针对建筑碳减排面临的新挑战，利用 MERLIN 框架和执行家庭需求响应的高级控制架构，通过强化学习控制方法，使得独立 RL - 控制器为电池提供灵活性参与电网需求响应，提高建筑和电网的关键绩效指标并降低培训成本。

Dec, 2022

本研究表明，多智能体强化学习可用于通过智能逆变器和智能建筑能源管理系统控制建筑内资源，实现电网水平目标，并保护建筑物业主的隐私和舒适度。作为案例研究，我们考虑使用可控建筑负载、储能和智能逆变器在 IEEE-33 总线网络上进行电压调节。结果表明，强化学习代理通常通过 34％降低欠电压和过电压的发生率。

Oct, 2021

通过观测室内数据，我们展示了一种实施简便且易于扩展的强化学习方法，该方法在一个真实世界的场景中验证了基于层次控制系统的协调策略的可行性，并展示了满意的电能追踪效果。

Oct, 2023

该研究通过训练一组深度强化学习智能体来自动化参与 ALEX 社区能源市场，揭示了账单减少与减少净负荷变动之间的明确关联。在使用开源数据集评估净负荷变动的影响时，代理与多个基准进行了比较，显示出有前景的性能水平，接近近似最优动态规划基准。

Apr, 2024

该研究提出了一种综合调度模型，利用多智能体深度强化学习算法学习不同社区的负载特征，并基于这些知识做出决策，以在不确定条件下协调各社区之间的能源交互和多能源子系统之间的能量转换，实现综合能源系统的整体优化和调度。模拟结果表明，该方法有效捕捉到不同社区的负载特征，并利用它们的互补特性，在它们之间协调合理的能源交互，从而将风电弃能率从 16.3% 降低到 0%，并降低了 5445.6 元的总运营成本，具有显著的经济和环境效益。

Aug, 2023

本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

Jul, 2017

深层多智能体强化学习可实现住宅能量灵活性的可扩展和隐私保护的协调，结果表明，通过使用中心化但分化的评论家，可以在执行前排练协调。

May, 2023

本文探讨了为游牧社区设计和规划移动多能源供应系统的策略，并采用深度强化学习（DRL）作为设计和规划问题的解决方案，结果表明游牧能源系统在技术和经济上都是可行的，特别是在考虑灵活性时，对可用基线值的潜在改进高达 25％，67％和 76％。

Dec, 2022

本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型，通过多代理近端政策优化和本地化通信进行训练。同时，文中探讨了两种通信框架：手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节，并可以在恒定处理时间下无缝扩展到任意数量的房屋。

Jan, 2023

通过利用自动和众包方式支持的异常检测和数据注释，在智慧城市部署和实验 - as-a-service 生态系统中验证 LearningCity 解决方案，以结合大规模智慧城市数据和机器学习，为智慧城市的消费者提供简化数据利用的方法

Apr, 2021