基于贝叶斯方法与可解释机器学习的负荷特性分析与预测

摘要：

使用机器学习模型和方法进行短期负荷预测,虽能提升负荷预测的整体精度,但在极端天气、节假日等小样本预测场景中,对比基于专家经验的人工预测无明显优势.为充分结合预测业务人员的经验知识与机器学习的推理泛化能力,提出了一种基于贝叶斯时变系数(BTVC)与CatBoost模型的可解释负荷预测框架.首先,结合数据与专家知识,构建BTVC模型进行预测,获得各影响因子、趋势及周期因素的负荷分量.其次,将上述结果与常规特征进行组合,作为CatBoost回归模型的输入,进行最终预测.然后,使用事后模型解释框架(SHAP)进行归因分析,框架输出的定量关系可供负荷预测业务人员参考,使其开发出更有效的特征,进一步提高预测效果.最后,以某地区实际电网负荷数据为例,验证所提负荷预测与结果分析框架的有效性.

关键词：短期负荷预测、负荷特性分析、贝叶斯时序模型、可解释机器学习、集成学习

所属期刊栏目：47

分类号：TM714;TP391.4;F407.61

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：56-68