隨著可再生能源在智能電網中的滲透率不斷提高，以及物聯(lián)網（IoT）連接的負載變得越來越多樣化，下一代需求側管理（DSM）框架需要具備適應性、安全性和能源效率。傳統(tǒng)的基于群體智能的控制器結合卷積長短期記憶網絡（Conv-LSTM）進行預測，雖然能夠提供時空負載預測，但存在收斂速度慢、優(yōu)化過程集中以及在高不確定性需求下的魯棒性降低等問題。為了解決這些挑戰(zhàn)，本文提出了一種能源高效的DSM框架，該框架將聯(lián)邦傳輸學習（FTL）集成到多智能體強化學習（MARL）中，以實現去中心化且保護隱私的能源協(xié)調。聯(lián)邦預測模型能夠在不聚合原始IoT數據的情況下捕捉消費者負載的時間和上下文依賴性，從而確保隱私性和可擴展性。同時，MARL智能體動態(tài)學習需求響應策略，以優(yōu)化電網集群中的分布式負載和可再生能源的使用。區(qū)塊鏈層采用輕量級共識協(xié)議來保護DSM交易，并為生產者和消費者提供透明的激勵機制。通過MATLAB/Simulink–Python TensorFlow聯(lián)合仿真以及Hyperledger Fabric測試平臺的實驗驗證表明，該框架的適應性靈活性指數（AFI）達到97.4%，峰值負載平滑率（PLFR）為35.2%，能源成本優(yōu)化效率（ECOE）為27.8%，DSM決策延遲為19毫秒。與基于粒子群優(yōu)化（PSO）- ConvLSTM的DSM相比，該框架的靈活性提高了6.6%，峰值負載減少了3.6%，成本節(jié)約了5.4%，收斂速度加快了4.2%，為物聯(lián)網輔助的智能電網提供了一種可擴展、安全且適應性強的解決方案。