基于可微决策树的可解释强化学习家庭能量管理系统

随着能源转型的持续推进，需求侧灵活性已成为现代电网的一个重要方面，有助于提供电网支持并允许进一步整合可持续能源。除了传统来源外，住宅部门是另一个主要且很大程度上尚未开发的灵活性来源，其驱动力是太阳能光伏、家用电池和电动汽车的日益普及。然而，释放这种住宅灵活性具有挑战性，因为它需要一个控制框架，能够有效管理家庭能源消耗，在保持用户舒适度的同时，易于在不同且多样化的房屋中扩展。我们旨在解决这一具有挑战性的问题，并引入一种使用可微决策树的强化学习方法。该方法将数据驱动强化学习的可扩展性与（可微）决策树的可解释性相结合。这使得控制器能够轻松适应不同的房屋，并提供可以向终端用户解释的简单控制策略，进一步提高用户接受度。作为概念验证，我们使用家庭能量管理问题分析了我们的方法，并将其性能与市售的基于规则的基线以及标准的基于神经网络的强化学习控制器进行了比较。通过这项初步研究，我们表明所提出方法的性能与标准的基于强化学习的控制器相当，在每日成本节省方面优于基线控制器约 20%，且易于解释。