可解释的风电功率预测建模：一种高精度的玻璃箱方法
机器学习
2024-02-27 v2 系统与控制
系统与控制
摘要
机器学习模型（如神经网络）在风电功率预测中取得了高准确度，但它们通常被视为缺乏可解释性的黑箱。为解决该问题，本文提出一种兼具高准确度与透明性的玻璃箱方法用于风电功率预测。具体而言，其核心是通过构建形状函数对特征效应进行求和，从而有效刻画风电输出与输入特征之间复杂的非线性关系。此外，通过引入交互项来增强预测模型，以巧妙捕捉输入特征间的相互依赖与协同效应。所提玻璃箱方法的加性本质保证了其可解释性。仿真结果表明，该玻璃箱方法能从全局与实例两个视角有效解释风电功率预测结果。此外，它优于大多数基准模型，并与性能最佳的神经网络表现相当。这种透明性与高准确度的双重优势，使所提玻璃箱方法成为可靠风电功率预测的有力选择。
引用
@article{arxiv.2310.18629,
title = {Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy},
author = {Wenlong Liao and Fernando Porte-Agel and Jiannong Fang and Birgitte Bak-Jensen and Guangchun Ruan and Zhe Yang},
journal= {arXiv preprint arXiv:2310.18629},
year = {2024}
}