基于注意力门控的混合ANN–TCN–BiLSTM框架结合可解释人工智能，用于光伏-电动汽车微电网的运行效率分类

《Scientific Reports》：Attention-gated hybrid ANN–TCN–BiLSTM framework with explainable AI for operational efficiency classification in PV–EV microgrids

　　

摘要

随着光伏发电与电动汽车充电设施越来越多地集成到微电网中，可再生能源的间歇性、充电需求的随机性以及电网依赖程度的变化带来了运营上的挑战。本研究提出了一种可解释的注意力门控混合框架，用于对光伏-电动汽车微电网的运行效率进行二元分类。该框架包含一个人工神经网络分支，用于处理静态及变化缓慢的运行变量；一个时间卷积网络分支，用于处理短期局部变化；还有一个双向长短期记忆网络分支，用于处理序列依赖关系。在分类之前，通过注意力门控融合机制自适应地整合这些分支学到的特征。实验使用了公开的可合成或半模拟数据集，其中包含12,500个以15分钟为间隔记录的样本。为了保持时间顺序并防止信息泄露，采用70:15:15的比例对数据集进行训练、验证和测试划分。所提出的模型取得了0.962的准确率、0.957的精确度、0.966的召回率、0.961的F1分数、0.989的接收者操作特征曲线下面积、0.984的精确度-召回率曲线下面积以及0.923的马修斯相关系数，其性能优于人工神经网络、循环网络、时间卷积网络、基于注意力的双向长短期记忆网络以及轻量级Transformer基线模型。Shapley加法解释法和局部可解释模型无关解释法表明，太阳能发电量、太阳辐照强度、电网能源供应、电池存储容量以及电动汽车充电需求是影响分类决策的主要因素。由于目标变量是基于规则的，且数据集并未包含实际部署的微电网的测量数据，因此这些研究结果应被视为一种受控的方法学基准。在实际应用之前，仍需使用真实的光伏-电动汽车微电网数据进行外部验证。