[发明专利]黑盒模型的解释方法、装置及设备

说明书

本申请提供一种黑盒模型的解释方法、装置及设备。本申请的方法基于历史样本点的特征和实际观测结果、以及测试样本点的特征和基于黑盒模型确定的预测结果构成的训练数据集，来构建叶子节点样本数为1的完全随机森林模型。根据给定的测试点和参考点采样多个特征子集，将已构建的完全随机森林模型作为估值函数，根据多个特征子集和估值函数确定每项特征的夏普利值，使各项特征的夏普利值的和逼近测试点的预测结果与参考点的实际观测结果间的差值，从而可以将每项特征的夏普利值作为每项特征对测试点的预测结果与参考点的实际观测结果间的差值的贡献度，并输出每项特征对该差值的贡献度。

技术领域

本申请涉及计算机技术，尤其涉及一种黑盒模型的解释方法、装置及设备。

背景技术

为实现可再生能源替代性的，深化电力体制改革，需要大力构建以新能源为主体的新型电力系统。新型电力系统的特征是大规模新能源发电的并网，由于新能源发电出力的随机性和不稳定性，给包含大规模分布式光伏条件下母线负荷预测带来了巨大的挑战，从而影响电网安全。

传统基于人工经验手动描点的母线负荷预测生产方式，已经不能满足新形势下对电力负荷预测精准度和效率的要求。为此需要引入气象、是否节假日、是否周末等多维度的特征，利用深度学习算法构建高精度的电力负荷预测模型来进行母线负荷预测。母线负荷预测的准确率会影响电网安全。传统行业用户的推断大多建立在历史观测值上的调整，当模型的预测结果与实际观测结果相去甚远时，用户将很难理解和信任电力负荷预测模型的预测结果，就会影响电力负荷预测模型的应用，甚至会出现人工对电力负荷预测模型的预测效果修正后反而效果更差，导致更加严重的电网安全后果。

电力负荷预测模型是一种黑盒模型，目前大多已有的解释模型只能解释模型在两个样本上输出的差值，而不能解释模型输出与实际观测值的差值，亟需一种黑盒模型输出的预测结果与实际观测值间的差值的解释方法。

发明内容

本申请提供一种黑盒模型的解释方法、装置及设备，用以解释输入特征对黑盒模型输出的预测结果与实际观测结果间的差值的贡献度。

第一方面，本申请提供一种黑盒模型的解释方法，包括：

获取待解释的测试点的特征和预测结果，以及参考点的特征和实际观测结果，其中所述测试点的预测结果是将所述测试点的特征输入黑盒模型后得到的输出结果；

根据所述测试点和所述参考点，采样确定多个特征子集；

将已构建的完全随机森林模型作为估值函数，根据所述多个特征子集和所述估值函数确定每项特征的夏普利值，所述完全随机森林模型是基于包含所述测试点的特征和预测结果、所述参考点的特征和实际观测结果的训练数据集构建的，所述完全随机森林模型中每个叶子节点对应一个样本点；

将每项特征的夏普利值作为每项特征对所述预测结果与所述实际观测结果间的差值的贡献度，输出每项特征对所述差值的贡献度。

第二方面，本申请提供一种应用于电力负荷预测的黑盒模型的解释方法，包括：

获取待解释的测试点的特征和电力负荷预测值，以及参考点的特征和电力负荷观测值，其中所述电力负荷预测值是将所述测试点的特征输入黑盒模型后得到的输出结果；

根据所述测试点和所述参考点，采样确定多个特征子集；

将已构建的完全随机森林模型作为估值函数，根据所述多个特征子集和所述估值函数确定每项特征的夏普利值，所述完全随机森林模型是基于包含所述测试点的特征和电力负荷预测值、所述参考点的特征和电力负荷观测值的训练数据集构建的，所述完全随机森林模型中每个叶子节点对应一个样本点；

将每项特征的夏普利值作为每项特征对所述电力负荷预测值与所述电力负荷观测值间的差值的贡献度，输出每项特征对所述差值的贡献度。

第三方面，本申请提供一种黑盒模型的解释装置，包括：