优质、清洁、环保的天然气对改善环境大有裨益,它在能源消费中的占比也将越来越大。天然气的需求和消费不断增加,与之相关的供给可靠性也越来越受到大家的重视,而燃气负荷的准确预测对供给的可靠性具有重要意义。本文主要工作是对预测模型以及预测策略进行改进,以求得到最佳的燃气负荷预测精度。首先,在对常用预测模型和算法进行理论介绍的基础上,对支持向量机、BP神经网络、极限学习机等预测模型在燃气负荷数据上进行实验仿真。实验结果表明,这些模型预测性能受参数取值影响较大。因此,选取合适的参数对提高预测性能具有重要意义。然后,为得到合适的参数,本文研究采用群智能算法进行参数寻优。其中人工蜂群算法已被证实优于遗传算法和粒子群算法,具有更加优越的优化性能,因而本文采用人工蜂群算法为预测模型选择参数。由于该算法具有一些固有缺陷,如逐渐停滞、难以跳出局部极值、达不到理论最优等,所以为进一步提高该算法性能,本文引入改进搜索策略和新的搜索过程,以及对应的混合策略。主要归纳为以下几点:一、提出基于随机新解引导的自适应搜索策略,该策略可以有效缓解基本人工蜂群算法后期种群多样性下降和易陷入局部最优的问题;二、为了达到解的质量和种群多样性的平衡,引入多次高斯搜索机制;三、引入基于猫群思想的搜索过程,该过程可对优质食物源进行充分精细的局部搜索,同时引导较差食物源向全局最优靠近,减少无效搜索次数。以上几点即为本文混合人工蜂群算法,然后将该算法用于预测模型的参数寻优中。接着,为得到最佳的预测效果,本文采用了模糊C均值聚类算法配合合适的预测模型策略。首先利用模糊C均值聚类算法对训练样本进行聚类,接着在用优化算法为模型选取参数的前提下,分别依据每类训练数据构建预测模型。最后当测试数据到来后,将测试数据划分到不同的类,并选取对应类的已训练好的预测模型对测试样本进行预测,得到预测负荷值。最终,本文采用以上方法,建立了燃气负荷预测的完整预测方案,即模糊C均值聚类算法结合混合人工蜂群算法优化的预测方案。同时分别以最小二乘支持向量机和极限学习机为预测模型实现该方案,并与未应用该方案的预测方法进行对比,结果证明本文提出的预测方案具有较好的预测性能。