基于可解释深度学习的电力负荷预测模型

深度学习模型在时间序列预测中得到了广泛的应用,然而,传统的深度学习点预测模型更多关注未来某个特定时刻的预测值,无法描述复杂时间序列预测的不确定性.此外,大多数深度学习模型的预测过程是不透明的,使用者对深度学习预测模型的内部机理缺乏认识,导致模型预测的可解释性偏低.针对上述问题,引人了分位数回归理论,刻画复杂时间序列预测的不确定性特征;构建可解释深度学习模型并应用于纽约州首府地区的短期电力负荷预测.结果表明,预测模型在两个数据集上都具有较好的区间预测结果,置信水平为95％时,该模型在1月和7月的PICP值分别为94.28％、93.23％,区间覆盖率趋于置信水平.相比于对比模型,模型的预测精度高、泛化能力强,能够提升短期电力负荷预测中的稳定性,可为电网管理者的相关决策提供数据支撑.