物联网（IoT）传感基础设施和分布式可再生能源资源的日益部署使可再生能源社区（REC）的出现成为可能，这些社区需要智能、自适应和去中心化的能源管理策略。本研究提出了一种基于传感器的强化学习（RL）框架，用于协调管理住宅可再生能源社区，旨在共同优化热舒适性、经济节约和环境可持续性。每个家庭都配备了一套监测室内温度、能量生产和消费、蓄电池充电状态和用户存在感的物联网传感器网络，这些传感器共同定义了一个离散的状态空间，用于控制供暖系统和可编程电器的表格Q学习代理。开发了一个随机模拟环境，以现实地再现天气变化、建筑热动态、用户活动轮廓和光伏发电。为了应对多代理学习中典型的不稳定性，采用了两阶段训练策略：代理首先在单户水平上使用合成传感器数据进行预训练，随后在整个社区中部署，其中协调是通过共享奖励组件实现的，而无需明确的代理间通信。在由十一户家庭组成的异构可再生能源社区（REC）中评估了性能，包括生产者和消费者。模拟结果表明，该方法在降低能耗、改善热舒适性稳定性和提高全球奖励方面显著优于基于规则的控制策略。此外，预训练的代理在社区级别操作时表现出稳定和合作的行为，且对探索的敏感性有限。这些发现表明，以传感器驱动的轻量级强化学习是物联网可再生能源社区去中心化能源管理的一种可行且可扩展的解决方案。
Caputo等人（星期五）研究了这个问题。