基于可解释 AI 的二次控制激活分析与预测

向可再生能源系统的转型给电网运行和稳定性带来了挑战。二次控制是在扰动后将电力系统恢复至其参考状态的关键。低估所需的控制容量可能需要采取紧急措施，如切负荷。因此，需要对新兴风险和控制的驱动因素有深入的了解。在本文中，我们为德国的二次控制功率激活建立了一个可解释的机器学习模型。通过训练梯度提升树，我们获得了对控制激活的准确描述。利用 SHapley 加性解释 (SHAP) 值，我们研究了控制激活与外部特征（如发电组合、预测误差和电力市场数据）之间的依赖关系。因此，我们的分析揭示了导致德国电力系统高备用需求的驱动因素。我们利用开放数据并使机器学习模型可解释的透明方法，开辟了新的科学发现途径。