測試階段的最佳模型。統計指標MAPE、MAE、CVRMSE 和RMSE 的值分別為8.2698、754.4429、10.5766和1.0147e+03。最佳模型的準確率為91.7%（MAPE=8.2698），這表明觀測到的用電量與預期用電量之間有很好的匹配。從表3中可看出，隨著聚類數量從3 個增加到4 個，模型的準確性降低了。這表明，在ANFISFCM模型中使用更多的聚類并不一定會帶來更好的準確性，而較小數量的聚類可能會產生更好的結果。

GA對ANFIS具有調整作用，如表4所示。在測試階段，GA-ANFIS-FCM3 是最佳的子模型，統計指標MAPE、CVRMSE、RMSE 的值分別為7.6345、9.4913、918.6518，預測準確率為92.4%。這表明觀測到的能源使用和預期能源消耗之間具有合理的可比性。從表4還可得到，具有5個簇的GA-ANFIS-FCM4具有更好的MAE值，即具有最好的總體最佳性能。

表4 GA-ANFIS-FCM子模型的結果

將最優ANFIS-FCM1 子模型和最優GA-ANFIS-FCM3子模型進行對比，如表5所示。GA-ANFIS-FCM3的性能在4 個統計指標的得分超過了ANFIS-FCM1，進一步說明了混合模型比獨立預測模型有優勢。

表5 兩個最佳模型的比較

6 結語

電力能耗預測是電力系統有效管理的重要任務。準確的電力耗能預測有助于優化電力使用，降低成本，提高能源效率。本文將遺傳算法（GA）、聚類算法（FCM）與自適應神經模糊推理系統（ANFIS）相結合，構建了混合模型（GAANFIS-FCM），將該模型應用到了電力能耗預測方面，并與獨立的ANFIS-FCM模型進行了比較。實驗結果表明，子模型GA-ANFIS-FCM3 為最佳的電力能耗預測模型。本文為GA-ANFIS-FCM混合模型在電力耗能方面的預測提供了有價值的參考，對加強能源管理和提高能源效率具有重要意義。