[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

说明书

一种基于SHAP值选择策略的多元负荷预测方法，该方法利用TCN卷积神经网络对综合能源系统下多种特征参量的多元负荷时间序列数据进行建模，对网络隐藏层状态输出应用全局注意力机制进行处理，突出影响负荷变化的关键特征，然后计算各特征SHAP值进行输入变量筛选，去除相关度较低的特征对模型的干扰，再返回GA‑TCN模型训练学习得到多元负荷预测结果，达到耦合多元负荷预测模型内部解耦、精确计算的目的。本发明所建立的多元负荷预测模型能深度挖掘多元时间序列中的有效信息，通过量化相关影响因素对结果的贡献度提升预测的准确性，与传统预测方法相比具有更优越的性能。

技术领域

本发明属于综合能源技术领域，涉及一种基于SHAP值选择策略的多元负荷预测方法及系统。

背景技术

近年来，随着社会经济的快速发展，工业生产及居民生活对能源的需求量日益增加，能源问题逐渐成为学术界关注的热点话题。传统能源子系统之间的规划、设计与运行往往相互割离，不同类型能源系统之间的耦合性没有得到很好的体现，导致能源利用率与安全性能的下降。综合能源系统(integrated energy system，IES)是一种集电力、制冷、供暖等能源供应为一体的新能源系统，可实现电、冷、热等多种能源的转换利用、协同优化和耦合互补，有效提高能源综合利用率。我国当前的能源使用形态正在逐步向多元化方向发展，而IES作为能源互联网的物理载体，能够满足用户侧各类能源供给的持续多样化需求。

目前，面对综合能源系统下的多能源负荷预测问题，方法主要集中于传统时间序列数据分析和机器学习两个方面。针对各种单一负荷的独立预测，大多采用矢量自回归模型、整合移动平均自回归模型等传统方法，但传统方法基本只考虑了一种负荷的变化规律，对于多元负荷的耦合特性没有对应有效的改善适应机制。目前，基于机器学习方法的预测模型也逐渐应用于多元负荷预测研究中，如广义回归神经网络、支持向量机、极限学习机等。这些方法相比起传统方法有一定成效，但随着新能源的发展，可再生能源的接入比例与用户侧用能需求的复杂性不断提高，很难建立精确数学模型模拟实际供能系统与用能需求响应，因此负荷预测精度还有待提高。近年来，深度学习凭借其良好的学习能力在时间序列的预测研究中得到了越来越广泛的应用，其中的典型模型代表有长短期记忆神经网络(LSTM)、卷积神经网络等。尽管这些循环神经网络对于时间序列特征有一定的学习能力，但它们具有自身的局限性，面对多能源负荷之间的复杂关联性并不能实现深度挖掘及最优表达。

发明内容

为解决现有技术中存在的不足，本发明提供一种基于SHAP值选择策略的多元负荷预测方法，适应于多元负荷预测模型的可解释性研究，对综合能源系统下复杂关联的多维度时间序列负荷数据解耦，分析影响因素的相关性并进行量化处理，实现模型的最优预测性能。

本发明采用如下的技术方案。

本发明第一方面提供一种基于SHAP值选择策略的多元负荷预测方法：

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。

优选地，方法具体包括：

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。

优选地，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；