面向美国电网韧性的可解释物理信息负荷预测：基于极端天气的 SHAP 引导式集成验证中的混合深度学习
机器学习
2026-04-28 v1 人工智能
摘要
准确的短期电力负荷预测是美国电网可靠性的基石；然而，现存深度学习模型晦涩难懂，限制了在极端天气下的操作员信任。提出一种统一、可解释、物理信息驱动的集成框架，集成 CNN 分支用于局部特征提取与 Transformer 分支用于长程依赖建模；分支通过经验证优化的加权集成融合，并由来源于 ERCOT 系统电气可靠性委员会温度-需求分段抛物线关系的物理信息损失函数正则化。通过 DeepExplorer 后置解释方法提供 SHAP 解释，生成全局与事件层面的特征贡献。基于 2018-2025 年的 ERCOT 每小时负荷数据（8 年）融合来自三座德克萨斯站点的 ASOS 记录，本框架在测试窗口上实现 713 MW MAE、812 MW RMSE 与 1.18% MAPE。针对 Hampel 标记的极端事件，MAPE 相较于其 Transformer 分支降低 20.7%，相较于 CNN 分支降低 40.5%；消除实验确认抛物线约束与坡度约束带来 14.7% 的 RMSE 降低。SHAP 分析揭示了一个 regime 转换：在正常运行时，温度占主导；而在寒潮与酷热天气期间，风速与降水变得更加重要。
引用
@article{arxiv.2604.23500,
title = {Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather},
author = {Md Abubakkar and Sajib Debnath and Md. Uzzal Mia},
journal= {arXiv preprint arXiv:2604.23500},
year = {2026}
}