본 연구는 건물 내 태양광 패널과 에너지 저장 시스템 통합 증가로 인한 복잡성 증가에 대응하기 위해 딥 강화 학습(DRL)을 활용한 에너지 관리 프레임워크를 제시합니다.
합성 데이터와 실제 데이터(KIT Living Lab Energy Campus)를 활용하여 온·오프 정책 DRL 에이전트를 비교 분석하고, A2C와 PPO 알고리즘이 더 나은 성능을 보였습니다.
제안하는 설명 가능한 강화 학습(XRL) 프레임워크는 에너지 비용 절감뿐만 아니라 에이전트의 의사 결정 과정을 투명하게 보여주는 인사이트를 제공합니다.