11:08arXiv cs.AI@Hallah Shahid Butt, Qiong Huang, Gökhan Demirel, Kevin Förderer, Erfan Tajalli-Ardekani, Simnon Waczowicz, Luigi Spatafora, Veit Hagenmeyer, Benjamin Schäfer该论文提出了一种可解释的深度强化学习(XRL)框架,用于优化住宅建筑的能源管理,特别是配备光伏和储能系统的建筑。研究对比了在线策略(如A2C和PPO)与离线策略算法,发现前者在累积奖励和策略稳定性上更优。框架利用事后解释技术揭示黑箱模型的决策过程,不仅降低了电费,还提供了透明、可操作的见解。实验基于合成数据和德国KIT的Living Lab真实数据,验证了方法的有效性。论文深度强化学习可解释AI建筑能源管理储能优化PPO/A2C推荐理由:建筑能源管理团队终于有了可解释的AI方案——XRL框架在降低电费的同时让你看清决策逻辑,做楼宇自动化或智慧能源的开发者可以直接参考。原文