基于气候与社会经济指标的多国能源预测与可持续性分析中的可解释深度学习方法

《Scientific Reports》：Explainable deep learning for multi-country energy forecasting and sustainability analysis using climate and socio-economic indicators

　　

摘要

气候变化与社会经济因素使得在当今的能源系统中，预测能源需求及评估可持续性成为重要问题。本研究提出了一种基于深度学习与可解释人工智能技术的多国能源预测与可持续性评估综合框架。研究使用了2020年至2024年的多国数据集，其中包含气候、社会经济、环境以及能源系统相关变量。研究者比较了多种预测模型，包括前馈神经网络、宽深多层感知器、长短期记忆网络、门控循环单元以及深度自回归模型。结果显示，宽深多层感知器的性能最佳，其决定系数为0.9927，平均绝对误差为0.0158，均方根误差为0.0228，平均绝对百分比误差为3.3%，威尔莫特指数为0.9918。通过威尔科克森符号秩检验判断统计显著性，结果表明该模型相比其他模型有显著的优势（p＜0.05）。SHapley加性解释方法与局部可解释模型无关解释方法分析表明，时间特征是最重要的预测因子，而气候与社会经济特征也能提供额外的预测信息。此外，研究还构建了一个可持续性评估框架，用于从国家层面评估能源转型准备程度、脱碳潜力、生态效率以及可持续性表现。该框架具有可解释性和可扩展性，可用于能源预测及可持续能源规划。