通过可解释人工智能与优化树模型框架预测能源价格与可再生能源采用

为什么未来电力成本与你息息相关

电费、燃料价格以及太阳能与风能取代煤炭和石油的速度既影响日常生活，也影响国家经济。本文提出一个看似简单的问题：我们能否利用现代数据工具来预测能源价格和清洁能源采用的走向，并弄清真正推动这些变化的因素？通过用先进的机器学习方法挖掘二十年的全球能源数据，作者构建了一个预测系统，不仅能预测未来趋势，还能解释哪些因素——例如对化石燃料的依赖或碳排放——最为关键。

追踪全球不断变化的能源使用习惯

研究以一套覆盖2000年至2024年、超过50个国家的大型数据集为起点。对每个国家和年份，记录人均能源使用量、该国对化石燃料的依赖程度、能源在工业与家庭之间的分配、总能耗以及碳排放水平。随后记录两个关键结果：反映电力成本的能源价格指数，以及来自风能、太阳能与水电等可再生能源的占比。由于数据跨越多个地区与多年，它们既包含地区差异也包含长期全球趋势，因此非常适合用于预测。

教“数字树”从能源数据中学习

为了将这些历史信息转化为预测，研究依赖一类称为基于树的机器学习模型。这些模型通过基于简单判断（例如化石燃料使用是否高于某一阈值）将数据分成若干分支，最终得出价格或可再生能源占比的预测。作者并非使用单棵树，而是构建了树的森林，并用受动物行为启发的元启发式优化算法来提升模型性能，这些算法寻找每个模型的最佳参数。该调参过程在处理复杂、噪声较多的真实世界数据时，提高了准确性和稳定性。

检验可靠性并打开“黑箱”

只有经得起检验的预测才有价值。研究通过在时间序列数据的不同切片上反复训练与评估模型来测试它们，模拟模型在从未见过的未来年份中的表现。在这些测试中，最佳的混合模型能够解释超过90%以上的能源价格与可再生能源占比的变异，且典型误差相对较小。为避免机器学习是“黑箱”的常见批评，作者还应用了解释型人工智能工具。其中一种名为SHAP的方法将每次预测分配回输入因子，显示每个因子如何推高或压低预测值。另一种灵敏度方法——余弦振幅法（Cosine Amplitude Method）——检视输入的变化和组合如何传导到输出。

驱动价格与清洁能源增长的真正因素

这些可解释性工具揭示了清晰的结论。预测可再生能源占比时，两个变量尤为突出：一是对化石燃料的依赖程度，二是碳排放量。对化石燃料依赖高且碳排放高的国家通常会抑制可再生能源增长，而减少对化石燃料的依赖则与可再生能源占比较大的增长密切相关。对于能源价格而言，总能耗——即一个国家在工厂、办公室和家庭中使用的电力总量——起主导作用。单位人口能耗高或高度依赖化石燃料的地区在供应紧张时更易遭受价格波动。分析还显示相互作用很重要：例如工业用能与总消费的联合作用可能比任何单一因素更为重要。

从更智能的预测到更明智的政策

对非专业读者而言，结论很直白。通过将先进的学习算法与能阐明其推理过程的工具结合，本研究构建了一个既准确又可理解的预测框架。它表明，减少对化石燃料的依赖和降低碳排放不仅对气候有利，也与可再生能源增长速度和能源价格稳定性密切相关。政策制定者、公用事业部门和投资者可以使用此类模型来测试不同选择——例如碳定价、能效项目或可再生能源激励措施——如何可能重塑未来的账单与排放。实质上，该研究提供了一个以数据为导向的指南，帮助在向更低成本、更可持续的全球能源体系过渡时进行决策。

引用: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

关键词: 能源价格, 可再生能源, 机器学习, 碳排放, 化石燃料