🤖 machine learning

Interpretable Kolmogorov-Arnold Network with Feature-Isolated Temporal Attention Mechanism for Electricity Load Forecasting

本文介绍了 LoadKAN，这是一种创新的可解释混合框架，它将特征隔离的时间注意力机制与 Kolmogorov-Arnold 网络相结合，在实现具有竞争力的电力负荷预测准确性的同时，能够对人类移动模式与能源需求之间复杂的非线性关系进行细粒度分析。

原作者： Jinhao Li, Hao Wang

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jinhao Li, Hao Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：用“玻璃盒”预测电力

想象一下，你正在尝试预测一座城市明天将消耗多少电力。你需要预测得非常准确，以确保电网不会崩溃，但你也需要理解为什么会得出这样的预测结果。

大多数现代人工智能模型都像是**“黑盒”**。你输入数据，它输出预测，但没人知道这台机器究竟是如何做出决策的。这就像一位厨师做出了美味佳肴，却拒绝告诉你食谱或使用了哪些食材。

这篇论文介绍了一种名为 LoadKAN 的新模型。你可以把 LoadKAN 想象成一位**“玻璃盒”厨师**。他不仅能做出美味佳肴（做出准确的预测），还能摆出每一种食材，并向你展示这些食材是如何相互作用从而创造出最终风味的。它是基于一种新型 AI——Kolmogorov-Arnold 网络 (KAN) 构建的，这种网络在设计之初就具备了透明性。

问题所在：为什么旧模型表现不佳

研究人员注意到现有的电力 AI 模型存在两个主要问题：

它们是不透明的： 你无法直观地看到天气或人类活动等因素是如何影响电网的。
它们会被时间搞混： 电力数据随时间不断变化（就像心跳一样）。标准的 AI 模型在试图追踪这些复杂的节奏时经常会变得“混乱”，尤其是当你加入人类活动等新数据时。

解决方案：LoadKAN 的两步配方

作者构建了具有两个特定阶段的 LoadKAN，他们将其描述为“特征隔离时间注意力机制”结合 KAN 模块。以下是简单版本：

第一步：“独唱”阶段（特征隔离注意力）

想象一个合唱团，每个歌手都在同时歌唱。通常情况下，大声的声音会盖过细小的声音，导致歌曲变得混乱。
LoadKAN 采取了不同的做法。它把每一位“歌手”（每一个数据点，如“天气”、“交通”或“居家人数”）都放在各自的隔音间里。

它的作用： 它单独聆听“天气”歌手，以理解其节奏；然后单独聆听“人类流动性”歌手，以理解其节奏。
原因： 这防止了数据被“纠缠”在一起。它确保模型在将数据混合之前，先理解每个因素独特的内在逻辑。

第二：“透明混合器”阶段（KAN 模块）

一旦独唱者完成了练习，他们就会聚在一起演唱最终的歌曲（即电力预测）。

神奇之处： 与其使用黑盒来混合声音，LoadKAN 使用了一个特殊的“混合器”（即 KAN），它能绘制出一张可视化的地图，展示每个声音是如何改变整首歌的。
结果： 你可以观察这张地图并得出结论：“啊，当人们更多地待在家里时，用电量就会下降，”或者“当人们去公园时，用电量就会上升。”该模型直接绘制出这些关系的曲线，使其易于阅读。

秘密成分：人类流动性

研究人员使用来自美国三大主要电力市场的数据对该模型进行了测试：纽约 (NYISO)、加利福尼亚 (CAISO) 和 德克萨斯 (ERCOT)。他们加入了一个特别的成分：人类流动性数据。

他们追踪了六种类型的移动：

零售与娱乐（餐厅、电影院）
杂货与药店（购物）
公园
交通枢纽（地铁、公交）
工作场所
住宅区（人们在家中）

研究发现：

准确性： LoadKAN 在预测电力方面与最先进的“黑盒”模型同样出色。在德克萨斯州，它的预测表现实际上是最优的。
“流动性”助力： 添加关于人们移动轨迹的数据让所有模型都变得更强，但 LoadKAN 对这一数据的利用最为有效。
市场差异： 模型揭示了不同城市对移动行为的反应各不相同。
- 在纽约： 当人们前往交通枢纽时，用电量实际上会下降。模型发现，如果人们在乘坐地铁，他们就不会在家中或办公室使用电力。
- 在德克萨斯： 公园是一个巨大的影响因素。当人们去公园时，用电量会发生显著变化，这可能是由于休闲区域的空调使用或出行需求导致的。
- 在加利福尼亚： 工作场所和杂货店与用电量之间存在着复杂且不断变化的动态关系，这种关系每天都在变化。

为什么这很重要

论文声称 LoadKAN 解决了一个核心问题：信任。

过去，如果你想知道为什么模型预测会出现电力激增，你必须使用一个单独的、笨拙的工具来进行推测。LoadKAN 将解释过程直接内置于数学运算之中。它允许电网运营商看到未来的“配方”。他们可以清晰地看到一个阴雨连绵的周二，或者一个人们居家度过的节假日周末，将如何影响电网，而无需去猜测 AI 到底在想什么。

简而言之： LoadKAN 是一个高度准确的电力预测器，它不会隐藏自己的工作过程。它通过分离数据来理解每个部分的个体特征，然后以一种让我们能清晰洞察人类行为如何驱动灯火明灭的方式，将它们融合在一起。

技术摘要：具有特征隔离时间注意力机制的可解释 Kolmogorov-Arnold 网络，用于电力负荷预测

问题陈述
准确的电力负荷预测对于电力系统的稳定性、效率和经济可行性至关重要。虽然深度学习模型（如 Transformer、LSTM）已取得了极高的预测精度，但它们通常作为“黑盒”运行，缺乏理解预测结果具体驱动因素所需的解释性。这种不透明性阻碍了系统运营人员理解复杂的外部因素（特别是人类移动模式）如何影响电力消耗。此外，将新兴的 Kolmogorov-Arnold 网络 (KAN) 直接应用于时间序列预测面临着训练不稳定以及无法有效建模复杂时间依赖性的挑战，除非进行特定的架构调整。现有的混合方法仅仅是将多层感知器 (MLP) 层替换为 KAN 模块，往往无法充分利用 KAN 固有的解释性，因为它们未能保留单个输入特征的独特动态特性。

方法论：LoadKAN 框架
为了解决这些差距，作者提出了 LoadKAN，一种旨在用于电力负荷预测的新型混合且可解释的框架。该架构由两个协同阶段组成：

特征隔离时间注意力机制：
- 目标： 在任何跨特征交互发生之前，独立处理每个输入特征序列（例如：历史负荷、天气和六种不同的各类人类移动指标）。
- 机制： 输入批次通过一维卷积被转置并投影到高维嵌入空间。至关重要的是，该模型采用了特征级多头自注意力 (MHSA) 机制。与将所有特征纠缠进潜在嵌入的标准架构不同，此阶段将每个特征的时间历史视为一个独立的序列。
- 聚合： 通过选择最后一个时间步的输出来聚合每个特征的时间信息，随后进行特征隔离的一维卷积和双曲正切 ( $\tanh$ ) 激活。这产生了一个精炼的、具备时间感知能力的各特征标量表示，确保了诸如“零售与娱乐”或“住宅”等变量的独特时间动态得以保留，而不会受到来自其他特征的信号主导或噪声传播的影响。
可解释 KAN 模块：
- 目标： 将处理后的特征表示映射到未来的负荷预测，同时保持结构透明度。
- 机制： 精炼后的特征被输入到由边缘上可学习 B-样条激活函数构建的 KAN 层中。基于 Kolmogorov-Arnold 表示定理，该模型将多元函数近似为一元函数的和： $\hat{y} = \sum f_m(r_m) + \beta$ 。
- 解释性： 由于 KAN 层的输入由隔离的特征表示组成，学习到的样条函数能够显式地建模特定现实世界特征（例如：前往公园的移动性）与电力负荷之间的非线性关系。这使得直接可视化函数关系（例如：饱和点、阈值效应）成为可能，而无需依赖 SHAP 或 LIME 等后验解释工具。

核心贡献

架构创新： 本文引入了 LoadKAN，它独特地集成了特征隔离时间注意力机制与 KAN 模块。这种设计防止了特征动态的纠缠，这是实现时间序列预测中有意义的解释性的前提条件。
实证验证： 该框架在三个代表性的美国电力市场（NYISO、CAISO 和 ERCOT）的数据集上进行了评估。研究表明，LoadKAN 的性能与经过广泛调优的最先进黑盒基准模型（包括 Informer、TCN 和 Transformer）相比具有竞争力，并且经常获得顶尖结果（例如在 ERCOT 中表现最佳）。
移动性特征消融实验： 研究量化了人类移动数据的影响，表明集成这些特征能显著提高所有模型和市场的预测精度，其中 LoadKAN 展示了利用此类补充信息的强大能力。
细粒度解释性： 本文对学习到的六种移动模式与电力负荷之间的非线性关系进行了详细分析。研究揭示了特定市场的依赖关系，例如 NYISO 中交通使用量与 CAISO 中商业移动量的不同影响，以及在 ERCOT 和 NYISO 中公园相关移动性的主导敏感性。

结果

性能： LoadKAN 始终处于基准模型的顶层水平。在 ERCOT 市场中，它实现了最佳的整体性能（MAPE: 2.91%, $R^2$ : 0.9429），超越了表现最好的基准模型 (Transformer)。在 NYISO 和 CAISO 中，它保持了高度竞争力，其 MAPE 值分别仅比表现最好的模型高出 0.17% 和 0.13%，同时提供了更优越的解释性。
移动性影响： 加入人类移动特征使得所有模型和市场的 MAPE 平均降低了约 16.28%，RMSE 降低了约 16.90%。
敏感性分析： 对学习到的激活函数进行的定量敏感性分析揭示了截然不同的区域行为。例如，“公园”移动性在 NYISO 和 ERCOT 中表现出最高的敏感性，而商业特征（工作场所、零售）在 CAISO 中显示出更高的敏感性。分析还发现了复杂、非线性且有时违反直觉的关系，例如在某些市场中，住宅存在感的增加与系统负荷的减少相关联，这可能是由于高能耗商业活动的替代作用所致。

意义与主张
本文声称 LoadKAN 成功弥合了深度学习的预测能力与决策所需的结构解释性之间的鸿沟。通过规避标准神经网络的“黑盒”性质以及纯 KAN 结构在时间序列数据上的局限性，LoadKAN 提供了一种透明的机制来理解特定驱动因素（尤其是人类移动性）如何影响电力需求。作者强调，他们的方法允许利益相关者可视化并量化输入特征与负荷预测之间的非线性依赖关系，从而提供那些在不透明模型中往往被掩盖的洞察。这种能力被视为理解动态外部特征如何影响电力消耗的关键赋能手段，为在不断演变的能源格局中实现更明智的系统运行提供了支持。