基于人工智能的住宅微电网能源协调：可再生能源供应与电动汽车充电

《Engineering Applications of Artificial Intelligence》：Artificial intelligence based energy coordination in residential microgrids with renewable energy supply and electric vehicle charging

　　

# 摘要

人工智能（AI）使住宅微电网能够在不确定且动态的条件下实现自适应的实时能源管理。传统的基于规则和静态优化的方法通常不足以应对电价波动、家庭需求变化、可再生能源发电以及电动汽车（EV）可用性的变化。为应对这些挑战，本研究提出了一种分层实时能源管理框架，该框架将模型预测控制（MPC）与深度双Q网络（DDQN）强化学习相结合。所提出的框架适用于包含光伏发电、混合储能以及双向车到家（V2H）和家到车（H2V）能量交换的微电网。预测调度层生成短期运行计划，而强化学习层则在设备、户和监管层面实时优化控制动作。仿真结果表明，该框架将计算负担减少了31.4%，电网依赖度降低了21%，峰值需求降低了14–19%，同时将可再生能源利用率提高了18–25%。该方法还实现了约96%的收敛稳定性和低于0.42秒的实时响应时间。这些结果表明，所提出的基于AI的框架能够为住宅微电网提供高效、稳健且实用的实时协调，即使在存在可再生能源间歇性和电动汽车可用性不确定的情况下也是如此。

# 引言

微电网因增强系统韧性、降低排放以及促进可再生能源的采用而日益受到重视。通过分布式发电、储能和电网连接，微电网实现了本地化和灵活的能源管理（Hassan等人，2021）。然而，运营低压混合微电网仍具挑战性，因为这些微电网必须协调多种能源来源，考虑非线性系统行为，以经济有效的方式利用能源成本，维持电压和频率稳定，并在不确定的运行条件下提供可靠的电力供应。近期研究的高级控制和优化方法正在应对这些挑战，重点关注协同能源管理和惯性支撑策略。基于元横向推理的智能控制器在应对光伏和储能系统中的不确定性和非线性方面表现出更强的鲁棒性（Zastempowski，2023）。与集成仿真平台进行的实时实验验证也表明，与传统的优化方法相比，其具有最佳的暂态性能和能源调节性能。事实上，智能实时能源管理策略对未来分布式能源系统至关重要（Smart，2023）。

当前的能源管理算法依赖于历史数据和预定义的运行模型。近期研究结合专家知识和深度学习来提高调度效率、降低成本并减少对传统发电来源的依赖。后者是微电网中实时预测控制的指标。然而，并网微电网中生产与消费之间的权衡难以调和，因为可再生能源发电的不确定性、系统复杂性和数据隐私约束继续阻碍标准模型优化技术的有效性。分布式学习型能源管理架构已被提出以解决这些问题（Ben Slama，2022）。

近期的AI方法如强化学习、预测优化、模糊逻辑、启发式优化和基于Transformer的预测已经推进了家庭能源管理，但技术局限性依然存在。具体而言，像DQN和DDQN这样的独立强化学习方法在快速变化的条件和可再生能源波动下，面临收敛不稳定、适应缓慢以及对超参数选择敏感等问题（Zhang等人，2025）。同时，在具有分布式资源和电动汽车的家庭能源系统中，MPC需要在每个时间间隔进行迭代优化，消耗大量计算资源并限制了可扩展性（Houska和Villanueva，2018）。此外，模糊和基于规则的系统缺乏自适应学习，而启发式优化算法在动态住宅环境中收敛缓慢且可扩展性有限（Mariyam等人，2025）。尽管基于Transformer的预测框架提高了预测精度，但在面对干扰和不确定性时缺乏自适应的实时纠正控制（L等人，2026）。最后，随着智能体变得更加分散，多智能体强化学习系统面临通信开销增加、非平稳性和收敛不稳定的问题（Zhu等人，2024）。

鉴于这些限制，本研究提出了一种混合分层架构，将预测调度和自适应强化学习整合在一个协调的多智能体框架中。具体来说，设计了一种住宅微电网的分层实时能源管理系统，集成了光伏发电、电池、氢系统、超级电容器以及双向车到家/车到电网协调。该系统利用预测控制和基于DDQN的自适应强化学习来应对已识别的挑战。预测层根据预测的需求和可再生能源建立短期运营基准，而自适应强化学习层应用实时控制调整以响应条件和中断。通过结合预测优化和自适应干扰抑制，该方法减少了重复的优化工作，并增强了在变化的住宅运行条件下的可扩展性，这与单独的MPC或强化学习技术有所区别（Hajaligol等人，2025）。因此，该架构能够提高可再生能源的利用，通过智能管理降低电费，通过最大化自消费减少对电网的依赖，并在快速变化的住宅能源环境中实现稳定运行（Slama，2025）-（Ben Slama和Mahmoud，2023）。

大多数家庭微电网能源管理方法使用独立的预测优化、基于规则的调度或基本强化学习。然而，这些方法往往旨在快速适应快速变化的条件、可再生能源波动、电动汽车不可预测性和电网中断。本研究引入了一种分层实时能源管理系统，在多智能体设置中将预测控制和强化学习相结合来解决这些挑战。预测层使用预测数据进行短期调度处理，而强化学习层根据实际系统条件实时更新控制动作。该系统支持灵活的V2H/H2V功能、多储能管理和改进的灵活性，而无需每次完全重新优化（t）。

近年来，智能控制的进步显著提高了微电网运行的效率、稳定性和经济性。本文分析了各种解决方案，从数据驱动的方法到混合控制设计，以展示人工智能在现代能源管理系统中的价值。几项研究已证明了将预测控制与高级预测算法结合用于可再生能源主导的微电网中电压调节和功率平衡的有效性。例如，在（El-Khatib等人，2026）中，作者引入了基于DQN的住宅能源管理系统以实现动态情况下的自适应调度和能源协调。他们的框架通过参与可再生能源发电、储能系统和住宅负载来提高决策质量。然而，基于DQN的方法仍面临收敛不稳定、Q值高估、适应缓慢和对超参数调整敏感等问题，尤其是在可再生能源条件快速变化和电动汽车行为不可预测的情况下。

在（K. M P，2024）中，作者提出了基于DDQN的能源管理策略，以改善学习稳定性并减少传统DQN算法中观察到的Q值高估。他们的系统改善了不确定住宅条件下的运行性能和自适应调度。然而，大多数基于DDQN的系统依赖集中协调和简单的储能协调，这限制了其在大型住宅微电网中的可扩展性和实时适应性。

在（Kumar和Gautam，2026）中，作者引入了基于PPO的强化学习框架用于家庭能源管理。这些方法解决了分布式能源资源和储能协调方面的挑战。策略梯度优化方法改善了动态条件下的学习稳定性和控制。然而，PPO算法通常需要大量的训练数据和计算资源，这限制了其在硬件有限的住宅微电网中的应用。

在（Treesatayapun，2025）中，作者开发了使用软演员-评论家（SAC）的能源管理系统，通过最大化熵来提高探索效率和运行鲁棒性。他们的系统在面临不可预测的可再生能源发电和变化的电价时实现了更好的自适应学习。然而，基于SAC的方法需要复杂的神经网络设计和大量处理能力，这限制了其在分布式家庭系统中的可扩展性和实用性。

同时，在（Protoulis和Alexandridis，2026）中，作者引入了基于MPC的家庭能源管理框架。这些框架基于预期的运行状况协调分布式能源供应、储能系统和电动汽车充电。他们的预测优化改善了运行调度并降低了电费。然而，在每个调度间隔的持续优化对具有多个分布式能源资源和智能体的住宅系统造成了巨大的计算负担，降低了可扩展性。

同样，在（Singh等人，2026）中，作者引入了基于模糊逻辑的家庭能源管理系统（模糊EMS），以在变化的运行条件下协调可再生能源发电和储能设备。他们的方法能够在不需要复杂数学模型的情况下实现简单、低复杂度的决策。然而，模糊EMS仍然依赖专家设计的规则和固定的隶属函数，限制了其在快速演变的住宅环境中适应和学习的能力。

同时，在（Ben Jouida和Krichen，2018）中，作者引入了启发式优化工具，如遗传算法和粒子群优化。这些工具帮助调度住宅微电网并协调分布式能源资源。他们的优化方法改善了非线性条件下的运行灵活性和经济调度。然而，启发式方法通常表现出收敛缓慢、计算复杂度高以及在具有各种储能系统和电动汽车的大型住宅能源社区中可扩展性有限的问题。

最近，在（Diamantini等人，2024）中，作者引入了基于Transformer的预测框架，利用先进的时序学习来改善可再生能源发电和住宅负载的预测。他们的注意力架构在变化的运行条件下提高了预测性能。然而，Transformer预测系统主要关注预测精度，通常不会在干扰和不确定性期间提供自适应的实时纠正控制。

与预测创新并行的是，在（Javaid和Kato，2022）中，作者引入了基于多智能体强化学习（MARL）的分布式家庭能源管理系统，用于多户之间的去中心化能源协调和本地能源共享。他们的分布式协调技术增强了运行灵活性和去中心化控制能力。然而，随着分散智能体数量的增加，基于MARL的方法论仍面临通信成本、收敛不稳定性和非平稳学习行为的问题，从而限制了其在大型住宅能源社区中的可扩展性。

为了强调持续存在的挑战，在（Khawaja等人，2023）中，作者证明独立的强化学习系统在涉及可再生能源间歇性、随机电动汽车行为和变化的电价的高度动态住宅运行条件下往往变得不稳定。他们的研究表明，延迟奖励传播、探索不稳定性和对奖励工程的敏感性可能会显著影响实时住宅微电网中的学习收敛和运行可靠性。

在（Rabbi，2026）中，作者针对这些挑战提出了用于住宅微电网协调的混合强化学习框架，将自适应强化学习与预测调度相结合。他们的方法减少了对重复优化的需求，并改善了不确定条件下的韧性和适应性。事实上，所提出的方法使用了一种分层MPC-DDQN系统，在多智能体住宅微电网中将预测控制与基于DDQN的自适应强化学习相结合。该系统包括光伏系统、电池、氢系统、超级电容器和双向V2H/H2V电动汽车协调。所提出的设计在统一的分层设置中结合了预测优化和自适应学习，与单独的MPC、强化学习和基于Transformer的方法相比，在面临可再生能源变化、需求变化、停电和电动汽车可用性不确定时，改善了实时自适应调度、计算速度、收敛稳定性、可再生能源使用和可靠运行。

本工作的主要贡献总结如下：

- 首先，开发和设计了一种分层实时能源管理系统。所提出的设计结合了基于模型的预测控制（根据系统模型预测未来的能源需求）和强化学习（通过实时交互优化能源决策）。
- 在分层系统的基础上，实施了一个自适应强化学习修正层，以实时管理可再生能源间歇性和电网中断。
- 此外，在住宅微电网调度中纳入了双向V2H/H2V协调。
- 另外，BSSS储能、氢系统、超级电容器和电动汽车通过多智能体架构进行了协调。
- 最后，与传统的仅MPC和基于ILP的方法相比，提高了可再生能源利用率并减少了对电网的依赖。

该概念使用强化学习根据反馈实时调整控制决策。与典型的模型预测控制不同，该框架能够快速适应而无需迭代优化。预测层预测家庭需求、可再生能源输出和能源价格，而自适应DDQN层更新能源管理决策。与预测、学习或基于规则的方法相比，分层设计提高了住宅微电网的可扩展性、效率、灵活性和鲁棒性。表1比较了该框架与现有解决方案，突出了在不同条件下改善自适应协调、可再生能源集成以及可靠V2H和H2V管理的需要。

本论文涉及以下主题：第2节详细介绍了微电网的系统架构和住宅数学建模。第3节介绍了MPC-DDQN分层能源管理技术和强化学习的自适应协调架构。第4节概述了仿真设置、案例研究、比较评估、计算分析和敏感性评估。最后，第5节总结了论文并确定了潜在的研究方向。

# 章节片段

## 系统架构

图1展示了住宅微电网的概念设计。该系统包括互联的智能元件，用于发电、消费、存储、监控和协调。

这些组件提高了家庭能源系统的能源效率，降低了成本，并增强了可靠性。供给组件负责管理光伏电力生成，并提供可再生能源的实时更新。消耗组件收集每个智能设备的需求数据。存储组件使用电池进行

分层能源管理策略

所提出的小型户用电网能源管理系统采用分层控制结构。该结构结合了预测优化（基于数据预判未来变化）和自适应强化学习（针对意外事件调整行为），以提高在不确定条件下的灵活性和协调性。所提出的设计包含两个层级：一个基于模型预测控制（MPC）的调度层，根据未来预测进行决策；以及一个实时校正

仿真设置与案例分析

本节总结了住宅微电网的组网配置、所采用的数据集，以及关于电价和电动汽车的假设。此外，还描述了用于评估系统在不同运行模式下性能的仿真场景。

结论

本文提出了一种基于人工智能的分层能源管理系统，用于住宅微电网，该系统将模型预测控制（MPC）与双深度Q网络（DDQN）强化学习相结合。所提出的方法通过预测调度和自适应实时决策，协调光伏发电、混合储能、电动汽车双向能量交换以及与电网的交互。通过将长期预测优化与基于强化学习的校正控制相结合，该方法

利益冲突声明

作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本研究由机构基金项目资助（项目编号：IFPIP: 887-717-1443）。作者感谢沙特阿拉伯吉达阿卜杜拉·阿齐兹国王大学教育部及其发展研究部（DSR）提供的技术和财政支持。

萨米·本·斯拉马
阿卜杜拉·阿齐兹国王大学应用学院计算机与信息技术系，沙特阿拉伯吉达