Конечно, просто учти энергопотребление как один из издержек в системе вознаграждения. Добавь штраф, пропорциональный текущей нагрузке, причем этот коэффициент пусть растет по мере разрядки аккумулятора. Потом переходи на RL с множественными целями, где производительность и энергопотребление будут оцениваться отдельно, чтобы агент сам нашел оптимальный компромисс. Можно еще использовать обучение с постепенным усложнением: сначала дай ему тренироваться с большим запасом энергии, а потом постепенно уменьшай этот запас, чтобы он подстроился. Ну и, наконец, используй адаптируемый коэффициент дисконтирования, чтобы он ценил долгосрочную работоспособность; чем дольше дрон летает, тем выше вознаграждение, так что он научится регулировать мощность, не теряя эффективности.