TreeC:一种利用元启发式算法生成可解释能源管理系统的方法

能源管理系统(EMS)传统上采用基于规则的控制(RBC)与模型预测控制(MPC)方法实现。然而,近期研究探索了使用强化学习(RL)作为一种有前景的替代方案。本文介绍 TreeC,一种利用协方差矩阵自适应进化策略元启发式算法生成以决策树建模的可解释 EMS 的机器学习方法。与 RBC 和 MPC 方法不同,TreeC 基于历史数据学习 EMS 的决策策略,使控制模型适应受控能源网格。该决策策略以决策树表示,与常依赖神经网络等黑盒模型的 RL 方法相比提供了可解释性。TreeC 在文献中两个案例研究——电网案例与家庭供暖案例——中与完美预测的 MPC 及 RL EMS 进行了评估。在电网案例中,TreeC 取得平均能量损失与约束违反分数 19.2,接近 MPC 与 RL EMS 的分数 14.4 与 16.2。三种方法均良好地控制了电网,尤其与取得平均分数 12 875 的随机 EMS 相比。在家庭供暖案例中,TreeC 在调整后平均电费与总不舒适度上表现与 MPC 相似(TreeC 为 0.033 EUR/m$^2$ 与 0.42 Kh,MPC 为 0.037 EUR/m$^2$ 与 2.91 kH),同时优于 RL(0.266 EUR/m$^2$ 与 24.41 Kh)。