一种基于自适应神经模糊推理系统(ANFIS)框架的越南能源消费预测新方法

《Processes》：A Novel ANFIS Framework for Energy Consumption Forecasting in Vietnam

　　

准确预测未来能源消费对于越南的国家能源安全和可持续经济规划至关重要。然而，能源消费数据具有非线性、高度波动及复杂季节性变化的特征。为解决这一问题，本研究提出一种基于自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)的新型框架；所建模型通过整合Denton比例法、ANFIS及三种元启发式算法——粒子群优化(Particle Swarm Optimization, PSO)、灰狼优化器(Grey Wolf Optimizer, GWO)和鲸鱼优化算法(Whale Optimization Algorithm, WOA)——实现参数寻优。仿真结果表明，PSO-ANFIS模型取得了最佳性能，平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为4.65%，决定系数(R2)为0.7275。基于该结果，研究人员认为PSO-ANFIS模型是越南能源消费需求预测的理想候选模型；预计到2030年能源消费需求将达到3108.38亿千瓦时。上述发现为电网管理与战略性政策制定提供了可靠的科学依据。

论文解读：越南能源消费预测的ANFIS-Denton-元启发式混合框架研究

一、研究背景与意义

越南等发展中国家经济快速增长高度依赖能源消耗，官方预测其到2030年商业用电需求将达505.2亿千瓦时。准确的能源需求预测是保障国家能源安全与电力系统高效运行的前提，但面临两大难题：一是能源消费受经济与季节因素驱动呈强非线性与高波动特征，难以建模；二是越南官方能源统计数据通常仅为年度低频数据（观测样本常不足50个），无法支撑需大量数据训练的深度学习模型（如CNN-LSTM、LSTM），否则易过拟合。自适应神经模糊推理系统(ANFIS, Adaptive Neuro-Fuzzy Inference System)结合神经网络学习与模糊逻辑推理，适合小样本非线性建模，但其标准梯度下降训练易陷入局部最优。为此，研究人员开展此项研究，提出融合时序解聚与元启发式算法优化的两阶段ANFIS混合预测框架，并以越南2009—2024年数据为对象验证，最终遴选出最优模型并对2026—2030年能源需求进行多情景预测，为电网扩容与国家能源战略提供量化依据。该论文发表于《Processes》。

二、关键技术方法

研究人员采用越南2009—2024年年度总能源消费(Total Energy Consumption, 来自Our World in Data)、月度工业产出指数(Index of Industrial Production, IIP, 来自越南统计总局)与月度外商直接投资(Foreign Direct Investment, FDI, 来自计划投资部)，并以月度商业发电量(Commercial Electricity Output, 来自工贸部MOIT)为高频率参照指标。关键技术步骤包括：(1)Denton比例法(Denton proportional method)将年度能耗解聚为月度序列，约束条件为各月加总严格等于年度值并保留参照指标的季节性波动；(2)一阶差分使解聚后月度序列经Augmented Dickey–Fuller(ADF)检验平稳后作为ANFIS输入（IIP与FDI的一阶差分为自变量，能耗一阶差分为因变量），ANFIS采用一阶Takagi–Sugeno型结构及高斯隶属函数(Gaussian membership function)；(3)以最小化均方误差(Mean Squared Error, MSE)为目标，分别用PSO、GWO、WOA三种元启发式算法全局优化ANFIS前提参数(隶属函数中心c、宽度σ)与结论参数(线性权重p,q,r)，数据集按2009—2021训练、2022—2024测试划分以防数据泄露；(4)以RMSE、MAE、MAPE、R²评价预测精度，通过Friedman检验、Wilcoxon符号秩检验及Cliff's Delta进行非参数统计显著性对比，以Durbin–Watson(DW)检验与Shapiro–Wilk检验做残差诊断；(5)选取最优PSO-ANFIS，按低(复合年增长率CAGR=3.5%)、基准(CAGR=6.0%)、高(CAGR=8.0%)三种宏观经济情景由Denton-Cholette法生成2025—2030年月度IIP与FDI输入，推演未来能源需求。

三、研究结果

4.1 数据收集与预处理(Data Collection and Preprocessing)

研究人员验证年度总能耗与加总商业发电量的高度线性相关(R接近0.9974)，确认参照指标可代表能耗趋势。Denton解聚后月度值回加与原始年度值完全吻合，且相比线性插值，Denton法继承参照指标季节性(CV=6.90% vs 0.77%)，比值平方和(Sum of Squared Differences, SSD)较线性插值缩小约554倍，消除年度边界阶跃。ADF检验原序列非平稳(p=0.9914)，一阶差分后平稳(p=0.0261＜0.05)，以此构建输入向量。相关性热图显示能耗与IIP呈强正相关，确认工业活动为主要驱动因子。

4.2 预测性能比较(Forecasting Performance Comparison)

标准ANFIS的R²=0.58；PSO-ANFIS与GWO-ANFIS显著优于标准ANFIS及基准模型(ARIMAX、SVR、LSTM)，其中PSO-ANFIS测试集表现最佳：MAPE=4.65%，R²=0.7275，RMSE与MAE亦最低；GWO-ANFIS近似(MAPE=4.65%，R²=0.72)；WOA-ANFIS最差(R²=0.45)。Friedman检验(p＜0.05)表明三模型性能显著差异；Wilcoxon两两检验显示PSO-ANFIS与GWO-ANFIS无统计学差异(p＞0.05)，但PSO-ANFIS显著优于WOA-ANFIS(p＜0.05)。稳定性分析显示PSO-ANFIS变异系数(CV≈4.05%─5.25%)低于GWO-ANFIS(CV≈5.63%─6.45%)，四分位距(IQR)更窄，30次独立运行中各指标胜率46%─50%(vs GWO)及96%─100%(vs WOA)，故遴选PSO-ANFIS为最终模型。残差诊断DW=2.41(近2，无自相关)，Shapiro–Wilk检验未拒绝正态性，满足可靠预测假设。

4.3 未来能源需求(Future Energy Demand)

以2024年为季节参照，Denton-Cholette法将CAGR情景下年度IIP与FDI转为月度输入。2026年基准情景月消费呈季节性：1月最低(133.29亿kWh)，6月峰值(172.70亿kWh，夏季制冷负荷)。长周期预测显示基准情景下年度总能耗从2026年1929.20亿kWh增至2030年3108.38亿kWh；低增长与高增长情景差距随时间扩大。研究人员明确该值为一次能源消费总量(含石油、煤炭、天然气、生物质及电力的输配损耗)，非单纯商业电量，与越南《电力发展规划VIII》(PDP8)商业电量505.2亿kWh不矛盾。预测曲线与历史数据平滑衔接，随总量上升季节性波动放大。

四、讨论与结论总结

研究人员指出，所提Denton解聚+元启发式优化ANFIS两阶段框架有效克服了年度数据稀缺与ANFIS易陷局部最优问题。经对比，PSO-ANFIS在精度(R²=0.7275, MAPE=4.65%)与稳定性(CV≈4–5%, Std.Dev.=0.0012)上综合最优，GWO-ANFIS精度相当但波动略大，WOA-ANFIS表现不稳且精度偏低。基于PSO-ANFIS的多情景预测表明越南2026—2030年一次能源消费将持续显著增长，基准情景2030年达3108.38亿kWh，模型能合理刻画夏峰与假期谷值等季节性特征。该框架为电网调度部门与政策制定者提供了量化工具。研究人员也承认局限：Denton生成的月度序列为合成伪高频数据，解聚偏差可能沿递至预测阶段；此外固定CAGR情景未涵盖突发宏观冲击或激进环保政策。未来建议在获得真实高频宏观数据后校验框架，并可引入可再生能源占比或气候变量以提升长期精度。