基于深度强化学习的异构电池及随机EV行为下的家庭能源管理
系统与控制
2026-02-05 v1 系统与控制
摘要
光伏(PV)、电动车(EV)和储存能源系统(ESS)的广泛采用增加了系统的复杂性，同时也为能源调节提供了新的机遇。然而，在不确定性面前有效地协调这些资源仍然具有挑战性。本文提出了一种基于深度强化学习(DRL)的新型家庭能源管理框架，能够在保证居住舒适度和EV充电需求的同时，联合最小化能源支出和电池退化。与现有研究不同，我们明确考虑了固态和EV电池异构退化特性的优化，以及关于到达时间、离开时间和驾驶距离的随机用户行为。能源调度问题被形式化为受约束的马尔可夫决策过程(CMDP)，并使用拉格朗日软动作-评论家(SAC)算法求解。该方法使智能体能够学习到在面对随机不确定性时仍能强制执行物理约束的 optimal control policies，包括室内温度限制和离开时的目标EV电荷态。数值仿真在一年时间尺度上表明，所提出的框架在满足物理约束的同时消除了热力学振荡，实现了显著的经济效益。具体而言，该方法在两个标准基于规则的基线之上显著降低了累积运行成本，同时通过8.44%降低电池退化成本。
引用
@article{arxiv.2602.04578,
title = {Reinforcement Learning-based Home Energy Management with Heterogeneous Batteries and Stochastic EV Behaviour},
author = {Meng Yuan and Ye Wang and Xinghuo Yu and Torsten Wik and Changfu Zou},
journal= {arXiv preprint arXiv:2602.04578},
year = {2026}
}