PulseAugur
中
实时 23:46:50
English(EN) Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather

可解释的AI框架增强极端天气下美国电网负荷预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的可解释深度学习框架用于电力负荷预测，旨在增强极端天气事件期间美国电网的韧性。该系统结合了卷积神经网络和Transformer分支，并通过SHAP分析提供可解释性。在2018-2025年ERCOT数据上进行测试，该模型在极端条件下取得了显著的准确性提升。 AI

影响 通过提供更值得信赖的负荷预测，提高极端天气下的电网可靠性。

排序理由 学术论文，详细介绍了用于电力负荷预测的新型混合深度学习框架。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

可解释的AI框架增强极端天气下美国电网负荷预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Md Abubakkar, Sajib Debnath, Md. Uzzal Mia ·

    Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather

    arXiv:2604.23500v1 Announce Type: new Abstract: Accurate short-term electricity load forecasting is a cornerstone of U.S. grid reliability; however, prevailing deep learning models remain opaque, limiting operator trust during extreme weather. A unified, interpretable, physics-in…

相关实体

相关话题