TreeC: a method to generate interpretable energy management systems using a metaheuristic algorithm

要約

タイトル：CMA-ESを使用した解釈可能なエネルギー管理システムの生成手法「TreeC」

要約：
– エネルギー管理システム（EMS）は、従来、ルールベース制御（RBC）やモデル予測制御（MPC）の方法によって実装されてきた。
– 最近の研究では、強化学習（RL）を新しい有望なアプローチとして調査している。
– 本研究では、CMA-ESと呼ばれるメタヒューリスティックアルゴリズムを使用して、決定木としてモデル化された解釈可能なEMSを生成する機械学習手法「TreeC」を紹介する。
– この手法は、過去のデータに基づいてEMSの決定戦略を学習し、非適応的なソリューションであるRBCやMPCのアプローチとは対照的である。
– EMSの決定戦略は決定木としてモデル化されるため、主にブラックボックスモデル（例：ニューラルネットワーク）を使用するRLとは異なり、解釈可能である。
– TreeCは、文献から抽出した2つの研究ケース（1つは電力グリッド、もう1つは家庭用暖房）で、RBC、MPC、RL戦略と比較された。
– 結果は、両方のケースで完璧な予測を行うMPCと同等の性能を持ち、電力グリッドのケースではRLと同等の性能を持ち、家庭用暖房のケースではRLを上回る性能を示した。
– TreeCは、完全に解釈可能でありながら、エネルギー管理システムの機械学習における高性能なアプリケーションを示している。

要約(オリジナル)

Energy management systems (EMS) have classically been implemented based on rule-based control (RBC) and model predictive control (MPC) methods. Recent research are investigating reinforcement learning (RL) as a new promising approach. This paper introduces TreeC, a machine learning method that uses the metaheuristic algorithm covariance matrix adaptation evolution strategy (CMA-ES) to generate an interpretable EMS modeled as a decision tree. This method learns the decision strategy of the EMS based on historical data contrary to RBC and MPC approaches that are typically considered as non adaptive solutions. The decision strategy of the EMS is modeled as a decision tree and is thus interpretable contrary to RL which mainly uses black-box models (e.g. neural networks). The TreeC method is compared to RBC, MPC and RL strategies in two study cases taken from literature: (1) an electric grid case and (2) a household heating case. The results show that TreeC obtains close performances than MPC with perfect forecast in both cases and obtains similar performances to RL in the electrical grid case and outperforms RL in the household heating case. TreeC demonstrates a performant application of machine learning for energy management systems that is also fully interpretable.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI