面向电力负荷预测模型的层级化可解释分析方法及系统

本发明属于人工智能可解释领域，具体涉及一种面向电力负荷预测模型的层级化可解释分析方法及系统。

背景技术：

1、随着高比例可再生能源的并网接入和需求侧用电行为的多样化，电力负荷序列的非平稳性与随机波动性持续增强。在实际调度决策中，预测精度的提升并不能完全满足调度人员的需求。面对极端天气、节假日或能源政策调整引发的负荷异动，调度人员不仅需要获知预测值，还需要了解预测结果的驱动因素。因此，提升负荷预测模型的可解释性，对于增强模型在工程应用中的可信度具有现实意义。

2、现有深度学习预测方法在精度上已取得较好的结果，但透明性不足。目前的模型可解释方法已取得了一定进展。内在可解释方法通过构建结构相对简单且机制透明的模型，实现对预测过程的直接解释。其中，线性回归模型通过参数系数刻画输入特征对输出结果的边际影响；决策树模型则通过树状规则结构逐层划分特征空间，实现对决策路径的显式表达。后验可解释方法主要针对黑盒模型，通过对输入扰动或模型内部响应的分析，实现对预测结果的事后解释。该类方法不改变模型结构，而是在训练完成后对模型行为进行分析。局部可解释模型无关解释（local interpretable model-agnostic explanations,lime）通过在样本局部邻域构建可解释代理模型，实现对单一样本预测结果的近似解释；基于shapley值的shap方法从合作博弈论出发，计算特征对预测结果的边际贡献，从而实现统一的归因框架。shapelet方法通过挖掘具有判别能力的关键子序列，实现对时间序列局部结构的显式刻画，并在分类任务中表现出较好的可解释性。随后，原型网络（prototypenetwork）通过在特征空间中学习一组代表性原型向量，并以样本与原型之间的距离作为决策依据，为模型提供基于相似性的解释机制。

3、尽管上述方法在电力负荷预测中取得了一定的成功，但在面对电力负荷预测领域的直观可解释性要求时，仍存在诸多不足。首先，在解释粒度方面，现有方法多聚焦于点级特征贡献分析，缺乏对宏观物理分量与微观局部形态之间的统一建模能力，因而难以形成跨尺度的层级化解释结构。其次，在回归任务的解释一致性方面，由于电力负荷数据具有显著的非平稳特性，现有基于扰动或梯度的归因方法在不同时间分布下容易产生波动，使解释结果与模型行为之间的一致性受到影响。同时，在物理语义表达方面，当前解释结果多以数值权重或重要性评分形式呈现，缺乏与负荷趋势变化、峰谷结构等工程现象的直接对应关系，从而限制了其在电力调度与规划决策中的应用价值。

4、目前的负荷预测模型可解释方法存在着以下挑战：

5、（1）点级的解释粒度较低。现有的解释方法通常局限于对单一特征的点级贡献进行分析，未能有效地将宏观物理分量和微观局部形态结合起来进行统一建模。由于缺乏跨尺度的层级化解释结构，这些方法难以捕捉到时间序列数据中各个层次之间的复杂关系，导致解释结果的精度和可理解性受到限制。为了更全面地理解模型行为，必须在解释粒度上实现多层次的融合，进而提供更丰富的解析框架。

6、（2）对于负荷预测任务的解释一致性不足。在电力负荷预测等回归任务中，由于数据的非平稳特性，现有的基于扰动或梯度的解释方法在不同时间分布下容易出现波动，导致解释结果与实际模型行为之间的一致性受到破坏。电力负荷数据具有强烈的季节性、趋势性及随机波动，这些因素使得传统的解释方法在不同时间段产生的归因结果不稳定，从而影响了解释的可靠性和实用性。

7、（3）物理语义的表达不足。目前的解释方法大多数通过数值权重或重要性评分来展示特征的影响力，这些结果虽然可以量化，但缺乏与电力负荷的实际工程现象如负荷趋势变化、峰谷结构等的直接联系。因此，现有的解释方法难以为电力调度和规划决策提供直观、易理解的依据，限制了其在实际应用中的价值和可操作性。需要通过增强物理语义表达，将模型输出与实际电力系统的物理现象直接对应，提升其在实际场景中的应用效果。

技术实现思路

1、有鉴于此，为了解决现有解释方法在电力负荷预测中面临的粒度低、解释结果一致性差、物理语义差等问题，通过"分量贡献分析—形态模式提取—物理语义对齐"的三层解释体系，对负荷预测的决策过程进行由宏观到微观的逐层解析，为电网调度人员提供了直观参考。这一方法不仅能够提升深度模型预测的透明度，还能够显著提升负荷预测模型的可解释性、增强模型在工程应用中的可信度，具有重要的理论意义与实际应用价值。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一种面向电力负荷预测模型的层级化可解释分析方法，包括如下步骤：

4、收集包含多维特征的电力负荷历史数据，并进行多源数据融合与预处理，构建负荷历史数据集；

5、将所述负荷历史数据集输入已训练完成的电力负荷预测模型，并获取所述电力负荷预测模型输出的负荷预测序列，并将所述多维特征所构成的特征空间定义为原始特征空间；

6、对所述电力负荷历史数据进行分解，得到趋势分量、季节分量和动态残差分量；

7、通过对趋势分量、季节分量和动态残差分量的输入进行扰动或重构，计算各个分量在预测输出中的贡献值，得到概念级解释结果；

8、在所述负荷预测序列对应的时间序列特征空间中提取具有判别能力的局部形态原型，得到形态级解释结果；

9、将所述局部形态原型映射至原始特征空间，基于映射结果将所述局部形态原型与外部物理变量进行关联分析，确定引起局部形态的主导物理因素，得到物理级的解释结果；

10、综合所述概念级解释结果、形态级解释结果和物理级解释结果，生成电力负荷预测模型的多层级可解释分析结果；

11、基于所述多层级可解释分析结果构建面向负荷预测的层级解释流程，并利用所述层级解释流程对在线运行的负荷预测进行实时解释与分析。

12、进一步地，所述多维特征包括时间特征、天气特征及社会调度特征，所述构建负荷数据集具体包括：

13、采集包含多维特征的电力负荷历史数据，其中时间特征包括年、月、日、小时、分钟；天气特征包含温度、湿度、风速；社会调度特征包括电价、节假期；

14、对来自不同数据源的电力负荷历史数据进行多源数据融合和预处理，构建负荷历史数据集；

15、将负荷历史数据集进行数据集划分，分为训练集、验证集和测试集。

16、进一步地，获取所述电力负荷预测模型输出的负荷预测序列包括：

17、选取深度负荷预测模型，基于所述训练集进行训练，采用均方误差作为损失函数，采用验证集进行效果验证，保存训练模型作为电力负荷预测模型；

18、基于电力负荷预测模型对所述测试集进行预测，获取负荷预测序列，并测试所述电力负荷预测模型预测效果。

19、进一步地，对所述电力负荷历史数据进行分解包括：包括：

20、将所述电力负荷预测模型输入的电力负荷历史数据，采用基于局部加权回归的季节趋势分解方法进行分解，获取趋势分量、季节分量和残差分量；

21、对所述趋势分量、季节分量和残差分量进行特征维度池化，降低特征维度。

22、进一步地，计算各个分量在预测输出中的贡献值，得到概念级解释结果包括：

23、将所述趋势分量、季节分量和残差分量定义为三类概念参与者，构成集合，其中分别为趋势分量概念、季节分量概念和残差分量概念，集合大小为 m=3；

24、对于给定的待解释的电力负荷预测模型输入样本，第

i个概念的贡献值计算公式如下：

25、

26、其中，是不包含的所有可能概念子集，表示表示在概念组合下已经训练完成的电力负荷预测模型的预测输出，即加入概念后的预测结果；表示在概念组合下已经训练完成的电力负荷预测模型的预测输出，即不考虑概念时，通过基线替换策略构造输入表示后的预测结果。

27、对于每一个待解释的电力负荷预测模型输入样本，均执行时间序列分解；在构造概念联盟对应的输入表示时，对于属于联盟的概念，使用原始输入样本分解得到的对应趋势分量、季节分量和残差分量；对于不属于联盟的概念，则从训练集中随机抽取若干样本，计算其对应分量的均值，并利用该均值进行替换；

28、对数据集中所有输入样本的趋势分量、季节分量和动态残差分量各自对应的概念贡献值进行均值计算，得到各分量在所有样本中的整体贡献度，作为所述概念级结果输出。

29、进一步地，得到形态级解释结果包括：

30、构建形态原型集合，每个原型的时间跨度为，则形态原型集合表示为：

31、

32、其中分别表示第个形态原型；

33、采用多层感知机对形态原型序列进行特征增强：

34、

35、其中为编码后的形态原型表示；

36、采用滑动窗口方式搜索输入序列中与各原型相似的局部结构；设输入序列为：

37、

38、在时刻 t 处长度为 l 的子序列表示为；通过卷积匹配计算该子序列与第

k个形态原型之间的相似度响应，构建形态激活矩阵:

39、

40、其中表示第

k个形态原型在时间位置

t的匹配强度，其中；

41、在获得形态激活矩阵后，对激活矩阵在原型维度上进行特征聚合，得到时间序列形态表示：

42、

43、从而形成形态特征序列，，其中分别为个时间序列形态表示；

44、使用线性映射得到预测输出：

45、

46、即形态提取网络预测得到的目标概念贡献值，得到形态级解释结果。

47、进一步地，所述形态原型通过优化目标函数进行学习，使得同类时间序列与原型之间的距离最小，不同类之间的距离最大，步骤包括：

48、将概念级解释结果中贡献值最大的分量作为输入数据，将待解释的电力负荷预测模型输入样本的概念贡献计算值作为优化目标输出，采用早停策略，并进行交叉验证；其中损失函数包括任务预测损失、形态匹配损失、原型多样性损失；

49、联合优化目标函数通过加权平衡所述任务预测损失、形态匹配损失、原型多样性损失，实现预测精度与解释性能的协同优化：

50、

51、其中，、和分别为任务预测损失、形态匹配损失、原型多样性损失权重；

52、在训练过程中，通过梯度下降算法同时更新编码网络参数、形态原型向量p以及预测投影层参数，根据训练结果，保存效果最好的最优模型，并记录最优模型参数。

53、进一步地，所述得到物理级的解释结果包括：

54、利用中心时刻，确定形态激活在原始样本输入窗口内的绝对位置索引集合；

55、将索引集合映射回原始物理特征空间矩阵，通过索引检索，提取与形态时段同步的物理变量子序列，包含干球温度、湿球温度、湿度等原始输入特征；

56、对映射出的所述物理变量子序列执行 min-max 归一化处理，获取归一化后的负荷形态片段：

57、将归一化后的负荷形态片段与物理变量子序列在统一时间轴下叠加显示，通过观察两者的趋势对应关系，分析形态变化的物理驱动因素，得到物理级的解释结果。

58、进一步地，生成电力负荷预测模型的多层级可解释分析结果包括：分析原始输入数据中的时间特征、天气特征及社会调度特征的变化，建立形态模式与物理因素之间的对应关系。

59、另一方面，本发明提供一种面向电力负荷预测模型的层级化可解释分析系统，包括：

60、负荷历史数据集构建模块，其用于收集包含多维特征的电力负荷历史数据，并进行多源数据融合与预处理，构建负荷历史数据集；

61、预测模型训练模块，其用于将所述负荷历史数据集输入已训练完成的电力负荷预测模型，并获取所述电力负荷预测模型输出的负荷预测序列，并将所述多维特征所构成的特征空间定义为原始特征空间；

62、分量解耦模块，其用于对所述电力负荷历史数据进行分解，得到趋势分量、季节分量和动态残差分量；

63、概念级解释模块，其用于通过对趋势分量、季节分量和动态残差分量的输入进行扰动或重构，计算各个分量在预测输出中的贡献值，得到概念级解释结果；

64、形态级解释模块，其用于在所述负荷预测序列对应的时间序列特征空间中提取具有判别能力的局部形态原型，得到形态级解释结果；

65、物理级解释模块，其用于将所述局部形态原型映射至原始特征空间，基于映射结果将所述局部形态原型与外部物理变量进行关联分析，确定引起局部形态的主导物理因素，得到物理级解释结果；

66、结果输出模块，其用于综合所述概念级解释结果、形态级解释结果和物理级解释结果，生成电力负荷预测模型的多层级可解释分析结果；

67、解释部署模块，其用于基于所述多层级可解释分析结果构建面向负荷预测的层级解释流程，并利用所述层级解释流程对在线运行的负荷预测进行实时解释与分析。

68、与现有技术相比，本发明具有如下有益效果：

69、本发明提出了一种跨尺度的层级化解释方法，能够将宏观物理分量与微观局部形态进行统一建模；针对电力负荷数据的非平稳特性，本发明采用了一种新的解释方法，能够在不同时间分布下保持解释结果的稳定性和一致性；本发明通过将解释结果与电力负荷的物理现象直接关联，使得预测模型的解释具有明确的物理语义。通过与负荷趋势变化、峰谷结构等工程现象的直接对应，本发明不仅提升了解释的直观性和可理解性，还使得解释结果能直接为电力调度和规划决策提供实际依据，极大提高了模型的实用性和工程应用价值。