В данном исследовании представлена LoadKAN, новая гибридная архитектура, сочетающая механизм временного внимания с изоляцией признаков и сеть Колмогорова-Арнольда (KAN) для решения проблемы недостаточной интерпретируемости в прогнозировании нагрузки на электроэнергию на основе глубокого обучения.
- LoadKAN извлекает временную динамику из каждого входного признака независимо, прежде чем передать дистиллированные представления в модуль KAN для прогнозирования.
- Модель была оценена на наборах данных трех репрезентативных рынков электроэнергии США, оставаясь высококонкурентной по сравнению с тщательно настроенными эталонными моделями черного ящика.
- Количественный анализ чувствительности с использованием активационных функций, обученных в KAN, выявил сложные, специфичные для рынка зависимости между шестью различными паттернами мобильности и нагрузкой на электроэнергию.
LoadKAN позволяет проводить детальный анализ изученных нелинейных взаимосвязей, предоставляя понимание зависимостей между признаками, которые обычно скрыты непрозрачными нейросетевыми моделями прогнозирования черного ящика.