风电场功率控制能够帮助电网维持平衡并避免停电。在欧洲，这通常通过隐式平衡实现，即风电场利用输电系统运营商发布的信息，提前调整功率设定点，以应对不平衡价格。这样，风电场既能协助恢复系统平衡，又能降低因预测误差产生的不平衡成本。\ 然而，隐式平衡面临两个难点：结算价格事先未知，且会受到所采用控制策略的影响。强化学习（RL）方法虽有潜力解决此类动态决策问题，但其决策过程缺乏可解释性，难以直接部署在真实风电场。\ 为此，我们提出一种基于可解释提升机器（EBM）的策略蒸馏框架。EBM 属于广义可加模型（GAM），能够以透明的形式表达控制策略。为提升模型捕获的价值，我们引入价值导向的蒸馏视角，借鉴能源预测领域的研究思路，即在蒸馏过程中最大化策略的期望收益而非仅模仿行为。\ 此外，我们在模型设计阶段加入专家知识，通过约束函数形式或特征选择，使得得到的控制策略对利益相关者同样具有说服力。\ 在比利时电网和一座离岸风电场的真实数据上进行实验，结果显示：价值导向且融合专家知识的控制器能够将不平衡成本降低 82%，并且在性能上超越基于价格阈值的控制器以及使用决策树的策略蒸馏基线。\ 点评：该工作巧妙结合可解释模型与价值导向蒸馏，提供了在实际电网环境中可部署且透明的风电场控制方案，为强化学习在能源系统中的落地提供了新思路。