Инновационное управление энергопотреблением в умных домах на основе нечеткого обучения с подкреплением с оптимизацией возобновляемых ресурсов алгоритмом морской звезды

Умные дома для меняющегося мира энергии

Поддерживать электричество доступным и экологичным становится сложнее: в домах появляется больше устройств, а в энергосистему интегрируется всё больше солнечных и ветряных установок. В этой статье рассматривается новый подход для умных домов, который позволяет координировать электроэнергию с крышевых солнечных панелей, небольших ветряков, домашних батарей и электромобилей при сохранении возможности при необходимости получать энергию из сети. Обучая энергетический «мозг» дома извлекать опыт и учитывать неопределённость в солнечном свете, ветре и ценах, авторы показывают, что домохозяйства могут снизить счета, значительно увеличить долю возобновляемой энергии и уменьшить выбросы, не жертвуя комфортом.

Как умный дом может мыслить об энергии

Исследование моделирует современный дом, подключённый к нескольким источникам энергии: солнечные панели на крыше, небольшой ветряк, домашняя батарея и электромобиль, который может как заряжаться, так и иногда отдавать энергию обратно. Дом также связан с общей энергосетью, где покупают и продают электроэнергию по ценам, меняющимся по часам. Вместо того чтобы просто брать сетевую энергию при каждом включении прибора, предложенная система управления постоянно принимает решения — каждый час — черпать ли энергию из сети, сохранять избыточную солнечную или ветровую энергию в батарее или машине, или даже продавать лишнее обратно. Основные цели просты: поддерживать комфорт жильцов, минимизировать суточные затраты и максимально эффективно использовать локальные возобновляемые источники.

Мягкая, но умная стратегия управления

В основе системы лежит движок принятия решений, сочетающий две идеи: нечеткую логику и обучение с подкреплением. Нечеткая логика позволяет машине работать с неточными понятиями, такими как «высокий спрос», «средняя инсоляция» или «низкий уровень батареи», а не с жёсткими правилами включено/выключено. Обучение с подкреплением, напротив, — это метод проб и ошибок, при котором контроллер получает вознаграждение за снижение затрат и рост доли возобновляемой энергии и штрафы за расточительство или излишнюю нагрузку на батарею. Авторы создают контроллер с четырьмя основными входами — мощность от солнца, мощность от ветра, потребление дома и цена электроэнергии — и четырьмя выходами, действующими как переключатели для солнца, ветра, домашней батареи и электромобиля. Эти выходы решают, отключён ли источник, питает ли он дом или заряжает/разряжает накопители.

Обучение дома

Обучить такой контроллер непросто: освещённость, ветер и поведение людей меняются сложно и непредсказуемо. Чтобы справиться с этим, авторы генерируют множество возможных «дней» с помощью статистических моделей: интенсивность солнечного излучения и потребление домохозяйств следуют бета‑распределениям, тогда как скорость ветра и характер использования электромобиля описываются нормальными и связанными распределениями. В этих сценариях контроллер настраивается с помощью натуралистично‑вдохновлённого поискового метода — алгоритма оптимизации морской звезды, который исследует множество комбинаций нечетких правил и постепенно находит те, что обеспечивают минимальные затраты и максимальную долю возобновляемой энергии. После стадии обучения набор правил фиксируется, и система может принимать решения очень быстро — порядка тысячной доли секунды на шаг — достаточно быстро для реального времени в домашнем энергетическом хабе.

Чего достигает смоделированный дом

На основе детальных компьютерных симуляций на полный день с десятью различными сценариями неопределённости исследователи сравнивают свой умный контроллер с более традиционными подходами, включая простые нечеткие системы и методы с дизельным резервным питанием или менее гибким расписанием. При трёх типовых схемах ценообразования — фиксированные тарифы, реальное время с внутридневными колебаниями и предустановленные цены на следующий день — новая система сокращает суточные затраты на электроэнергию на 35,2%, 23,8% и 26,43% соответственно. Одновременно она повышает долю спроса, покрываемого солнцем и ветром, до примерно 70% в ключевые часы, при этом уровни заряда батареи и электромобиля остаются в безопасных пределах. В течение 20 лет проект достигает конкурентной стоимости электроэнергии и снижает эксплуатационные расходы и углеродные выбросы примерно на 12–19% по сравнению с дизельными вариантами аналогичной мощности.

Почему это важно для повседневной жизни

Для неспециалиста основной вывод таков: объединение домашней солнечной генерации, небольшого ветра, аккумуляторов и электромобилей с умным контроллером, обучаемым на опыте, может сделать дом дешевле в эксплуатации и более экологичным. Вместо того чтобы заставлять людей вручную подбирать время работы приборов или гадать, когда заряжать машину, предложенная система автоматически координирует все ресурсы, учитывая меняющиеся цены, погоду и привычки. Хотя работа основана на симуляциях и требует полевых испытаний, она указывает на практический путь к домам — и даже клиникам или малому бизнесу — которые функционируют как мини‑электростанции, сокращая счета и выбросы и одновременно обеспечивая стабильное комфортное питание круглыми сутками.

Цитирование: Hamedani, M.M.K., Jahangiri, A., Mehri, R. et al. Innovative fuzzy reinforcement learning based energy management for smart homes through optimization of renewable energy resources with starfish optimization algorithm. Sci Rep 16, 11131 (2026). https://doi.org/10.1038/s41598-026-40247-6

Ключевые слова: управление энергопотреблением умного дома, интеграция возобновляемых источников энергии, хранение энергии в батареях и электромобилях, контроль на основе нечеткого обучения с подкреплением, динамическое ценообразование на электроэнергию