Assuring explainability on demand response targeting via credit scoring

به عنوان نوآوری مبتنی بر داده ها، یک روند اصلی در بخش انرژی می شود، قابل توضیح بودن اقدامات مبتنی بر داده ها، تبدیل شدن به یک مسئله عدالت عمده برای برنامه های مسکونی است و انتظار می رود که این الزام برای تطابق قوانین و مقررات باشد. توضیح، با این حال، اغلب در عملکرد پیش بینی شده قربانی می شود و بر اثربخشی اقدامات مبتنی بر داده تاثیر می گذارد. در این مطالعه، مشتریان مبتنی بر داده ها را در برنامه پاسخگویی تقاضای تقاضای مسکونی مبتنی بر انگیزه در نظر می گیریم و در صورت استفاده از روش های مبتنی بر قاعده ساده، روش های اعتبار سنجی اعتبار مبتنی بر قاعده ساده، و بررسی معیشت عملکرد را بررسی می کنیم. نمره اعتباری که راه حل محبوب در رشته امور مالی برای بیش از 60 سال بوده است، یک روش مدل سازی مبتنی بر کارت امتیازی است که مطمئنا قابل توضیح است. برای اولین بار مراحل دقیق اعمال نمره اعتبار را به مسئله پاسخ تقاضا ارائه می دهیم. سپس، از مجموعه داده های 14،525 خانوار که از یک برنامه پاسخ واقعی تقاضا استفاده می شود استفاده می کنیم و دو مشکل پیش بینی را پیش بینی می کنیم: پیش بینی مشارکت و پیش بینی تغییر رفتار. نتایج نشان می دهد که نمره اعتبار می تواند عملکرد قابل مقایسه ای را به عنوان بهترین روش های یادگیری ماشین در حالی که ارائه توضیحات کامل را به دست آورد. نتایج ما نشان می دهد که نمره اعتبار می تواند یک گزینه تبعیض آمیز برای مشکلات گسترده تر در بخش انرژی باشد.