L'optimisation énergétique efficace dans les maisons intelligentes est de plus en plus importante en raison des prix dynamiques de l'électricité, de la génération renouvelable fluctuant et de la demande croissante de contrôle énergétique flexible. Cependant, de nombreux systèmes de gestion de l'énergie domestique intelligente (SHEMS) existants s'appuient sur des horaires statiques ou une logique basée sur des règles, offrant une adaptabilité et une implication de l'utilisateur limitées. Cet article présente un cadre d'optimisation centré sur l'utilisateur novateur basé sur l'optimisation de la policy proximale (PPO) pour gérer intelligemment la planification des appareils et les opérations de stockage d'énergie dans des environnements résidentiels. Le modèle intègre des prévisions à court terme de la demande d'électricité, de la génération d'énergie renouvelable (RE) et des prix variant dans le temps comme entrées auxiliaires pour améliorer la prise de décision en cas d'incertitude. Une structure de récompense flexible permet aux utilisateurs d'ajuster le compromis entre économies de coûts et confort en temps réel. Les résultats de simulation montrent que le système proposé réalise des économies de coûts quotidiennes moyennes de 23 % tout en maintenant un niveau de satisfaction au confort supérieur à 60 % dans les modes de priorité de coût, de confort et équilibré. Ces résultats confirment l'efficacité de la combinaison de l'apprentissage profond par renforcement avec une prise de décision adaptative et consciente des prévisions pour une gestion énergétique intelligente et centrée sur l'utilisateur dans les maisons intelligentes.
Mudiyanaselage et al. (Sun,) ont étudié cette question.