直接说结论：用强化学习做光伏MPPT，不是赶时髦，而是这套问题的天然结构就是“状态—决策—反馈”。我前前后后调了快两个月，发现最难的不是模型本身，而是把MPPT问题翻译成强化学习语言，以及陪训练而不是训模型。这篇文章把我用MATLAB/Simulink + Reinforcement Learning Toolbox搭的一套基于强化学习的MPPT自适应控制策略模型完整复盘一遍，从环境建模、奖励设计、Agent选型，到训练调参、对比验证、踩坑记录，全部摊开写。适合正在做光伏控制、想用RL替换传统MPPT的工程师，也适合对强化学习在电力电子里怎么落地感兴趣的研究生和同行。

1. 为什么MPPT值得用强化学习重做一遍

1.1 传统MPPT算法的瓶颈在哪里

光伏组件在不同光照和温度下，输出P-V曲线会整体移动，最大功率点的位置跟着变。MPPT的核心任务就是在环境变化中快速、稳定地找到当前最大功率点。传统工程里最常用的是扰动观察法（P&O）和电导增量法（INC），它们的本质逻辑是“沿着功率上升的方向走”。

P&O的思路很简单：给占空比加一个小扰动，看功率是升了还是降了，再决定下一步同向还是反向扰动。听起来很合理，但实际用起来有几个绕不开的毛病。

第一是步长矛盾。扰动步长取得大，跟踪速度快，但到了最大功率点附近会反复振荡，稳态输出损失大；步长取小，稳态是稳了，可一旦光照突变，爬回新最大功率点的时间明显变长。我在一组实际工况里测过一个标称250W的组件，步长取0.9%时，稳态功率振荡幅度能到额定功率的±1.8%，看起来不多，但折算成一天损失的发电量就不是小数目了。

第二是固定参数无法覆盖宽工况。P&O的固定步长在1000W/m²下调好的，到了阴天或早傍晚400W/m²的场景，功率梯度不一样，同样的步长要么跟踪迟钝，要么振荡变大。温度变化也让开路电压整体偏移，固定的阈值参数很容易失效。

第三是局部遮挡问题。组件被云或阴影遮了一部分，P-V曲线上会出现多个峰值。P&O这类基于局部梯度的算法，很有可能停在某个局部峰上，而不是真正的全局最大功率点。

这几个痛点叠加起来，让我一直想做一种在结构上就不依赖固定规则的控制方案。这也是我转向强化学习的原因：它不写死规则，而是从数据里学一套动态调整策略。

1.2 强化学习带来的变化：从查表规则到策略学习

强化学习的思路跟传统控制不太一样。传统算法是“如果功率升了，就继续同向”，而强化学习是定义一个环境、一组动作、一个奖励函数，让智能体通过大量试错自己学会“什么情况下该做什么动作”。

放到MPPT场景里，光伏组件加Boost变换器就是环境，占空比增量的选择就是动作，功率变化的奖励就是反馈信号。智能体不需要电导函数、不需要光伏模型，它只靠“当前电压电流是多少、当前占空比是多少、上一步动作后功率怎么变”这些信息，就能学出一套在多种辐照和温度条件下都能用的跟踪策略。

这种策略有个好处：训练时我把光照、温度、负载电阻都做了随机化，让智能体在几百上千条不同工况的轨迹里学习。学到的不是某一组固定参数下的规则，而是一个“观察状态—选择动作—”的通用映射。到了新工况，不需要人工重新调参，策略本身就具备自适应能力。

我在实际搭建时选用的工具链是MATLAB/Simulink配合Reinforcement Learning Toolbox，原因是这套工具箱把环境和Agent的接口封装得比较完整，Simulink里搭光伏电路模型，RL Agent作为控制器模块接入，整个迭代闭环不需要自己写大量环境代码。下面从问题建模开始，把每个设计决策的来龙去脉说清楚。

2. 把MPPT建模成强化学习问题的三个关键决策

2.1 状态空间：给智能体哪些“眼睛”

强化学习的第一步是想清楚状态空间。MPPT问题里，智能体每个控制周期能看到什么，直接决定它能不能学到正确的映射关系。

我最终采用的状态向量是三维的：

• 光伏输出电压 V_pv，归一化到组件开路电压的0~1倍范围
• 光伏输出电流 I_pv，归一化到短路电流的0~1倍范围
• 当前占空比 D，直接作为状态的一部分

为什么选这三个而不是直接给功率？这里面有几个实际考虑。

输出电压和电流是光伏端最直接的物理量，任何MPPT控制器都得先拿到它们。把D放进状态，是因为我采用了增量式动作设计（后文会具体讲），智能体如果不知道当前占空比，就很难估计动作的绝对效果，也容易在边界位置反复试探。

我在早期版本里尝试过把实时功率P_pv直接加进状态，效果没有明显提升。因为功率本身就是V和I的乘积，三层网络很容易自己学出乘法关系，给不给P差别不大。倒是在奖励函数里用功率变化量对学习效果有直接帮助。

另一个容易踩的坑是归一化尺度。光伏电压可能是0~40V，电流0~9A，占空比0~1，三个通道量级完全不同。如果不做归一化直接喂给网络，几个全连接层的梯度会被量级大的通道主导，训练效率很低。我的做法是在Simulink里用增益Gain模块把观测值压缩到0~1区间，再送进RL Agent块。

状态空间的具体配置建议做成可比较的表格：

需要注意的是，状态里的D一定要和当前真实的占空比一致，也就是说Simulink模型里占空比的更新链路要闭环回来，不能是开环估计值，否则训练时会出现不一致问题。

2.2 动作空间：增量式占空比控制的设计

动作空间的设计，我建议先想清楚一个问题：智能体输出的是绝对占空比，还是占空比的增量？

我选了增量式。也就是动作集合是三个离散值：占空比增加一个固定步长、保持不变、减少一个固定步长。映射关系写成：

• 动作 -1：D_new = D_old - ΔD
• 动作 0：D_new = D_old
• 动作 +1：D_new = D_old + ΔD

固定步长 ΔD 的选取需要考虑功率梯度。我用的配置里，Boost变换器占空比工作范围限制在0.3~0.8，ΔD取0.02，也就是单步调整2个百分点。这个步长在1000W/m²下足够灵敏，带来的稳态振荡幅度也在可接受范围。

增量式的好处有三点。

第一，训练初期探索相对安全。如果直接让智能体输出绝对占空比，它探索阶段可能直接跳到0.1或者0.9，光伏工作点偏向极端位置，系统恢复时间长，甚至会触发保护。增量式限制了单步变化范围，轨迹更平滑。

第二，动作语义清晰。MPPT本身就是在“当前工作点应该往哪边调”这个问题上做决策，增减保持三个动作正好对应物理直觉，也方便跟P&O做对比。

第三，离散动作可以直接用DQN，训练稳定、超参数少。虽然连续动作空间DDPG理论上动作更流畅，但MPPT又不是机器人手臂需要微米级连续控制，三个离散档位完全够用。先用离散版本跑通逻辑，再考虑连续化也不迟。

动作空间里还必须处理占空比上下限。我在Simulink里做了一层Saturation限幅，D低于0.3或者高于0.8时，把动作强制截断，同时在奖励函数里给越界行为加惩罚。这样智能体在训练早期就会学会避免撞边界。

2.3 奖励函数：平衡跟踪速度与稳态振荡

奖励函数是RL训练中最容易出问题的地方。设计不好，训练半天模型输出一堆无意义的动作。

我的奖励函数设计思路是：引导功率上升，同时抑制不必要的动作抖动。公式形式如下：

r_t = (P_t - P_{t-1}) / P_nom * 10 - β * ((D_t - D_{t-1}) / ΔD)^2

第一项是功率变化项。(P_t - P_{t-1}) / P_nom 把功率变化转换成归一化数值，再乘以系数10放大。这样智能体每做一次动作，如果功率涨了，就能得到正奖励；功率跌了，就是负奖励。分母里的P_nom取组件的额定功率，避免不同辐照下功率尺度差异过大。

第二项是动作平滑惩罚项。β是惩罚权重，我取0.15。占空比变化量相对ΔD做了归一化，所以每次大幅调整占空比都会产生一定的负奖励。这一项的作用是减少无意义的来回试探，让智能体在最大功率点附近学会“少动”，从而降低稳态振荡。

这个设计其实回答了一个关键问题：为什么不直接拿功率P当奖励？直接拿P做奖励的话，奖励数值的尺度会随风照条件剧烈变化。晴天时P是几百瓦，阴天时P只有几十瓦，同一套网络在不同环境下收到的奖励信号量级完全不同，训练容易发散。用功率变化量做奖励，相当于只关心功率方向，天然对工况做了归一化，训练稳定得多。

除了公式里的两个主要项，我还在ResetFcn里设置了占空比越界惩罚：如果D_old加上动作增量会越界，直接在奖励里减1。这个惩罚不用太大，目的是让策略避开边界区域。

奖励函数设计完成后，我在Simulink里用Unit Delay保存上一拍的功率占空比，再用一个子系统按公式计算奖励。整个奖励计算链路必须和RL Agent的采样周期同步，否则智能体看到的奖励数值跟实际动作对不上，训练会非常混乱。

3. Simulink环境搭建与RL接口配置实操

3.1 光伏阵列与Boost主电路建模

Simulink环境搭建是整个流程的地基，我分成两部分说：主电路模型和RL接口配置。

主电路我用的是Simscape Electrical元件库。光伏阵列用“PV Array”模块，组件参数参考某典型250W组件：开路电压V_oc 37.5V、短路电流I_sc 8.9A、最大功率点电压V_mpp 30.2V、最大功率点电流I_mpp 8.3A。串联数按1块、并联数按2路设置，这样整个阵列在标准工况下大概500W，功率尺度适合做实验室验证。

主电路拓扑是Boost升压变换器：光伏阵列输出的电压经过Boost升压后给直流负载。Boost的占空比由RL Agent输出控制，调整占空比就能改变光伏端的工作电压，进而移动工作点位置。

Boost参数我用的是一组常见值：电感L=1mH，输入电容C_in=100μF，输出电容C_out=200μF，开关频率20kHz，负载电阻30Ω。开关管的PWM驱动用PWM Generator模块，频率设20kHz，占空比输入来自占空比更新链路。

这里有个特别重要的实操建议：训练阶段别一上来就用带开关管的详细模型，否则训练速度会慢到怀疑人生。

原因很简单，详细开关模型为了捕捉开关瞬态，Simulink解算器步长要压到微秒级，一个0.01秒的RL决策周期里要算上千步电路微分方程，几百个episode跑下来时间成本非常可观。

我的做法是训练时先用平均模型：把Boost变换器简化成受控电压源和受控电流源的组合，只保留电压电流关系的平均特性，解算速度快一两个数量级。策略训练收敛之后，再把RL Agent接回带开关的详细模型里做验证。这个“先简后详”的流程能节省大量时间，细节上需要保证平均模型和详细模型在MPPT工作点附近的增益方向一致，否则训练出来的策略换个模型可能就不对了。

3.2 创建强化学习环境：obsInfo、actInfo与ResetFcn

Simulink模型搭好之后，下一步是通过RL Toolbox把Simulink模型注册成强化学习环境。

这里涉及几个关键对象：观测说明obsInfo、动作说明actInfo，以及环境对象env的ResetFcn。

我使用的观测是三个连续量，所以用rlNumericSpec：

obsInfo = rlNumericSpec([3 1]); obsInfo.Name = 'pv_obs'; obsInfo.Description = 'V_pv, I_pv, D';

动作因为用了三个离散档位，用rlFiniteSetSpec：

actInfo = rlFiniteSetSpec([-1 0 1]); actInfo.Name = 'duty_delta';

然后创建环境：

env = rlSimulinkEnv('pv_mppt_rl', 'pv_mppt_rl/RL Agent', obsInfo, actInfo);

第一参数是模型名，第二参数是指定Simulink模型里的RL Agent块位置，后面跟观测和动作说明。

ResetFcn是我认为配置中最关键的一环。它的作用是在每个episode开始时随机化环境参数，让智能体在每个训练回合面对不同的初始工况。没有这一环，智能体只会在固定光照、固定温度下反复学同一条轨迹，泛化能力几乎没有。

function in = localResetFcn(in) % 随机光照 irradiance = 400 + 600 * rand; % 400~1000 W/m^2 in = setBlockParameter(in, 'pv_mppt_rl/PV Array', 'Irradiance', num2str(irradiance)); % 随机温度 temp = 15 + 30 * rand; % 15~45°C in = setBlockParameter(in, 'pv_mppt_rl/PV Array', 'CellTemp', num2str(temp)); % 随机初始占空比 initD = 0.3 + 0.5 * rand; % 0.3~0.8 in = setBlockParameter(in, 'pv_mppt_rl/DutyUpdate/InitialDuty', num2str(initD)); end env.ResetFcn = @(in) localResetFcn(in);

注意setBlockParameter的模块路径要跟你模型里的实际路径完全一致，路径写错会直接报错。如果用的是Simscape版的PV Array模块，光照温度参数的设置方式可能要通过参数对象完成，不同MATLAB版本细节有差异，调的时候打开模块参数检查一下就行。

3.3 观测处理与动作执行链路

观测信号从Simulink模型到RL Agent，中间要经过信号转换和归一化。

光伏端的电压电流信号从Simulink测量模块出来后，先经过一阶低通滤波，时间常数我取开关周期的2~3倍，也就是100μs左右。为什么要滤波？因为20kHz开关纹波会叠加在电压电流信号上，让功率计算和奖励计算剧烈跳动。如果不滤波就直接送观测，智能体看到的状态噪声大，学习效率明显变差。

滤波之后做归一化。我用3个Gain模块分别把电压除以V_oc参考值、电流除以I_sc参考值、占空比本身已经在0~1范围，不需要额外处理。归一化后的三维信号合并成一个向量，作为RL Agent块的观测输入。

动作执行链路是增量式控制的关键。RL Agent块输出的action，在Simulink里经过一个Unit Delay和一个累加器实现占空比的递推更新：

D_new = D_old + ΔD * action

具体在模型里就是一个加法模块加一个Unit Delay反馈回路。Unit Delay的初值就是ResetFcn里设置的InitialDuty。加法输出经过Saturation模块限幅在0.3~0.8，最后送进PWM Generator作为占空比指令。

这块有一个必须严守的时序问题：RL Agent块的采样周期、Unit Delay的采样周期、奖励计算子系统的采样周期必须完全一致。我设的是0.01秒，也就是MPPT每个控制周期100Hz。不要用Simulink默认的连续采样时间，否则信号时序对不上。

我曾经在这个地方踩过一个非常隐蔽的坑：观测里的D是从Saturation模块之后取的，而动作累加用的是Unit Delay的输出，两者在同一个周期的数值差了一个步长，结果智能体看到的D永远滞后一步，训练了很久奖励曲线都上不去。后来我把D的采样点从Saturation输出处改到Unit Delay的输出处，问题才解决。

4. Agent选型、超参数设置与训练实战

4.1 为什么先用DQN而不是DDPG

MPPT动作空间我已经设计成三个离散档位了，Agent选型上DQN是顺理成章的选择。DQN用深度网络拟合Q值函数，从经验池采样更新，配合目标网络稳定训练目标，在工程实现上成熟且相对好调。

我也试过DDPG，毕竟连续控制听起来更平滑，但实际收益不大。MPPT占空比调整本来就是“增减保持”三个语义，离散动作足够覆盖控制需求。DDPG需要调的超参数更多，Actor-Critic结构也更复杂，训练中容易出现Q值发散、Actor和Critic不匹配等问题。第一版方案用DQN把环境逻辑跑通，等到整个流程稳定了，再去探索连续动作方案也不迟。

这里有一个认知误区要澄清：RL不是算法越复杂越好，而是匹配问题结构的设计最好。MPPT是一个低维状态、低维动作、拥有相对确定逻辑的问题，DQN的规模已经足够。如果一开始就上PPO或者SAC，调参成本会高很多，问题反而不容易收敛。

4.2 DQN网络的搭建与核心超参数

DQN网络我采用三层全连接结构。输入层接三个状态量，中间两层各64个神经元，激活函数ReLU，输出层3个神经元对应三个动作的Q值。

dnn = [ featureInputLayer(3, 'Name', 'state') fullyConnectedLayer(64, 'Name', 'fc1') reluLayer('Name', 'relu1') fullyConnectedLayer(64, 'Name', 'fc2') reluLayer('Name', 'relu2') fullyConnectedLayer(3, 'Name', 'output') ]; agentOpts = rlDQNAgentOptions(... 'UseDoubleDQN', true, ... 'MiniBatchSize', 64, ... 'ExperienceBufferLength', 1e5, ... 'TargetUpdateFrequency', 500, ... 'DiscountFactor', 0.99); dqnAgent = rlDQNAgent(obsInfo, actInfo, dnn, agentOpts);

超参数方面，我经过几轮尝试后确定了一组相对稳定的取值，供参考：

Epsilon策略在代码里通过EpsilonGreedyExploration子对象配置，不同MATLAB版本字段名略有出入，建议打开agent options查一下文档，以你本地版本为准。

训练选项是另一个容易被忽略的关键点：

trainOpts = rlTrainingOptions(... 'MaxEpisodes', 300, ... 'MaxStepsPerEpisode', 500, ... 'ScoreAveragingWindowLength', 10, ... 'Plots', 'training-progress', ... 'StopTrainingCriteria', 'EpisodeReward', ... 'StopTrainingValue', 400);

MaxStepsPerEpisode取500，配合0.01秒步长，相当于每个episode模拟5秒的光伏动态过程。这个长度要让智能体能从随机初始占空比完整爬上最大功率点，同时允许在稳态多待一会儿积累奖励。StopTrainingValue要根据奖励函数的量纲调整，不是固定的。

4.3 训练过程要点与常见坑

训练启动前，一定要把Agent关联到Simulink环境。我用的方式是：

train(dqnAgent, env, trainOpts);

rlSimulinkEnv返回的env对象会在训练时自动处理Agent和Simulink模型之间的关联。如果模型里RL Agent块已经占位，也可以通过assignAgent手动绑定，两种方式结果等价。

训练过程中，我看到最多的问题有三个。

第一个是仿真步长设置不当。Simulink的Solver类型和步长会直接影响训练速度。训练阶段我用的是小步长固定步长求解器，步长设成1e-5秒配合开关模型，后来换成平均模型后步长可以放宽到1e-3秒，训练速度快了非常多。

第二个是训练时reward曲线出现“前半截上升、后半截骤降”的形态。这种通常不是算法问题，而是环境里Reward计算链路出现了越界值或NaN。我在项目里遇到过一次，排查后发现是电流传感器信号在仿真刚开始时出现了极小值，功率计算的除法分母爆炸了。解决方式是给奖励计算加一层保护，功率小于0.1W时直接置0。

第三个是Epsilon衰减太慢导致训练后期还在乱探索。Epsilon衰减率0.0005搭配500步每episode，300个episode大约会衰减到0.05附近，节奏比较合理。如果衰减太快，前期探索不足，策略很容易陷在局部最优动作模式里。

训练过程中还要提醒一点：实时观察Episode Q0曲线。这个值反映网络估计的动作价值，正常应该和Episode Reward呈同步趋势。如果Q0猛涨但Episode Reward不涨，说明Q值过估计了，这时候可以打开Double DQN选项，或者降低学习率。

5. 结果怎么看、怎么证明自适应能力

5.1 训练曲线与收敛性判断

训练结束后，第一件事不是急着看策略效果，而是先看训练曲线。

我训练的DQN，在250个episode附近Episode Reward均值从最初的负值爬升到350~420区间并趋于平稳，Episode Q0也稳定在相近量级。这个现象说明智能体已经学会了“靠近最大功率点时少动、偏离最大功率点时调整”的基本逻辑。

训练曲线有两种“假收敛”需要警惕。

第一种是奖励很高但动作没意义。比如智能体学会了把所有动作保持为0，等待时间结束。这种情况通常是因为奖励函数里功率变化项相对动作惩罚项偏小，导致“躺平”比“行动”拿到的累计奖励更高。我调过β后功率变化项的权重重新拉大，这一类假收敛才消失。

第二种是训练曲线看着在涨，但实际是因为环境随机范围逐渐收敛到了容易场景。比如ResetFcn里光照如果偏向高辐照，智能体只在高辐照场景里学得好，换到低辐照就露馅。所以要定时检查ResetFcn的随机分布是否覆盖了计划范围。

5.2 与P&O的对照实验设计

光说RL效果好没有说服力，要跟传统P&O做对照组实验。我在同一个Simulink模型上进行公平对比，只把控制器替换掉，其余电路参数、负载、工况完全一致。

对照组P&O的步长我设了两个版本：一个是0.5%小步长，一个是1.5%大步长。这样能看清P&O的步长矛盾具体体现在哪里。

静态工况用标准照条件1000W/m²、25°C。两个算法都从占空比0.5启动，收敛稳定后记录功率波形：

这个结果其实印证了传统算法的核心矛盾：小步长跟踪慢、稳态好；大步长跟踪快、稳态差。RL策略则是通过奖励函数里的动作惩罚项，在训练过程中自己学会了“离最大功率点远的时候大步走、靠近之后少动”的分段策略，同时兼顾了跟踪速度和稳态精度。

5.3 动态光照场景下的自适应验证

动态场景是最能体现RL策略价值的地方。我设计了一个光照阶跃序列：初始800W/m²，0.8秒跳到300W/m²，1.8秒再跳回700W/m²，温度全程25°C不变。

从录制的功率轨迹看，P&O小步长在光照突变后大约需要0.4秒才能重新追踪到新最大功率点，而且中段还有一段反向搜索过程的波动。RL策略在0.2秒内就基本恢复了最大功率输出，超调明显更小。

深度学习模型具备这种适应能力的原因不在于“预测”了光照变化，而在于它见过太多类似的轨迹。训练的时候，ResetFcn把每次光照初始值随机设在400到1000之间，虽然单个episode里光照是固定的，但不同episode之间训练数据覆盖了各种工作点。智能体学到的是一个通用的导数跟随逻辑：观察当前功率相对上一步的变化方向，决定下一步往哪走。这个逻辑对具体光照数值并不敏感。

为了验证泛化能力，我专门做了一个极端测试：用600W/m²、40°C的工况，这个工况组合在训练数据范围内但出现频率不高。RL策略在该工况下虽然从大约0.45s才开始收敛，但最终仍然能找到最大功率点，没有出现明显的“不认路”现象。

动态验证阶段必须把模型换回详细的开关模型来跑，因为平均模型里没有高频纹波，稳态振荡幅度会被低估。详细模型下的RL策略稳态振荡略有上升，但仍然明显小于P&O大步长版本，说明策略韧性足够。

6. 调试经验：问题速查与实践心得

6.1 从症状到根因的问题排查表

把这段时间遇到的典型问题整理成速查表，对后来者应该能省不少时间：

排查逻辑的核心是沿着信号链路逐级检查：状态观测是否正确、动作是否执行、奖励是否反映真实效果。任何一环的时序错位都会导致策略崩溃，而这类问题往往不会报错，只能靠录波形对比来判断。

6.2 给你的几个实际操作建议

最后分享几条我在这个项目里沉淀下来的操作建议。

第一，先把环境跑通再做Agent调参。我没有一开始就训练完整策略，而是先给RL Agent块手动设置成固定动作，在Simulink里跑一个episode，记录观测序列和奖励序列，人工核对是否符合物理直觉。比如固定占空比0.5，光照1000W/m²下的功率应该大致稳定在一个合理范围。这一步能发现绝大多数环境建模错误。

第二，奖励函数的标定比网络结构重要。DQN网络多一层少一层差别不大，但奖励系数差一个数量级，训练结果可能完全不同。我建议在正式训练前，先计算几个典型动作序列下的奖励均值，确保正负奖励分布合理。奖励动不动就上千，或者长期只有零点零几，都需要先调平再训练。

第三，训练时把单一光照场景作为冒烟测试。先只用1000W/m²固定光照跑20个episode，看Episode Reward有没有上升趋势。如果这个最简单场景都学不出来，赶紧回头查环境，不要急着跑完整随机场景。这一步节省了我至少两轮完整训练时间。

第四，保存不同阶段的Agent快照。训练到第50、100、200个episode分别保存模型，这样即使后期Q值发散，也能回退到之前表现不错的版本。我在项目里正是因为保存了第150个episode的模型，才避开了后期训练发散带来的损失。

第五，部署阶段记得关闭探索。训练完成后，如果要跑离线评估或者生成代码部署，把Epsilon设为最小值，或者直接在环境中禁用EpsilonGreedyExploration。否则智能体在测试时还会随机探索动作，效果看起来会不如训练时稳定。这个属于新手最容易忽略的最后一环。

这套流程走下来，我的体会是：用强化学习做MPPT，真正的难度不在算法而在建模。传统方法要求你精调步长和阈值，强化学习要求你精调状态、动作和奖励的设计。一旦这三者的映射关系搭对了，算法的训练反而是水到渠成的事。希望这篇详细的过程记录，能让你在搭自己的光伏MPPT强化学习模型时少走几段弯路。