面向电力系统智能分析的机器学习可解释性方法研究(一)：基本概念与框架

机器学习的可解释性是其在电力系统领域安全、可靠应用的关键环节与重要基础之一。针对电力系统智能分析的机器学习模型可解释性方法进行初步探讨。首先,阐述了机器学习模型可解释性的基本概念、数学描述与相关评价维度;之后,梳理了实现机器学习可解释的整体思路与技术路线,将可解释方法分为建模前解释、训练后解释与模型自解释3大类,并对其在模型诊断、安全评估、数据纠偏、知识发现等场景的应用进行了分析;最后,对目前电力智能分析的机器学习可解释性研究面临的挑战进行了展望。