基于灰狼算法优化的电量预测

联合循环发电厂数据集 (Combined Cycle Power Plant, CCPP) 是加州大学欧文分校 (UCI) 机器学习库中的经典回归基准数据集。该数据集包含了某大型燃气-蒸汽联合循环电厂在满负荷运行状态下，历时 6 年采集的 9568 个连续型数据样本。

联合循环发电厂的核心机制是利用燃气轮机的排气热量来产生蒸汽，进而驱动蒸汽轮机发电。因此，其发电效率高度依赖于复杂的外部环境热力学条件。数据集包含以下五个连续数值变量：

• 输入特征 (Features):
  • AT (Ambient Temperature, 环境温度): 范围 1.81°C - 37.11°C。直接影响燃气轮机的进气密度。
  • V (Exhaust Vacuum, 排气真空度): 范围 25.36 cmHg - 81.56 cmHg。影响蒸汽轮机的做功能力。
  • AP (Ambient Pressure, 环境压力): 范围 992.89 millibar - 1033.30 millibar。
  • RH (Relative Humidity, 相对湿度): 范围 25.56% - 100.16%。
• 预测目标 (Target):
  • PE (Net hourly electrical energy output, 净小时发电量): 范围 420.26 MW - 495.76 MW。这是系统需要优化的核心指标。

第一步：环境准备与数据下载

首先，请确保安装了数据分析和 UCI 接口所需的 Python 库：

Bash

pip install ucimlrepo pandas numpy matplotlib seaborn scikit-learn

接下来，编写第一段 Python 脚本，直接通过官方 API 下载联合循环发电厂 (CCPP) 数据集，并查看其基本结构：

import pandas as pd
from ucimlrepo import fetch_ucirepo 

# 1. 下载并加载 UCI Combined Cycle Power Plant 数据集 (ID: 294)
print("正在从 UCI 库下载数据集，请稍候...")
ccpp_dataset = fetch_ucirepo(id=294) 

# 2. 提取特征 (X) 和 目标变量 (y)
X = ccpp_dataset.data.features 
y = ccpp_dataset.data.targets 

# 3. 合并为一个完整的 DataFrame 方便分析
# 特征含义：AT(温度), V(排气真空度), AP(环境压力), RH(相对湿度)
# 目标含义：PE(净小时电能输出)
df = pd.concat([X, y], axis=1)

# 4. 打印数据集基本信息
print("\n--- 数据集基本结构 ---")
print(f"数据量（样本数）: {df.shape[0]}")
print(f"特征数量: {df.shape[1] - 1}")
print("\n--- 前 5 行数据预览 ---")
print(df.head())

第二步：数据的基本统计分析

在做任何预测之前，必须检查数据是否有缺失值，以及各变量的取值范围（均值、标准差、最大/最小值），这能帮我们决定后续是否需要进行数据标准化。

Python

print("\n--- 缺失值检查 ---")
print(df.isnull().sum())  # 检查是否有空数据

print("\n--- 数据的描述性统计 ---")
# describe() 可以快速输出均值、标准差、分位数等信息
print(df.describe())

如图所示，数据集中不存在相关的缺失值。获取数据后，计算各个特征的均值、方差、极值等统计量。这一步的意义在于观察特征之间的量纲差异。例如，AP 的均值在 1013 左右，而 AT 的均值在 19 左右。这种巨大的数值尺度差异会在后续建模时，导致距离度量敏感型模型（如我们要用的 SVR）产生严重的权重偏移。

第三步：相关性分析与可视化

相关性分析（通常采用 Pearson 相关系数）是回归任务中至关重要的一步。它能够用定量的方式告诉我们，哪些特征对最终的发电量（PE）影响最大，哪些特征影响较小。

以下是计算相关系数矩阵并进行可视化的完整代码：

Python

import matplotlib.pyplot as plt
import seaborn as sns

# 1. 计算 Pearson 相关系数矩阵
correlation_matrix = df.corr()
print("\n--- 相关系数矩阵 ---")
print(correlation_matrix['PE'].sort_values(ascending=False)) 
# 重点查看其他特征与目标 PE 的相关性

# 2. 绘制相关性热力图 (Heatmap)
plt.figure(figsize=(8, 6))
# font_manager 可选，用于防止中文乱码，这里直接用 seaborn 默认风格
sns.set_theme(style="white")
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f", linewidths=0.5)
plt.title('CCPP Dataset Correlation Heatmap')
plt.show()

# 3. 绘制特征与目标的散点关系图矩阵 (Pairplot)
# 这能让我们直观看到变量之间是线性关系还是非线性关系
print("正在生成散点图矩阵，这可能需要几秒钟...")
sns.pairplot(df, x_vars=['AT', 'V', 'AP', 'RH'], y_vars='PE', kind='reg', height=4)
plt.suptitle('Feature vs Target (PE) Scatter Plots with Regression Line', y=1.05)
plt.show()

如图所示，在强驱动因子的识别（目标相关性分析）方面，AT 与 PE (-0.95): 呈现极强的负相关。从散点图第一列可以看出，数据点紧密围绕回归线分布，呈明显的线性衰减趋势。物理意义上，环境温度升高会导致空气密度下降，燃气轮机进气质量减少，从而显著降低整体发电功率。V 与 PE (-0.87): 同样呈现强负相关。散点图显示其分布相较于 AT 略微发散，但在整体趋势上依然对发电量起决定性抑制作用。在弱关联与噪声预警 方面，AP (0.52) 和 RH (0.39) 与 PE: 相关性较弱。在散点图中，这两者的分布呈现出明显的"云团状"，数据点离散程度高，方差较大。这意味着它们虽然对发电量有正向影响，但包含的有效信息信噪比较低。如果直接将它们全权重输入模型，可能会干扰 SVR 的拟合过程。同时，请注意热力图的左上角：AT 与 V 之间的相关系数高达 0.84。这是一个非常重要的信号。这两个最强的主导特征之间存在高度的正相关。在经典机器学习理论中，输入特征之间的高相关性（多重共线性）会导致模型参数的方差变大，降低模型的稳定性。

由于 AT 和 V 占据了决定性的主导地位，而 AP 和 RH 的关联度较低，这说明数据内部存在信息冗余和尺度不一致。如果直接将这 4 个特征送入 SVR 模型，弱相关特征可能会引入噪声。因此，在后面的群体智能算法设计中，我们如果让算法同时进行"特征加权/选择"和"SVR超参数寻优" ，其效果一定能轻松超越仅做参数寻优的普通模型。我们可以让群体算法不仅去优化 SVR 的超参数，同时赋予它一个特征权重分配 的任务，让算法自动去抑制冗余信息，放大核心信息。

第四步：建模阶段

我们正式进入建模阶段。构建基线模型是量化后续群体智能算法优化效果的关键。在执行支持向量回归（SVR）时，由于其底层数学逻辑依赖于计算样本点在特征空间中的距离（特别是使用默认的高斯径向基核函数 RBF 时），如果特征量纲不统一（例如压力 APAPAP 是 1013，而温度 ATATAT 是 19），大数值特征会主导距离计算，掩盖小数值特征的权重。因此，数据标准化是不可省略的前置步骤。

以下是涵盖数据划分、标准化、基线训练与评估的完整 Python 代码。

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score

# 假设 df, X, y 已经在第一阶段准备好
# 如果分离提取，X 为特征矩阵 (AT, V, AP, RH)，y 为目标变量 (PE)

print("--- 开始构建 SVR 基线模型 ---")

# 1. 数据划分：8:2 划分训练集与测试集
# random_state 保证每次运行结果可复现，便于后续严格对比优化效果
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print(f"训练集样本数: {X_train.shape[0]}, 测试集样本数: {X_test.shape[0]}")

# 2. 数据预处理：Z-score 标准化
scaler = StandardScaler()
# 注意：必须仅在训练集上 fit，然后 transform 训练集和测试集，防止数据泄露(Data Leakage)
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 为了后续使用 SVR，建议将 y 也转换为一维数组（如果它当前是 DataFrame 或 2D 数组）
y_train = np.ravel(y_train)
y_test = np.ravel(y_test)

# 3. 基线训练：实例化默认参数的 SVR 模型
# 默认参数通常为：kernel='rbf', C=1.0, epsilon=0.1, gamma='scale'
baseline_svr = SVR()

print("\n模型训练中，请稍候...")
baseline_svr.fit(X_train_scaled, y_train)

# 4. 基准评估：在测试集上进行预测
y_pred = baseline_svr.predict(X_test_scaled)

# 计算评估指标
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print("\n--- 基线模型 (默认参数 SVR) 评估结果 ---")
print(f"均方根误差 (RMSE): {rmse:.4f} MW")
print(f"决定系数 (R^2): {r2:.4f}")

代码运行原理解析与预期结果

当你运行这段代码时，输出结果通常会稳定在一个特定的区间（针对 CCPP 数据集，默认 SVR 的 R2R^2R2 通常在 0.920.920.92 到 0.940.940.94 之间，RMSERMSERMSE 大约在 4.04.04.0 到 4.54.54.5 兆瓦之间）。

这些指标为我们提供了以下参考基准：

• R2R^2R2 (决定系数): 反映了模型对目标变量方差的解释能力。假设基线 R2R^2R2 为 0.930.930.93，意味着默认 SVR 能够捕捉数据中 93% 的规律。我们后续引入的优化算法，其目标就是去挖掘那剩下的 7% 空间。
• RMSERMSERMSE (均方根误差): 直观量化了预测发电量与真实发电量之间的平均偏差。如果 RMSERMSERMSE 是 4.5 MW，说明模型的预测值平均会偏离真实值 4.5 兆瓦。在工业界，降低这个指标具有显著的经济价值。

在完成这一步并记录下基准 RMSERMSERMSE 和 R2R^2R2 的具体数值后，基线靶标就已建立。接下来的工作，便是设计群体智能算法（如 GWO 或 SSA），让算法接管 SVR 的超参数寻优过程，从而在测试集上击败目前的基线数值。

部分训练结果如下所示。

SVR 在处理规模约为 (7654,4)(7654, 4)(7654,4) 这种低维、中等样本量的表格型数据时，计算效率极高。相比于在复杂场景感知或多目标跟踪框架中进行大规模特征提取、边界框回归和阈值搜索，这种传统机器学习的拟合过程在现代 CPU 上几乎是瞬间完成的。不过，请注意：目前快是因为模型只在默认的一组参数 (C=1.0,γ=scale)(C=1.0, \gamma=\text{scale})(C=1.0,γ=scale) 上训练了一次。当我们引入群体智能算法后，种群中的每个个体（比如 30 只灰狼）在每一次迭代（比如 50 次）中都需要重新训练一次 SVR 评估适应度。这意味着 SVR 将被重复训练 30×50=150030 \times 50 = 150030×50=1500 次，计算时间会有显著的增加。

第五步：灰狼算法优化

在基于 RBF（径向基）核的 SVR 中，CCC 和 γ\gammaγ 共同决定了模型的拟合形态：

1. 惩罚参数 CCC (Penalty Parameter):

   • 意义： 代表模型对误差的容忍度。CCC 越大，模型对训练集中的误差惩罚越重，试图"贴紧"每一个数据点（容易过拟合）；CCC 越小，模型越平滑，允许存在一些误差（容易欠拟合）。
   • 合理搜索范围： 0.1,1000.1, 1000.1,100 或 1,2001, 2001,200。对于 CCPP 这个数据量级（近万条），过大的 CCC 会导致训练时间指数级增加。推荐设定下限 (lb) 为 0.1，上限 (ub) 为 100。

2. 核参数 γ\gammaγ (Gamma):

   • 意义： 决定了单个样本点的影响半径。γ\gammaγ 越大，支持向量的影响范围越小，模型在高维空间中的决策面越扭曲；γ\gammaγ 越小，影响范围越大，决策面越平滑。
   • 合理搜索范围： 0.001,100.001, 100.001,10。由于我们已经对数据进行了 StandardScaler 标准化，特征方差为 1，因此通常 γ\gammaγ 不需要太大。推荐设定下限 (lb) 为 0.001，上限 (ub) 为 10。

   import numpy as np
   from sklearn.svm import SVR
   from sklearn.model_selection import cross_val_score
   import matplotlib.pyplot as plt

   =======================================================

   1. 定义适应度函数 (Fitness Function)

   =======================================================

   def fitness_function(position, X, y):
   """
   计算当前狼所在位置 (参数组合) 的适应度。
   目标是最小化 3 折交叉验证的 RMSE，以保证算法找到的参数具有较强的泛化能力。
   """
   C_val, gamma_val = position[0], position[1]

    # 实例化 SVR，代入当前位置代表的参数
    model = SVR(kernel='rbf', C=C_val, gamma=gamma_val)
    
    # 使用训练集进行 3 折交叉验证
    # scoring='neg_root_mean_squared_error' 返回负值，我们需要最小化误差，所以取绝对值
    scores = cross_val_score(model, X, y, cv=3, scoring='neg_root_mean_squared_error', n_jobs=-1)
    
    # 返回平均 RMSE 作为该个体的适应度
    return np.abs(scores.mean())

   =======================================================

   2. 灰狼优化器 (GWO) 核心算法

   =======================================================

   def GWO_SVR(X_train, y_train, lb, ub, SearchAgents_no=15, Max_iter=30):
   """
   lb: 参数下界 [C_min, gamma_min]
   ub: 参数上界 [C_max, gamma_max]
   SearchAgents_no: 种群数量 (狼的数量)
   Max_iter: 最大迭代次数
   """
   dim = 2 # 优化的维度：C 和 gamma

    # 初始化 Alpha(头狼), Beta(副头狼), Delta(侦察狼) 的位置和得分
    Alpha_pos = np.zeros(dim)
    Alpha_score = float("inf") # 越小越好
    
    Beta_pos = np.zeros(dim)
    Beta_score = float("inf")
    
    Delta_pos = np.zeros(dim)
    Delta_score = float("inf")
   
    # 初始化种群位置 (在边界范围内随机撒点)
    Positions = np.zeros((SearchAgents_no, dim))
    for i in range(dim):
        Positions[:, i] = np.random.uniform(0, 1, SearchAgents_no) * (ub[i] - lb[i]) + lb[i]
   
    # 用于记录历代的最佳适应度，方便画图
    Convergence_curve = np.zeros(Max_iter)
   
    print(f"\n--- 开始 GWO 寻优 (狼群数量:{SearchAgents_no}, 迭代次数:{Max_iter}) ---")
    
    for l in range(0, Max_iter):
        for i in range(0, SearchAgents_no):
            
            # 1. 边界处理：防止狼跑出我们设定的 [C, gamma] 搜索空间
            for j in range(dim):
                Positions[i, j] = np.clip(Positions[i, j], lb[j], ub[j])
            
            # 2. 评估当前狼的适应度 (计算 RMSE)
            fitness = fitness_function(Positions[i, :], X_train, y_train)
   
            # 3. 更新社会等级 (Alpha, Beta, Delta)
            if fitness < Alpha_score:
                Delta_score = Beta_score 
                Delta_pos = Beta_pos.copy()
                Beta_score = Alpha_score  
                Beta_pos = Alpha_pos.copy()
                Alpha_score = fitness
                Alpha_pos = Positions[i, :].copy()
            elif fitness < Beta_score:
                Delta_score = Beta_score  
                Delta_pos = Beta_pos.copy()
                Beta_score = fitness
                Beta_pos = Positions[i, :].copy()
            elif fitness < Delta_score:
                Delta_score = fitness
                Delta_pos = Positions[i, :].copy()
   
        # a 参数从 2 线性递减到 0 (控制算法从全局探索过渡到局部开发)
        a = 2 - l * ((2) / Max_iter)
   
        # 4. 更新整个狼群的位置
        for i in range(0, SearchAgents_no):
            for j in range(0, dim):
                # 包围猎物机制
                r1 = np.random.random()
                r2 = np.random.random()
                A1 = 2 * a * r1 - a
                C1 = 2 * r2
                D_alpha = abs(C1 * Alpha_pos[j] - Positions[i, j])
                X1 = Alpha_pos[j] - A1 * D_alpha
   
                r1 = np.random.random()
                r2 = np.random.random()
                A2 = 2 * a * r1 - a
                C2 = 2 * r2
                D_beta = abs(C2 * Beta_pos[j] - Positions[i, j])
                X2 = Beta_pos[j] - A2 * D_beta
   
                r1 = np.random.random()
                r2 = np.random.random()
                A3 = 2 * a * r1 - a
                C3 = 2 * r2
                D_delta = abs(C3 * Delta_pos[j] - Positions[i, j])
                X3 = Delta_pos[j] - A3 * D_delta
   
                # 依据三只头狼的位置计算新位置
                Positions[i, j] = (X1 + X2 + X3) / 3
   
        Convergence_curve[l] = Alpha_score
        
        # 打印部分迭代过程，方便监控
        if (l + 1) % 5 == 0 or l == 0:
            print(f"迭代 {l+1}/{Max_iter} | 最优 RMSE: {Alpha_score:.4f} | 当前最佳参数: C={Alpha_pos[0]:.2f}, gamma={Alpha_pos[1]:.4f}")
   
    return Alpha_pos, Convergence_curve

   =======================================================

   3. 执行优化并验证结果

   =======================================================

   设定搜索边界: C在[0.1, 100], gamma在[0.001, 10]

   lower_bound = [0.1, 0.001]
   upper_bound = [100, 10]

   运行 GWO (这里为了 Demo 演示速度，设定狼数为 10，迭代 15 次。正式跑建议 30-50 狼，30-50 次迭代)

   best_params, convergence = GWO_SVR(X_train_scaled, y_train, lb=lower_bound, ub=upper_bound, SearchAgents_no=10, Max_iter=15)

   print("\n--- 寻优结束，验证最终模型 ---")
   best_C, best_gamma = best_params[0], best_params[1]

   用找到的全局最优参数，在全部训练集上重新训练最终模型

   optimized_svr = SVR(kernel='rbf', C=best_C, gamma=best_gamma)
   optimized_svr.fit(X_train_scaled, y_train)

   在测试集上进行终极对决

   y_pred_opt = optimized_svr.predict(X_test_scaled)

   from sklearn.metrics import mean_squared_error, r2_score
   rmse_opt = np.sqrt(mean_squared_error(y_test, y_pred_opt))
   r2_opt = r2_score(y_test, y_pred_opt)

   print(f"GWO-SVR 测试集均方根误差 (RMSE): {rmse_opt:.4f} MW")
   print(f"GWO-SVR 测试集决定系数 (R^2): {r2_opt:.4f}")

   绘制收敛曲线

   plt.figure(figsize=(8, 5))
   plt.plot(convergence, color='blue', linewidth=2, marker='o')
   plt.title('GWO-SVR Fitness Convergence Curve')
   plt.xlabel('Iteration')
   plt.ylabel('RMSE (Validation Set)')
   plt.grid(True)
   plt.show()

这段代码集成了超参数寻优的逻辑、交叉验证机制以及图形化的收敛曲线展示。一旦跑完，你就可以拿打印出的 rmse_opt 直接和之前基线的 4.0955 进行对比。如果成功降到 4.09 以下，就证明了 GWO 在这个高维参数曲面中成功找到了更优的解。具体运行结果如下所示。

如图所示，在算法启动的早期，最优 RMSE 从 3.918 迅速下降到 3.908。这体现了 GWO 算法在初期（收敛因子 aaa 较大时）具备很强的全局探索（Global Exploration）能力，狼群迅速锁定了具有高潜力的参数盆地。曲线在中期段期间保持平整。从算法机制上看，此时三只头狼（α,β,δ\alpha, \beta, \deltaα,β,δ）正引导狼群在一个局部最优解附近进行徘徊。传统的梯度下降算法极容易在这个阶段陷入死局。

在第 9 次迭代后，适应度曲线再次发生下降（RMSE 降至 3.9074）。这证明了 GWO 的协同狩猎机制发挥了作用：在收敛因子 aaa 逐渐减小的过程中，狼群没有被困死在之前的局部最优中，而是通过互相的信息共享，成功跳出了陷阱，找到了一个更优的参数组合（最终稳定在 C≈31.71C \approx 31.71C≈31.71, γ≈1.8700\gamma \approx 1.8700γ≈1.8700）。

第六步：模型的具体使用

工业应用中，找到最优参数只是手段，最终目的就是将模型固化并用于真实未知环境的预测 ，在实际电厂调度室中，传感器每隔几分钟就会传回一组当前的环境数据（温度、真空度、压力、湿度）。在该数据集下，我们将保存好的 StandardScaler（用于统一量纲）和训练好的 SVR 模型加载，实时输出预测发电量。你可以运行这段代码来模拟一次真实的工业预测：

import numpy as np

# 1. 假设这是今天早晨 8:00 传感器传回的一组新数据 (未经标准化的原始值)
# 格式: [AT(温度), V(真空度), AP(压力), RH(湿度)]
new_sensor_data = np.array([[20.5, 50.1, 1012.0, 75.0]])

# 2. 必须使用训练集拟合过的 scaler 对新数据进行同等尺度的标准化
# (注意：直接使用上文中已经 fit 过的 scaler)
new_data_scaled = scaler.transform(new_sensor_data)

# 3. 使用我们在 GWO 中得到的最佳参数实例化最终的生产环境模型
# (在实际工程中，这个模型是可以持久化保存为 .pkl 文件的)
production_svr = SVR(kernel='rbf', C=31.71, gamma=1.8700)

# 4. 在全量历史训练数据上进行最终的拟合
production_svr.fit(X_train_scaled, y_train)

# 5. 实时预测发电量
predicted_PE = production_svr.predict(new_data_scaled)

print(f"当前环境参数下，电厂预计净小时发电量为: {predicted_PE[0]:.2f} MW")

运行如下所示。