《Journal of Engineering Research》：An Explainable Hybrid Ensemble Learning Framework for Multi-Scenario Economic Forecasting of Green Hydrogen Production
编辑推荐：
一种可解释的集成机器学习框架能够准确预测绿氢生产的经济性。CatBoost算法在时间验证中取得了测试集R2为0.967、均方根误差（RMSE）为0.824美元/千克的性能。容量因子（Capacity Factor）以最高的SHAP值（3.181）主导了成本预测
一种可解释的集成机器学习框架能够准确预测绿氢生产的经济性。CatBoost算法在时间验证中取得了测试集R2为0.967、均方根误差（RMSE）为0.824美元/千克的性能。容量因子（Capacity Factor）以最高的SHAP值（3.181）主导了成本预测。蒙特卡洛（Monte Carlo）分析预测平准化制氢成本（LCOH）处于8.29–8.39美元/千克的狭窄区间内。集成的可解释人工智能（XAI）框架实现了透明且可靠的氢气成本预测。
论文解读文章
研究背景与问题提出
在全球能源系统向碳中和转型加速的背景下，绿氢（Green Hydrogen）作为实现电力、交通、工业及化工等领域深度脱碳的关键能源载体备受关注。然而，相较于传统化石能源制氢，绿氢的生产成本仍然偏高，其经济竞争力受到可再生能源电价、电解槽资本成本、容量因子（Capacity Factor）、工厂寿命、融资参数、运维成本以及技术学习率等多重技术经济参数的复杂耦合影响。即使微小的参数变化也可能导致制氢经济性的巨大差异。
现有的传统技术经济评估多依赖确定性数学模型、流程模拟器和敏感性分析方法，这些方法对系统行为做了大量假设，难以捕捉快速变化的氢气市场中电价、政策支持和技术发展的非线性动态关系。尽管机器学习（Machine Learning, ML）在氢气产量预测、催化剂发现、电解槽优化等领域取得显著进展，但针对制氢经济性预测的研究仍相对匮乏。已有研究大多采用单一机器学习算法，缺乏利用混合集成方法发挥互补优势；多数评估仅基于传统的训练-测试划分，对未来经济情景下的预测鲁棒性分析有限；可解释人工智能（Explainable Artificial Intelligence, XAI）在经济预测中的应用不足；同时，将预测建模、不确定性量化、敏感性分析和可解释性整合于统一计算框架的研究极为稀少。因此，亟需开发一种更全面、开放且稳健的建模方法，以支撑未来氢气项目的可靠技术经济决策。
研究内容与核心结论
为解决上述挑战，研究人员开发了一套集成的可解释集成机器学习框架，用于预测绿氢生产的平准化制氢成本（Levelized Cost of Hydrogen, LCOH）。该框架结合了数据预处理、多种回归算法、超参数优化、集成学习、SHAP（SHapley Additive exPlanations）可解释性分析、设计空间探索、蒙特卡洛（Monte Carlo）模拟以及确定性敏感性分析。研究结果表明，CatBoost算法在时间验证中表现最优（R2=0.967, RMSE=0.824美元/千克），而混合集成模型也达到了R2=0.948的性能。SHAP分析揭示容量因子是最重要的经济预测变量。蒙特卡洛分析报告平均LCOH约为8.35美元/千克（5%分位数至95%分位数范围：8.29–8.39美元/千克）。该研究的核心意义在于，并非创造全新的机器学习算法，而是将预测建模、未来场景泛化评估、经济可解释性和条件不确定性评估整合为一个统一的决策支持框架，为投资者、技术开发者和政策制定者提供了透明、可靠的分析工具。
关键技术方法概述
研究人员采用了以下关键技术方法：(1) 数据预处理管道，使用OneHotEncoder处理分类变量，使用StandardScaler标准化数值变量；(2) 四种互补的回归算法：多层感知器（Multi-Layer Perceptron, MLP）、K近邻（K-Nearest Neighbors, kNN）、岭回归（Ridge Regression）和CatBoost（Categorical Boosting Algorithm）；(3) 通过投票回归器（Voting Regressor）进行集成学习；(4) 使用RandomizedSearchCV结合交叉验证进行自动超参数优化；(5) 采用SHAP进行模型可解释性分析；(6) 进行320点设计空间探索和2500次迭代的蒙特卡洛模拟；(7) 实施确定性敏感性分析。数据集来源于公开的开放获取数据（NESO），包含多个描述制氢系统技术和经济特征的独立变量。
研究结果
2.2 数据集与数据预处理：研究人员使用了一个包含制氢系统技术与经济特征变量的公开数据集，将分类变量进行独热编码，数值变量进行标准化处理。采用了两种数据划分策略：80:20随机训练-测试划分和时间验证划分（以2040年为界，较早年份用于训练，较晚年份用于测试）。
2.3 机器学习模型与集成框架：研究人员开发了四种回归模型——MLP通过多层非线性变换捕捉复杂交互作用；kNN基于多维特征空间中邻近观测的欧氏距离进行预测；岭回归引入L2正则化处理多重共线性；CatBoost利用对称决策树高效建模非线性关系。随后通过投票回归器将这四种模型集成，以提升预测鲁棒性并降低模型特异性偏差。
性能评估：在随机验证下，CatBoost表现出最佳的预测精度（R2=0.980, RMSE=0.647美元/千克）；在更具挑战性的时间验证中，CatBoost依然保持领先（R2=0.967, RMSE=0.824美元/千克），而混合集成模型达到R2=0.948。这表明CatBoost在处理未来年份数据时具有良好的泛化能力。
SHAP可解释性分析：SHAP分析表明，容量因子（CF）是最具影响力的预测变量（平均SHAP值为3.181），其次是电解槽类型（PEM）、建成年份（BY）、贴现因子（DF）和电价（EP）。这为理解各经济变量对LCOH的相对贡献提供了定量依据。
设计空间探索：通过对五个关键参数（CF, EP, DF, BY, 电解槽类型）进行系统变化，研究人员探索了320种不同组合下的LCOH预测值。结果显示，高容量因子（>60%）和低电价（<40美元/MWh）是实现低成本绿氢的必要条件。
蒙特卡洛模拟与不确定性量化：基于2500次迭代的蒙特卡洛模拟，预测LCOH呈近似正态分布，均值约8.35美元/千克，5%至95%分位数范围为8.29–8.39美元/千克，表明在该研究设定的条件下预测结果具有较高的集中度。
确定性敏感性分析：通过逐一改变单个输入变量并观察LCOH的变化，确认容量因子是最敏感的参数，其变化可导致LCOH从约6美元/千克变动至超过12美元/千克。
讨论与结论
研究人员在讨论部分指出，所提出的框架超越了传统预测模型，将预测准确性、模型可靠性、可解释性、不确定性表征和实用性有机结合。通过集成学习融合不同算法的互补优势，降低了预测方差；自动超参数优化减少了主观选择的影响，提高了可重复性；SHAP分析为决策者识别最具影响力的经济变量提供了量化视角。该框架为不同利益相关者提供了灵活的分析工具：投资者可预测不同市场情景下的未来制氢成本；技术开发者可聚焦于影响成本竞争力的关键经济因素；政策制定者可评估电价、可再生能源部署计划和财政激励措施对绿氢竞争力的潜在影响。研究方法完全基于数据驱动且使用开源软件，易于适应不同国家、制氢技术和未来市场情景。
研究结论部分可翻译为：本研究旨在建立一个集成的可解释集成机器学习框架，用于预测绿氢生产的经济性。具体目标包括：(1) 通过自动超参数调优和交叉验证优化多种回归算法；(2) 开发增强预测精度和鲁棒性的集成学习模型；(3) 基于SHAP值的可解释人工智能解释模型预测；(4) 多维度探索关键经济变量的设计空间；(5) 使用蒙特卡洛模拟量化模型预测的不确定性；(6) 研究制氢经济性对关键输入参数变化的敏感性。这些目标共同为技术经济预测的可靠性以及模型透明度、鲁棒性和适用性的提升提供了全面视角。
