基于贝叶斯方法与可解释机器学习的负荷特性分析与预测

使用机器学习模型和方法进行短期负荷预测，虽能提升负荷预测的整体精度，但在极端天气、节假日等小样本预测场景中，对比基于专家经验的人工预测无明显优势。为充分结合预测业务人员的经验知识与机器学习的推理泛化能力，提出了一种基于贝叶斯时变系数（BTVC）与CatBoost模型的可解释负荷预测框架。首先，结合数据与专家知识，构建BTVC模型进行预测，获得各影响因子、趋势及周期因素的负荷分量。其次，将上述结果与常规特征进行组合，作为CatBoost回归模型的输入，进行最终预测。然后，使用事后模型解释框架（SHAP）进行归因分析，框架输出的定量关系可供负荷预测业务人员参考，使其开发出更有效的特征，进一步提高预测效果。最后，以某地区实际电网负荷数据为例，验证所提负荷预测与结果分析框架的有效性。