可解释的基于强化学习的家庭能源管理系统：使用可微分决策树

随着能源转型的持续进行，需求侧灵活性已成为现代电力网络的一个重要方面，以提供网络支持并实现可持续能源的进一步整合。除了传统能源源之外，住宅部门是另一个主要且大量未开发的灵活性源，这是由于太阳能光伏、家庭电池和电动汽车的增加而推动的。然而，解锁住宅灵活性是具有挑战性的，因为需要一个能够有效管理家庭能源消耗并在各种不同的房屋之间具有可扩展性的控制框架，并维持用户舒适度。我们旨在解决这个具有挑战性的问题，并引入一种基于可微分决策树的强化学习方法。该方法将数据驱动的强化学习的可扩展性与（可微分的）决策树的可解释性相结合。这导致了一个可以在不同房屋之间轻松适应并向最终用户解释的简单控制策略，进一步改善用户接受度。作为概念验证，我们使用家庭能源管理问题来分析我们的方法，将其与商业可用的基于规则的基准控制器和标准神经网络强化学习控制器的性能进行比较。通过这项初步研究，我们展示了我们提出的方法的性能与标准强化学习控制器相当，相较于基准控制器，在每日成本节约方面表现优异，节约率提高了大约 20%，同时又易于解释。