一种基于SHAP分析和专家混合的方法的次日风能动态可解释预测方法

《Energies》:A Day-Ahead Wind Power Dynamic Explainable Prediction Method Based on SHAP Analysis and Mixture of Experts

【字体: 大 中 小 】 时间:2025年12月26日 来源:Energies 3.2

编辑推荐:

   摘要 传统的单一预测模型在复杂运行场景下常常难以满足风力发电预测的需求。此外,深度学习模型固有的“黑箱”特性导致其预测结果的可解释性有限,这阻碍了对电网调度规划的有效支持。为了解决这些问题,本研究提出了一种新颖的次日风力

  

摘要

传统的单一预测模型在复杂运行场景下常常难以满足风力发电预测的需求。此外,深度学习模型固有的“黑箱”特性导致其预测结果的可解释性有限,这阻碍了对电网调度规划的有效支持。为了解决这些问题,本研究提出了一种新颖的次日风力发电预测方法,称为SHapley加性解释(SHAP)-专家混合(MoE)方法,该方法将SHAP技术融入到专家混合框架中。本文创新地将SHAP分析转化为先验知识,以指导专家混合模型中的决策过程,并提出了一种基于决策权重和SHAP值协同分析的双层动态解释机制。这种方法能够明确关键气象因素及模型的适用场景,同时量化多个专家决策之间的不确定性。具体步骤如下:首先对每个专家模型进行预训练,并固定其参数以构建专家候选池;其次计算每个预训练模型在所有样本特征下的SHAP向量,以表征其决策逻辑;接着通过融合原始气象特征与所有专家的SHAP属性矩阵来构建扩展特征集,用于训练专家混合框架中的决策网络;最后对于新的输入样本,每个预训练模型生成预测结果及其对应的SHAP向量,决策网络聚合这些预测结果以得出最终预报。该方法使用位于中国东南部的一个海上风电场的运行数据进行验证。与最优的单个专家模型和传统的集成预测模型相比,该方法将均方根误差(RMSE)降低了0.23%,降至4.92%。此外,该方法还阐明了关键特征对每个专家决策的影响,揭示了决策网络如何根据输入特征和专家特性在不同场景下自适应选择专家。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号