Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

技术摘要：肯尼亚预付费电网城市住宅用电量的预测建模

问题陈述
准确的电力负荷预测对于电网稳定、收入规划和能源管理至关重要，尤其是在预付费计量已成为主流计费方式且城市化进程迅速的地区。然而，现有的预测模型往往依赖于基于西方市场的假设——即对天气波动（由于空调/暖气使用）具有高度敏感性，以及对短期价格响应具有显著性。这些假设在撒哈拉以南非洲背景下可能并不成立，因为那里的住宅消费是由基础负荷活动驱动的，并受到预付费余额的约束，而非受气候控制或即时价格弹性影响。此外，先进机器学习（ML）模型的“黑箱”性质限制了其对需要透明洞察力的决策者的实用价值。本研究旨在填补理解肯尼亚预付费领域住宅需求真实驱动因素方面的空白，并评估复杂的机器学习架构是否在这一特定环境下比简单的统计方法具有实质性的优势。

研究方法
本研究采用了一套跨度从 2017 年 1 月至 2026 年 4 月的纵向数据集，整合了历史消费记录、气象变量以及来自能源与石油监管局（EPRA）的资费参数。

• 特征工程： 该框架利用自回归特征（滞后 1 期、滞后 2 期和滞后 12 期 kWh）来捕捉短期持续性和年度季节性。外生变量包括月平均温度、冷却度日数（CDD）以及资费参数（生活保障费率和限额）。
• 建模框架： 采用对比方法，将**极端梯度提升（XGBoost）模型与传统的普通最小二乘法（OLS）**回归模型进行基准测试。
• 验证策略： 为防止信息泄漏，采用了严格的时间序列验证策略。2017–2024 年的数据用于训练和超参数优化，而 2025–2026 年的数据则专门用于样本外测试。
• 可解释性（XAI）： 研究整合了 SHAP（SHapley Addplicative exPlanations） 方法，以量化特征贡献并解释 XGBoost 模型。
• 诊断分析： 分析过程包括用于检查多重共线性的方差膨胀因子（VIF）、自相关/偏自相关分析（ACF/PACF）、季节性分解以及用于隔离不同预测变量组贡献的消融实验。

核心结果

1. 历史行为的主导地位： 相关性分析和 SHAP 值表明，历史消费行为是未来需求的主要决定因素。滞后变量（尤其是滞后 1 期和滞后 2 期）表现出最高的预测影响力，远超天气或资费变量的影响。
2. 模型性能趋同： 尽管复杂度更高，XGBoost 模型的预测性能与 OLS 模型大致相当。XGBoost 模型的平均绝对误差（MAE）略低，而 OLS 的均方根误差（RMSE）略低。这表明该数据集中的预测信息在很大程度上是线性的，可以通过简单的自回归关系进行捕捉。
3. 外生变量的影响有限： 天气（CDD）和资费变量对提高预测准确性的贡献微乎其微。消融实验证实，将这些变量添加到“仅滞后”模型中，对降低 RMSE 的效果几乎可以忽略不计。
4. 行为持续性： 自相关诊断和季节性分解表明，住宅需求受强烈的时序持续性和循环消费模式的支配，而非对价格变化或天气变率的即时反应。

意义与主张
本文主张，肯尼亚预付费领域的住宅电力需求主要受行为持续性和循环消费模式的驱动，而非西方文献中常假设的天气敏感性或价格弹性。

• 方法论贡献： 本研究证明，对于预付费环境下的需求估算，计算高效且透明的统计模型（如 OLS）可以提供可靠的预测，这挑战了“复杂机器学习架构总能带来更优性能”的假设。
• 政策启示： 研究结果表明，住宅用电量对适度的资费调整具有相对的缺乏弹性。决策者不应期望在资费调整后出现即时的需求下降，因为家庭会优先保障基本服务，并根据可用余额维持稳定的使用习惯。
• 运营价值： 本研究强调了可解释预测框架的价值。通过识别历史消费是主要驱动因素，公用事业部门可以将重点放在准确记录过往用量上，而非部署复杂的黑箱模型，从而提升运营决策能力和利益相关者的信任。

总之，本研究认为，对于肯尼亚预付费电网而言，先进人工智能的“黑箱”在短期负荷预测方面，相比简单的自回归模型并不能提供额外的预测技能；理解预付费消费者的行为惯性比对外部经济或气候变量进行建模更为关键。