摘要
随着物联网（IoT）传感基础设施以及分布式可再生能源资源的日益普及，可再生能源社区（RECs）应运而生。这类社区需要智能、灵活且去中心化的能源管理策略。本研究提出了一种基于传感器驱动的强化学习框架，用于对住宅类可再生能源社区进行协同管理，旨在同时优化热舒适性、经济效益以及环境可持续性。每户家庭都配备了物联网传感器网络，可监测室内温度、能源的产生与消耗情况、电池充电状态以及用户是否存在，这些数据共同构成了一个离散的状态空间，供表格型Q学习算法用来控制供暖系统及可编程家电。研究还构建了一个随机仿真环境，用以真实模拟天气变化、建筑的热动力学特性、用户活动模式以及光伏发电情况。为解决多智能体学习中常见的稳定性问题，本研究采用了两阶段训练策略：首先使用合成传感器数据在单户层面对智能体进行预训练，之后再将它们部署到整个社区中，在此过程中无需智能体之间进行直接通信，而是通过共享奖励机制来实现协同。研究在由11户家庭组成的异构可再生能源社区上对该算法进行了性能评估，这些家庭既包括能源生产者也包括消费者。仿真结果表明，所提出的方法显著优于基于规则的控制策略，能够实现更低的能耗、更高的热舒适度稳定性以及更高的整体收益。此外，经过预训练的智能体在社区层面协同运行时仍能保持稳定且良好的协作行为，对探索行为的敏感度也较低。这些研究结果表明，基于传感器驱动的轻量级强化学习方法是物联网支持的可再生能源社区中实现去中心化能源管理的可行且具有扩展性的解决方案。
