論文の概要: Explainable Reinforcement Learning-based Home Energy Management Systems using Differentiable Decision Trees
- arxiv url: http://arxiv.org/abs/2403.11947v1
- Date: Mon, 18 Mar 2024 16:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 19:30:44.372295
- Title: Explainable Reinforcement Learning-based Home Energy Management Systems using Differentiable Decision Trees
- Title（参考訳）: 微分決定木を用いた説明可能な強化学習に基づく家庭エネルギー管理システム
- Authors: Gargya Gokhale, Bert Claessens, Chris Develder,
- Abstract要約: 住宅セクターは、太陽光発電、家庭用バッテリー、EVの採用の増加により、柔軟性を損なう主要かつ未解決の源となっている。
微分可能な決定木を用いた強化学習に基づくアプローチを提案する。
このアプローチは、データ駆動強化学習のスケーラビリティと(微分可能)決定木の説明可能性を統合する。
概念実証として,家庭内エネルギー管理問題を用いて提案手法を解析し,その性能を市販のルールベースベースラインと標準ニューラルネットワークベースRLコントローラと比較した。
- 参考スコア（独自算出の注目度）: 4.573008040057806
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the ongoing energy transition, demand-side flexibility has become an important aspect of the modern power grid for providing grid support and allowing further integration of sustainable energy sources. Besides traditional sources, the residential sector is another major and largely untapped source of flexibility, driven by the increased adoption of solar PV, home batteries, and EVs. However, unlocking this residential flexibility is challenging as it requires a control framework that can effectively manage household energy consumption, and maintain user comfort while being readily scalable across different, diverse houses. We aim to address this challenging problem and introduce a reinforcement learning-based approach using differentiable decision trees. This approach integrates the scalability of data-driven reinforcement learning with the explainability of (differentiable) decision trees. This leads to a controller that can be easily adapted across different houses and provides a simple control policy that can be explained to end-users, further improving user acceptance. As a proof-of-concept, we analyze our method using a home energy management problem, comparing its performance with commercially available rule-based baseline and standard neural network-based RL controllers. Through this preliminary study, we show that the performance of our proposed method is comparable to standard RL-based controllers, outperforming baseline controllers by ~20% in terms of daily cost savings while being straightforward to explain.
- Abstract（参考訳）: エネルギーの継続的な移行により、需要側の柔軟性は、グリッドのサポートと持続可能なエネルギー源のさらなる統合を可能にするため、現代の電力網の重要な側面となっている。
従来の供給源の他に、住宅セクターは太陽光発電、家庭用バッテリー、EVの採用の増加によって、柔軟性を損なう主要な供給源となっている。
しかし、家庭のエネルギー消費を効果的に管理し、多様な住宅で容易にスケーラブルにしながら、利用者の快適性を維持するためのコントロールフレームワークが必要であるため、この住宅の柔軟性の解放は困難である。
我々は、この課題に対処し、微分可能な決定木を用いた強化学習に基づくアプローチを導入することを目指している。
このアプローチは、データ駆動強化学習のスケーラビリティと(微分可能)決定木の説明可能性を統合する。
これにより、さまざまな家庭に容易に適応できるコントローラが実現され、エンドユーザに説明可能なシンプルなコントロールポリシが提供され、ユーザの受け入れがさらに向上します。
概念実証として,家庭内エネルギー管理問題を用いて提案手法を解析し,その性能を市販のルールベースベースラインと標準ニューラルネットワークベースRLコントローラと比較した。
本研究により,提案手法の性能は標準のRLコントローラに匹敵するものであり,日常的なコスト削減の点において,ベースラインコントローラを約20%上回り,説明が容易であることを示す。
関連論文リスト
- CityLearn v2: Energy-flexible, resilient, occupant-centric, and carbon-aware management of grid-interactive communities [8.658740257657564]
CityLearnは、単純で高度な分散エネルギー資源制御アルゴリズムをベンチマークするための環境を提供する。
本研究は、v2環境設計を詳述し、蓄電池システムの充電/放電サイクル、車両間制御、ヒートポンプ電力変調時の熱快適性を管理するための強化学習を利用した応用例を提供する。
論文 参考訳（メタデータ） (2024-05-02T16:31:09Z) - Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning [1.8434042562191815]
地域エネルギー市場を通じて実現された過渡的エネルギーは、グリッドの課題に対する有望な解決策として近年注目を集めている。
本研究では、ALEXにおけるエンドユーザー参加を自動化するために、深層強化学習エージェントのセットを訓練することでギャップを解消する。
本研究は, この設定において, 請求書の削減とネット負荷変動の低減との間に明らかな相関関係を明らかにした。
論文 参考訳（メタデータ） (2024-04-19T19:03:33Z) - Distill2Explain: Differentiable decision trees for explainable reinforcement learning in energy application controllers [5.311053322050159]
住宅セクターはエネルギー柔軟性の重要な(潜在的)源である。
そのようなタスクの潜在的制御フレームワークは、データ駆動型制御、特にモデルフリー強化学習(RL)である。
RLは、環境と対話し、データに基づいて純粋に学習し、人間の介入を最小限に抑えて、優れた制御ポリシーを学ぶ。
本稿では、微分可能な決定木を用いて、説明可能なRLポリシーを得るための新しい方法を提案する。
論文 参考訳（メタデータ） (2024-03-18T16:09:49Z) - Real-World Implementation of Reinforcement Learning Based Energy
Coordination for a Cluster of Households [3.901860248668672]
本研究では, 住宅8棟の電力消費調整における強化学習(RL)の有効性について検討した。
以上の結果から,データ駆動方式で学習したRLに基づくランキングの有効性が示された。
論文 参考訳（メタデータ） (2023-10-29T21:10:38Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - MERLIN: Multi-agent offline and transfer learning for occupant-centric
energy flexible operation of grid-interactive communities using smart meter
data and CityLearn [0.0]
ビルの脱炭は, 送電網の信頼性に新たな課題をもたらす。
我々は,MERLINフレームワークを提案し,CityLearnの現実的なグリッド・インタラクティブな住宅コミュニティのデジタルツインを利用する。
電池の独立型RL制御器は、個々の建物に対するポリシーを調整することによって、基準よりも建物や地区レベルが向上することを示す。
論文 参考訳（メタデータ） (2022-12-31T21:37:14Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。