基于改进生成对抗网络与深度强化学习的家庭能源管理系统调度优化研究

本文提出了一种融合改进Wasserstein生成对抗网络(WGAN)与深度强化学习(DRL)的能源调度算法，通过随机微分方程增强数据生成质量，创新性引入Minmax机制解决Q值估计偏差问题。实验表明，该方法能有效提升微电网在可再生能源波动下的稳定性，实现供需平衡与低碳目标（含DDPG/TD3/SAC算法对比）。

　　

Highlight亮点

本研究通过两项关键技术突破提升能源管理系统(EMS)性能：

1. 1.

   改进生成对抗网络：在Wasserstein GAN(WGAN)框架中整合随机微分方程，并加入自相关惩罚项，使生成的时间序列数据兼具真实波动特征（实验证实KL散度降低23%）。

2. 2.

   Minmax强化学习机制：通过多Q网络分组评估，先取组内最大值反映局部乐观估计，再取全局最小值控制偏差，相比传统TD3算法奖励值提升15.6%。

Key Conclusions关键结论

• 改进WGAN生成的数据训练调度模型时，其应对光伏(PV)发电波动的泛化能力显著增强（ACF相关系数>0.92）

• Minmax-DRL算法在收敛速度、稳定性及最终奖励值上均优于DDPG/SAC等基线方法（p<0.05）

• 多实验均值评估策略有效降低随机波动影响，使柴油发电机(DG)调度成本减少18.3%

CRediT作者贡献声明

赵伟鹏：研究设计/算法开发/论文撰写；石元波：理论指导/结果验证；李雨帅：数据分析/可视化；刘萌：方法优化；冷晓玲：资源支持

（注：翻译保留原文技术术语如DG/PV/ESS等缩写，并通过"波动特征""泛化能力"等专业表述增强可读性）