Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy

要約

機械学習モデル (ニューラル ネットワークなど) は、風力発電の予測において高い精度を実現しますが、通常、解釈可能性に欠けるブラック ボックスとみなされます。
この問題に対処するために、この論文では、風力発電予測の高精度と透明性を組み合わせたガラスボックスアプローチを提案しています。
具体的には、中核となるのは、風力発電の出力フィーチャと入力フィーチャの間の複雑な非線形関係を効果的にマッピングする形状関数を構築することによってフィーチャ効果を合計することです。
さらに、入力特徴間の相互依存性と相乗効果を適切に捉える相互作用項を組み込むことで、予測モデルが強化されます。
提案されたガラスボックスアプローチの付加的な性質により、その解釈可能性が保証されます。
シミュレーション結果は、提案されたガラスボックスアプローチが、グローバルとインスタンスの両方の観点から風力発電予測の結果を効果的に解釈することを示しています。
さらに、ほとんどのベンチマーク モデルを上回り、最高のパフォーマンスを誇るニューラル ネットワークと同等のパフォーマンスを示します。
この透明性と高精度という 2 つの強みにより、提案されているガラスボックスアプローチは、信頼性の高い風力発電予測のための魅力的な選択肢として位置づけられています。

要約(オリジナル)

Machine learning models (e.g., neural networks) achieve high accuracy in wind power forecasting, but they are usually regarded as black boxes that lack interpretability. To address this issue, the paper proposes a glass-box approach that combines high accuracy with transparency for wind power forecasting. Specifically, the core is to sum up the feature effects by constructing shape functions, which effectively map the intricate non-linear relationships between wind power output and input features. Furthermore, the forecasting model is enriched by incorporating interaction terms that adeptly capture interdependencies and synergies among the input features. The additive nature of the proposed glass-box approach ensures its interpretability. Simulation results show that the proposed glass-box approach effectively interprets the results of wind power forecasting from both global and instance perspectives. Besides, it outperforms most benchmark models and exhibits comparable performance to the best-performing neural networks. This dual strength of transparency and high accuracy positions the proposed glass-box approach as a compelling choice for reliable wind power forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google