可解释短期负荷预测的方法、装置、电子设备及存储介质

本申请涉及电网，特别涉及一种可解释短期负荷预测的方法、装置、电子设备及存储介质。

背景技术：

1、stlf(short-term load forecasting，短期负荷预测)在电力系统运行中起着至关重要的作用，其性能显著影响了电力系统的运行安全性和经济性。历史上，由于具有强大的多变量非线性映射能力，基于人工神经网络的方法一直被用于stlf。许多神经网络方法，如全连接网络、卷积神经网络、递归神经网络及其变体，都在stlf中取得了巨大的成功。

2、然而，由于人工神经网络的黑盒性质，导致使用人工神经网络训练的stlf模型缺乏可解释性，无法为预测结果提供解释，具有局限性，并且难以识别和纠正预测过程中的任何潜在的错误或偏差，使得理解影响stlf结果的潜在因素和变量具有挑战性，亟待解决。

技术实现思路

1、本申请提供一种可解释短期负荷预测的方法、装置、电子设备及存储介质，以解决由于人工神经网络的黑盒性质，导致使用人工神经网络训练的stlf模型缺乏可解释性，无法为预测结果提供解释，具有局限性，并且难以识别和纠正预测过程中的任何潜在的错误或偏差等问题。

2、本申请第一方面实施例提供一种可解释短期负荷预测的方法，包括以下步骤：基于满足预设条件的目标参数，构建基于kan(kolmogorov-arnold network，柯尔莫戈罗夫-阿诺德网络)的第一短期负荷预测模型；训练所述第一短期负荷预测模型，得到第一训练模型，并将所述第一训练模型进行剪枝处理，得到处理模型，并确定所述处理模型中每个神经元的目标激活函数形式；基于所述目标激活函数形式，构建所述基于kan的第二短期负荷预测模型，并训练所述第二短期负荷预测模型，得到第二训练模型，并利用所述第二训练模型生成目标符号表达式，以根据所述目标符号表达式解释短期负荷的预测结果。

3、可选地，在本申请的一个实施例中，所述训练所述第一短期负荷预测模型，得到第一训练模型，并将所述第一训练模型进行剪枝处理，得到处理模型，包括：基于满足预设处理条件的目标数据集和预设lbfgs(limited-memory broyden-fletcher-goldfarb-shanno，拟牛顿算法)，训练所述第一短期负荷预测模型，以得到所述第一训练模型；将所述第一训练模型进行可视化处理，得到可视化模型；基于所述可视化模型和预设剪枝处理方式，去除所述第一训练模型中满足预设条件的神经元，以得到所述处理模型。

4、可选地，在本申请的一个实施例中，所述确定所述处理模型中每个神经元的目标激活函数形式，包括：遍历所述处理模型中每一层网络的每个神经元；利用所述预设符号库，确定所述每个神经元的满足预设形式条件的所述目标激活函数形式。

5、可选地，在本申请的一个实施例中，所述根据所述目标符号表达式解释短期负荷的预测结果，包括：利用所述目标符号表达式获取输入特征和预测负荷之间的目标关系；根据所述目标关系解释所述短期负荷的预测结果。

6、本申请第二方面实施例提供一种可解释短期负荷预测的装置，包括：构建模块，用于基于满足预设条件的目标参数，构建基于柯尔莫戈罗夫-阿诺德网络kan的第一短期负荷预测模型；确定模块，用于训练所述第一短期负荷预测模型，得到第一训练模型，并将所述第一训练模型进行剪枝处理，得到处理模型，并确定所述处理模型中每个神经元的目标激活函数形式；解释模块，用于基于所述目标激活函数形式，构建所述基于kan的第二短期负荷预测模型，并训练所述第二短期负荷预测模型，得到第二训练模型，并利用所述第二训练模型生成目标符号表达式，以根据所述目标符号表达式解释短期负荷的预测结果。

7、可选地，在本申请的一个实施例中，所述确定模块包括：训练单元，用于基于满足预设处理条件的目标数据集和预设lbfgs算法，训练所述第一短期负荷预测模型，以得到所述第一训练模型；第一确定单元，用于将所述第一训练模型进行可视化处理，得到可视化模型；第二确定单元，用于基于所述可视化模型和预设剪枝处理方式，去除所述第一训练模型中满足预设条件的神经元，以得到所述处理模型。

8、可选地，在本申请的一个实施例中，所述确定模块包括：处理单元，用于遍历所述处理模型中每一层网络的每个神经元；第三确定单元，用于利用所述预设符号库，确定所述每个神经元的满足预设形式条件的所述目标激活函数形式。

9、可选地，在本申请的一个实施例中，所述解释模块包括：获取单元，用于利用所述目标符号表达式获取输入特征和预测负荷之间的目标关系；第四确定单元，用于根据所述目标关系解释所述短期负荷的预测结果。

10、本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的可解释短期负荷预测的方法。

11、本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的可解释短期负荷预测的方法。

12、本申请第五方面实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被执行时，以用于实现如上的可解释短期负荷预测的方法。

13、本申请实施例可以基于满足一定条件的目标参数，构建基于柯尔莫戈罗夫-阿诺德网络kan的第一短期负荷预测模型，训练第一短期负荷预测模型，并将得到的第一训练模型进行剪枝处理，得到处理模型，并确定处理模型中每个神经元的目标激活函数形式，以构建基于kan的第二短期负荷预测模型，并训练第二短期负荷预测模型，并利用得到的第二训练模型生成目标符号表达式，以解释短期负荷的预测结果，有效的提高模型参数的可解释性，提升短期负荷预测的精准性。由此，解决了由于人工神经网络的黑盒性质，导致使用人工神经网络训练的stlf模型缺乏可解释性，无法为预测结果提供解释，具有局限性，并且难以识别和纠正预测过程中的任何潜在的错误或偏差等问题。

14、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

技术特征：

1.一种可解释短期负荷预测的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述训练所述第一短期负荷预测模型，得到第一训练模型，并将所述第一训练模型进行剪枝处理，得到处理模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述确定所述处理模型中每个神经元的目标激活函数形式，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标符号表达式解释短期负荷的预测结果，包括：

5.一种可解释短期负荷预测的装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述确定模块包括：

7.根据权利要求5所述的装置，其特征在于，所述确定模块包括：

8.根据权利要求5所述的装置，其特征在于，所述解释模块包括：

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的可解释短期负荷预测的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的可解释短期负荷预测的方法。

11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行，以用于实现如权利要求1-4任一项所述的可解释短期负荷预测的方法。

技术总结
本申请涉及电网技术领域，特别涉及一种可解释短期负荷预测的方法、装置、电子设备及存储介质，其中，方法包括：基于满足预设条件的目标参数，构建基于柯尔莫戈罗夫‑阿诺德网络KAN的第一短期负荷预测模型；训练第一短期负荷预测模型，并将得到的第一训练模型进行剪枝处理，得到处理模型，并确定处理模型中每个神经元的目标激活函数形式，以构建基于KAN的第二短期负荷预测模型，并训练第二短期负荷预测模型，并利用得到的第二训练模型生成目标符号表达式，以解释短期负荷的预测结果。由此，解决了由于人工神经网络的黑盒性质，导致使用人工神经网络训练的STLF模型缺乏可解释性，无法为预测结果提供解释，具有局限性的问题。

技术研发人员：耿华,江博臻,王钦
受保护的技术使用者：清华大学
技术研发日：
技术公布日：2024/9/23