Large Language Model-Based Interpretable Machine Learning Control in Building Energy Systems

要約

HVAC システムにおける機械学習制御 (MLC) の可能性は、その不透明な性質と推論メカニズムによって妨げられており、ユーザーやモデラーが完全に理解するのは困難であり、最終的には MLC ベースの意思決定に対する信頼の欠如につながります。
この課題に対処するために、このペーパーでは、HVAC システムにおける MLC とその産業応用の信頼性を向上させるために、モデルとその推論の透明性と理解を強化する機械学習 (ML) の一分野である解釈可能機械学習 (IML) を調査および検討します。
具体的には、Shapley の価値観の原則と、大規模言語モデル (LLM) のコンテキスト内学習機能を組み合わせた革新的なフレームワークを開発しました。
Shapley 値は ML モデルのさまざまな機能の寄与を分析するのに役立ちますが、LLM は MLC の非データ駆動型要素またはルールベースの要素を深く理解するのに役立ちます。
それらを組み合わせることで、LLM はこれらの洞察を、一貫した人間が理解できる物語にさらにパッケージ化します。
この論文では、仮想テストベッドにおける需要応答イベント下でのモデル予測制御ベースの予冷用に開発された IML フレームワークの実現可能性を実証するケーススタディを紹介します。
結果は、開発されたフレームワークがルールベースの理論的根拠に従って制御信号を生成および説明していることを示しています。

要約(オリジナル)

The potential of Machine Learning Control (MLC) in HVAC systems is hindered by its opaque nature and inference mechanisms, which is challenging for users and modelers to fully comprehend, ultimately leading to a lack of trust in MLC-based decision-making. To address this challenge, this paper investigates and explores Interpretable Machine Learning (IML), a branch of Machine Learning (ML) that enhances transparency and understanding of models and their inferences, to improve the credibility of MLC and its industrial application in HVAC systems. Specifically, we developed an innovative framework that combines the principles of Shapley values and the in-context learning feature of Large Language Models (LLMs). While the Shapley values are instrumental in dissecting the contributions of various features in ML models, LLM provides an in-depth understanding of the non-data-driven or rule-based elements in MLC; combining them, LLM further packages these insights into a coherent, human-understandable narrative. The paper presents a case study to demonstrate the feasibility of the developed IML framework for model predictive control-based precooling under demand response events in a virtual testbed. The results indicate that the developed framework generates and explains the control signals in accordance with the rule-based rationale.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google