使用协变量信息时间序列基础模型进行可解释的负荷预测

时间序列基础模型（TSFM）最近作为通用预测模型出现，并在能源系统中显示出巨大的应用潜力。然而，电网等关键基础设施中的应用需要透明度以确保信任和可靠性，并且不能依赖纯粹的黑盒模型。为了提高 TSFM 的透明度，我们提出了一种针对这些模型量身定制的计算 Shapley 加法解释 (SHAP) 的有效算法。所提出的方法利用了 TSFM 在输入上下文长度和提供的协变量方面的灵活性。此属性可实现高效的时间和协变量掩蔽（选择性地保留输入），从而允许使用 SHAP 对模型预测进行可扩展的解释。我们在传输系统运营商 (TSO) 的日前负荷预测任务中评估了两个 TSFM（Chronos-2 和 TabPFN-TS）。在零样本设置中，这两种模型都实现了与专门针对多年 TSO 数据训练的 Transformer 模型相媲美的预测性能。通过我们提出的方法获得的解释与现有的领域知识相一致，特别是当 TSFM 适当地使用天气和日历信息进行负载预测时。总体而言，我们证明 TSFM 可以作为运营能源预测的透明且可靠的工具。