大数据在电力行业的应用案例100讲（十）-电力大数据分析模型

前言

大数据信息技术为电量预测提供了强大的智能决策能力，大数据模型作为电量预测的常用手段，优势明显。但即便如此，模型的黑盒性质也成为一大问题，无法展示各影响因素对模型结果的影响程度，对模型的可控性、可信任度都造成了影响。

本文将从模型可解释性角度出发，结合售电量预测，分别尝试使用SHAP模型和回归模型，解释量化每一个特征数据对月售电量的影响程度，解决模型应用过程中各数据因素对模型结果的难解释问题，增强预测结果的可信度和透明度，支撑精准决策。

背景及意义

在电力大数据应用多年实践中，有监督机器学习模型能够综合考虑历史电量、天气、节假日、经济等多源数据，较准确地预测未来的趋势情况。

然而，机器学习模型在学习非线性业务特征关系时，比较难直观地显示出业务特征对预测分析模型效果的贡献程度，所以在实际应用中，用户对模型分析结果会产生较多疑虑，影响大数据分析模型的深入应用。

因此，从促进模型应用角度出发，开展数据特征可解释性分析显得尤为必要。

售电量预测目前已有大量的大数据分析应用，其中最多的算法是回归类算法和树类算法。

回归类算法，首先将售电量拆分成售电量季节项、售电量趋势项和售电量随机项，通过相关性分析分别选择强相关的特征指标（或滞后指标）构建线性回归，然后将预测得到的售电量各趋势项相加得到总售电量，以此实现售电量影响因素量化。