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

📄 arXiv: 2402.09584v2 📥 PDF

作者: Liang Zhang, Zhelun Chen

分类: cs.AI, cs.HC

发布日期: 2024-02-14 (更新: 2024-11-15)

期刊: Energy and Buildings, 313, 114278 (2024)

DOI: 10.1016/j.enbuild.2024.114278

💡 一句话要点

提出可解释机器学习控制框架以提升HVAC系统的可信度

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 可解释机器学习 HVAC系统 Shapley值 大型语言模型 模型预测控制 建筑能效 智能控制

📋 核心要点

  1. 现有的机器学习控制方法在HVAC系统中缺乏透明性，导致用户对决策过程缺乏信任。
  2. 本文提出了一种结合Shapley值和大型语言模型的可解释机器学习框架，以提升MLC的可理解性。
  3. 实验结果表明，该框架能够生成符合规则推理的控制信号，验证了其在实际应用中的有效性。

📝 摘要（中文）

机器学习控制（MLC）在HVAC系统中的潜力受到其不透明性和推理机制的限制，这使得用户和建模者难以完全理解，从而导致对基于MLC的决策缺乏信任。为了解决这一挑战，本文研究了可解释机器学习（IML），旨在提高MLC的透明度和理解度，进而增强其在HVAC系统中的工业应用可信度。具体而言，我们开发了一个创新框架，结合了Shapley值的原则和大型语言模型（LLMs）的上下文学习特性。Shapley值有助于剖析ML模型中各特征的贡献，而LLM则提供了对非数据驱动或基于规则的MLC元素的深入理解，二者结合后，LLM进一步将这些见解打包成连贯的人类可理解叙述。本文通过案例研究展示了所开发的IML框架在虚拟测试平台上进行基于模型预测控制的预冷却的可行性，结果表明，该框架生成并解释的控制信号符合基于规则的推理。

🔬 方法详解

问题定义：本文旨在解决HVAC系统中机器学习控制的不透明性问题，现有方法难以被用户理解，导致信任缺失。

核心思路：通过结合Shapley值和大型语言模型的特性，提升机器学习控制的可解释性，使得用户能够理解模型的推理过程。

技术框架：整体框架包括数据输入、特征贡献分析（使用Shapley值）、非数据驱动元素的理解（通过LLM）以及最终生成可解释的控制信号。

关键创新：将Shapley值与大型语言模型结合，形成一种新的可解释机器学习控制框架，显著提升了模型的透明度和用户的理解能力。

关键设计：在框架中，Shapley值用于量化特征贡献，LLM则负责将复杂的推理过程转化为易于理解的叙述，确保生成的控制信号符合规则基础的逻辑。

📊 实验亮点

实验结果显示，所提出的IML框架在虚拟测试平台上成功生成了符合规则推理的控制信号，验证了其在基于模型预测控制的预冷却中的有效性，提升了用户对决策过程的理解和信任。

🎯 应用场景

该研究的潜在应用领域包括建筑能效管理、智能HVAC系统以及其他需要透明决策支持的自动化控制系统。通过提升机器学习模型的可解释性，能够增强用户的信任，从而推动智能控制技术的广泛应用。

📄 摘要（原文）

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.