强化学习在智能微电网中的系统综述：控制-通信协同、鲁棒性与实际部署

《ARTIFICIAL INTELLIGENCE REVIEW》：Adaptive intelligence in smart microgrids: a systematic review and comparative analysis of RL-based control, communication, and simulation frameworks

　　本文以系统综述的形式，结合原创的示范基准测试，探讨了强化学习（RL）在智能微电网（SMG）控制、通信及仿真到实际部署中的应用。尽管此前已有综述对微电网能量管理中的强化学习进行了研究，但它们并未在一个可复现的综述框架下联合分析控制-通信协同设计、对抗鲁棒性、联邦与多智能体协调以及仿真到实际（Sim2Real）验证。为弥补这一空白，我们综合分析了2015年至2025年间发表的160余篇经同行评审的研究，并通过一个明确的分类体系来组织相关文献，涵盖强化学习族系、控制目标、通信依赖、验证层级、网络韧性机制及部署成熟度。本综述从可扩展性、延迟敏感性、鲁棒性、隐私保护、收敛行为及实际部署就绪度等方面，对比了各类算法、协议、仿真平台及验证实践。除了系统性的综合外，我们还报告了一项示范基准测试，该测试利用由SUMO-RL导出的需求轨迹并耦合pymgrid，在标准化的控制和通信指标下比较了具有代表性的强化学习控制器。分析表明，策略梯度和多智能体变体在动态运行条件下通常具有更强的适应性，但在成本、延迟、韧性和部署复杂度等方面，没有任何单一算法占据主导地位。本文最后指出，可复现性、通信感知验证、安全约束强化学习、隐私保护聚合以及高保真的信息物理数字孪生，是智能微电网中可信强化学习部署的主要障碍。