融合XGBoost-SHAP与LSTM的氢能系统风险因素辨识及事故严重程度预测方法

本发明涉及一种融合XGBoost‑SHAP与LSTM的氢能系统风险因素辨识及事故严重程度预测方法，属于氢能安全技术领域。其包括：标注氢能事故报告数据集的若干项氢能事故致因因素和氢能事故后果等级；采用XGBoost算法构建风险因素重要性评估模型，结合SHAP可解释性分析方法得到核心风险因素；建立LSTM氢能事故风险严重程度预测模型，根据核心风险因素时序数据，实现氢能系统风险等级的滚动预测；判断预测的氢能系统风险等级是否超过阈值，若超过则触发分级预警并输出关键致因因素解释报告。本发明显著降低了传统定性分析的主观偏差，且增强了对风险因素时序依赖关系的捕捉能力，为实时风险预警提供技术支撑。