随着全球贸易经济的不断发展,人们对电能的需求不断加大,如何合理预测电力能源需求就成为智慧能源研究的核心问题之一,日益引起学者们的广泛关注。电力负荷的日峰是指一天的最高的电力负荷,对于电力负荷日峰的综合研究可以对电力部门的供电调度提供可靠依据。本文研究电力负荷日峰的综合预测问题,主要基于改进自适应神经网络模糊推理系统(ANFIS),给出一种基于多模型综合集成的预测方法。首先,给出模糊数学基础概念、ANFIS模型以及XGBoost优化算法等基础知识。然后,对日峰负荷相关影响因素进行分析,从日峰负荷的长期趋势曲线分析日峰负荷具有季节性和周期性。进而,从时间因素和气象因素两个角度对日峰负荷进行统计分析。接着,基于对日峰负荷影响因素的分析结果选择预测模型的输入,包括季节类型、日期类型、时刻类型、温湿度类型、露点类型以及前一日的日峰类型等,并通过创建隶属度函数,改进模糊C-均值聚类,确定输入模糊矩阵。随后借助数据的强度释放和归一化,利用XGBoost算法改进模糊神经网络的训练过程,对日峰负荷进行预测。实验结果表明,对基于改进ANFIS模型的多模型预测方法对日峰负荷预测效果很好,比基于BP神经网络模型、SVM回归模型以及Linear Regression模型的预测均方误差分别下降了0.2%、0.9%和2.5%。与基于ANFIS和XGBoost的单模型预测方式相比准确度也有明显的提升。