基于KAN的可解释净负荷概率预测方法

分布式光伏的大规模接入导致电力系统净负荷预测面临强不确定性。针对现有深度学习模型在预测精度与可解释性之间的权衡难题，提出一种基于Kolmogorov-Arnold网络（KAN）的净负荷概率预测方法。通过挖掘KAN基函数权重矩阵与样条系数的可解释性，实现模型内在可解释性；结合最大似然估计设计均值与方差网络结构，有效拟合概率密度函数；采用最大互信息系数进行气象特征筛选，提升模型对多维气象因素的映射能力。算例验证表明，该方法在准确性、可解释性、训练效率与泛化性能方面优于传统方法。

分布式光伏在用户侧的大量接入给电力系统运行带来了强不确定性,增加了净负荷预测的难度.针对现有深度学习模型在净负荷概率预测时模型性能和解释能力难以权衡的问题,提出了一种基于Kolmogorov-Arnold网络(KAN)模型的净负荷概率预测方法.首先,通过对KAN模型的基函数权重矩阵和样条函数可学习系数的可解释性进行挖掘,实现了 KAN模型的内在可解释性.然后,将最大似然估计损失函数作为模型设计依据,分别对KAN模型的均值和方差网络结构进行设计,实现对概率密度函数的有效拟合.同时,为量化多种气象特性对净负荷出力的影响,采用最大互信息系数方法进行特征筛选,增强了 KAN模型对多种气象特征的映射能力.通过算例分析,验证了所提方法在净负荷功率概率预测上的有效性和可靠性,且相较于传统方法,所提方法在模型准确性、可解释能力、训练效率以及泛化能力上均具备更好的性能.