2、可解释多目标回归方法在分层负荷预测中的应用

可解释多目标回归方法在分层负荷预测中的应用

在能源管理领域，准确的能源负荷预测至关重要，它能为能源规划和运营提供有力的决策支持。然而，当前的能源负荷预测方法存在一定的局限性，如未充分考虑区域间能源负荷需求的相似模式和相关性，且缺乏可解释性。本文将介绍一种可解释的多目标回归方法，旨在解决这些问题，提高能源负荷预测的准确性和可解释性。

1. 背景与动机

近年来，市场竞争的变化、基础设施的老化以及可再生能源的整合需求，使得概率负荷预测在能源系统的规划和运营中变得愈发关键。自全球能源预测竞赛（GEFCom）系列举办以来，负荷预测受到了研究人员的广泛关注。相关工作主要分为传统方法和机器学习方法两类。

传统方法包括自回归模型、自回归积分滑动平均模型、核密度估计和误差、趋势、季节性（ETS）模型等。这些方法的优点是模型结构简单，注重数据预处理以提高准确性，如去除异常值、分解序列数据成分和提取季节性特征。然而，由于缺乏其他外部特征，其预测性能有限，尤其在长期预测中表现不佳。

机器学习方法，如分位数回归、线性回归和梯度提升机（GBM），更适合处理长时间序列数据，是目前最准确的负荷预测方法。神经网络模型虽然在当今很流行，但在负荷预测问题上仍是相对较新的方法。从GEFCom 2017的竞赛结果来看，神经网络模型方法未能进入前五行列。

此外，能源负荷的分层预测能更好地满足电力决策的实际需求，结合分层信息的预测模型可以获得更高的预测准确性。但现有的方法存在两个主要局限性：一是未考虑预测目标之间的关系，例如相邻城市的能源负荷需求可能因相同的外部环境和生活方式而具有相同的变化模式；二是传统的能源负荷预测虽然提高了整体预测准确性，但缺乏可解释性。可解释的机器学习技术可以为