[发明专利]一种基于SHAP值选择策略的多元负荷预测方法及系统

权利要求书

1.一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

将综合能源系统下多种特征参量的多元负荷时间序列数据输入TCN神经网络，将全局注意力机制应用于TCN神经网络的隐藏层状态输出并构建GA-TCN模型；计算各特征参量的SHAP值以筛选模型输入变量，将筛选后的输入变量输入GA-TCN模型得到多元负荷预测结果。

2.根据权利要求书1所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：所述方法包括：

步骤1，采集多种特征参量的时间序列数据并将数据划分为训练集和测试集；

步骤2，对TCN神经网络的隐藏层状态输出应用注意力机制以构建基于GA-TCN的多元负荷预测模型；

步骤3，利用训练集数据对GA-TCN多元负荷预测模型进行训练优化，判断预测结果的各评价指标是否达到设定预期目标准确率，达到则输出预测结果，反之则执行步骤4；

步骤4，计算各特征SHAP值，筛选模型输入变量并执行步骤3。

3.根据权利要求书2所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

步骤1还包括对多种特征参量的时间序列数据其进行数据预处理；

所述特征参量包括电负荷、冷负荷、热负荷及相关特征影响参量，其中相关特征影响参量包括全球水平辐照度、气温、湿度、平均风速、平均风向、大气压、日历规则。

4.根据权利要求书2所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

步骤2中GA-TCN多元负荷预测模型构建过程包括：

构建TCN神经网络，包括输入层、卷积层、多个依次连接的残差模块以及隐藏层；将特征参量的时间序列数据作为TCN网络输入变量；

对网络隐藏层状态输出应用全局注意力机制进行处理，构建GA-TCN多元负荷预测模型，其中注意力层用于分析不同输入特征参量对预测结果的影响程度，将其量化为特征权重系数。

5.根据权利要求书2所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

步骤3包括：对GA-TCN多元负荷预测模型进行模型训练优化以得到最优GA-TCN多元负荷预测模型；将特征影响参量的时间序列数据输入最优GA-TCN多元负荷预测模型，基于全局注意力机制将网络输入中特征参量赋予权重，对未来时刻的电负荷、冷负荷、热负荷数据进行预测；判断预测结果的各评价指标是否达到设定预期目标准确率，达到则输出预测结果，反之则执行步骤4；其中特征权重系数与特征参量对预测结果的影响程度呈正相关。

6.根据权利要求书5所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

模型训练优化过程包括：

采用网格搜索法确定TCN网络参数取值，并采用残差连接训练TCN网络，其中残差块包含两层卷积和非线性映射，每个卷积层应用了权值规范化，同时，ReLU激活函数被添加到两个卷积层之后的残差块中，为TCN引入非线性；

通过控制变量法确定GA模型的参数取值，计算最小损失函数值以确定Attention层的神经元个数，得到最优GA-TCN多元负荷预测模型。

7.根据权利要求书5所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

判断预测结果的各评价指标是否达到设定预期目标准确率的过程包括：将特征参量的时间序列数据输入最优GA-TCN多元负荷预测模型，分别得到电负荷、冷负荷、热负荷预测结果，基于电负荷、冷负荷、热负荷预测结果与电负荷、冷负荷、热负荷的真实值计算预测评级指标，判断预测评价指标是否满足设定预期目标准确率。

8.根据权利要求书2所述的一种基于SHAP值选择策略的多元负荷预测方法，其特征在于：

步骤4包括通过全局样本分别计算电负荷、冷负荷、热负荷预测任务中所有特征参量SHAP值，模型预测结果解释为二元变量的线性函数，筛选对预测结果贡献较大的特征参量作为预测模型输入变量。