基于可解释性XGBoost的电力系统惯量短期预测方法

文档名：基于可解释性XGBoost的电力系统惯量短期预测方法
摘要：对于新型电力系统,提前预测系统惯量水平是消除系统惯量薄弱风险的重要前提.而预测所使用的机器学习模型大多是"黑箱"模型,存在可解释性不足的问题.为此,提出了一种基于可解释性极端梯度提升算法(extremegradientboosting,XGBoost)的电力系统惯量短期预测方法.该方法根据系统惯量响应特性分析,选择电力系统运行数据和气象数据作为输入特征.基于SHAP归因方法构建可解释性XGBoost的解释机制,通过计算Shapley值来量化各特征的重要程度,从而对模型预测结果进行多维度解构分析.以实际系统为例进行实证分析,结果表明,所提方法能够有效地预测电力系统短期惯量以及解释特征对预测的影响.

作者：张磊   李海涛   熊致知   郭志豪   叶婧   李振华   杨楠   蔡煜 Author：ZHANGLei   LIHaitao   XIONGZhizhi   GUOZhihao   YEJing   LIZhenhua   YANGNan   CAIYu
作者单位：三峡大学电气与新能源学院,湖北省宜昌市443002新能源微电网湖北省协同创新中心,湖北省宜昌市443002国网华中分部调度控制中心,武汉市430077
刊名：电力建设 ISTICPKU
Journal：ElectricPowerConstruction
年，卷(期)：2023, 44(8)
分类号：TM74
关键词：新型电力系统  惯量短期预测  可解释性  XGBoost模型  Shapley值  
Keywords：newelectricpowersystem  inertiashort-termprediction  interpretability  XGBoostmodel  Shapleyvalue  
机标分类号：TP391SF27
在线出版日期：2023年8月15日
基金项目：基于可解释性XGBoost的电力系统惯量短期预测方法[
期刊论文]  电力建设--2023, 44(8)张磊  李海涛  熊致知  郭志豪  叶婧  李振华  杨楠  蔡煜对于新型电力系统,提前预测系统惯量水平是消除系统惯量薄弱风险的重要前提.而预测所使用的机器学习模型大多是"黑箱"模型,存在可解释性不足的问题.为此,提出了一种基于可解释性极端梯度提升算法(extremegradientboos...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文

        基于可解释性XGBoost的电力系统惯量短期预测方法  Short-Term Prediction Method Based on Interpretable XGBoost for Power System Inertia

基于可解释性XGBoost的电力系统惯量短期预测方法.pdf

2024-12-14 11:23 上传 基于可解释性XGBoost的电力系统惯量短期预测方法.pdf

文件大小:

6.23 MB

下载次数:

60

高速下载