INAIA: a multi-agent reinforcement learning approach for incentive allocation in renewable energy communitie

Renewable Energy Communities (RECs) have emerged as a key instrument in the transition toward decentralized and sustainable energy systems. As an organizational model, they promote energy self-sufficiency, reduce the dependence on the main grid, contribute to renewable integration, grid stability, and citizen participation in the energy transition. Their effectiveness, however, depends critically on the design of Energy Management Systems (EMSs) capable of coordinating heterogeneous households while optimizing overall community performance. This work presents the INcentive Allocation for Interest Alignment (INAIA) algorithm, a Multi-Agent Reinforcement Learning (MARL) method for training decentralized EMSs in line with the Italian regulatory framework. INAIA is designed to align individual goals with community-level objectives, thereby enabling collaboration without requiring centralized control. The approach is evaluated through a comprehensive set of experiments across multiple scenarios based on real-world data. In a representative scenario, INAIA increases the self-consumption by 17.3% compared to the best-performing baseline, while also achieving gains in social welfare. Ablation studies further demonstrate the robustness of the method. Beyond technical performance, INAIA indirectly supports broader societal goals of RECs, including easing renewable integration into the grid and fostering the diffusion of energy democracy.

Le Comunità Energetiche Rinnovabili (CER) sono emerse come uno strumento chiave per la transizione verso sistemi energetici sostenibili e decentralizzati. In quanto modello organizzativo, esse promuovono l'autosufficienza energetica, riducono la dipendenza dalla rete principale e contribuiscono all'integrazione delle fonti rinnovabili, alla stabilità della rete e alla partecipazione della cittadinanza nella transizione energetica. Ciononostante, la loro efficacia dipende in misura significativa dalla progettazione di Sistemi di Gestione dell'Energia (EMS) capaci di coordinare abitazioni eterogenee e, al tempo stesso, ottimizzare le prestazioni complessive della comunità. In questo lavoro presentiamo INcentive Allocation for Interest Alignment (INAIA), un metodo basato su Multi-Agent Reinforcement Learning per l'addestramento di EMS decentralizzati in linea con il quadro normativo italiano. INAIA è pensato per allineare gli obiettivi individuali delle abitazioni con quelli della comunità nel complesso, rendendo possibile la collaborazione senza la necessità di un sistema di controllo centralizzato. Il nostro approccio viene valutato attraverso una serie esaustiva di esperimenti che coprono vari scenari, tutti basati su dati reali. In uno scenario rappresentativo, INAIA aumenta l'autoconsumo del 17.3% rispetto alla migliore baseline, e al contempo ottiene incrementi di benessere sociale. Studi di ablazione dimostrano ulteriormente la robustezza del metodo. Oltre alle prestazioni tecniche, INAIA supporta indirettamente alcuni degli obiettivi sociali più ampi delle CER, tra cui facilitare l'integrazione delle fonti rinnovabili nella rete e promuovere la diffusione della democrazia energetica.