感知不确定性的知识变换器在多代理强化学习中的点对点能源交易应用-计算机科学-机器学习-能源交易框架.pdf

感知不确定性的知识变换器在多代理强化学习中的点对

点能源交易应用

a,aa

MianIbadAliShah,EndaBarrettandKarlMason

aSchoolofComputerScience,UniversityofGalway,Ireland

ORCID(MianIbadAliShah):/0009-0008-7288-9757

摘要.本文提出了一种新的点对点（P2P）能源交易驱动。点对点（P2P）能源交易作为一个有前景的范式

框架，该框架将不确定性感知预测与多智能体强化学迅速发展，使产销者能够直接交换电力，优化本地可

习（MARL）相结合，解决了当前文献中的关键空白。再生能源利用，并有助于减少电力系统中的碳排放量

与以前依赖确定性预测的工作不同，所提出的方案采[28]。

本用了一个名为带有不确定性的知识转换器（KTU）的近期，P2P交易框架的发展集中在整合可再生能

译异方差概率变换器基预测模型来显式量化预测不确定源、结合电力和碳市场以及利用区块链等先进数字基

性，这对于P2P能源交易的随机环境中的稳健决策至础设施以确保透明度和信任[4][28]。这些创新不仅促

中关重要。KTU模型利用了领域特定特征，并使用自定进了当地能源交换的经济优化，还实现了碳排放配额

1义损失函数进行训练，以确保每个预测都有可靠的概的明确核算和交易，这越来越被认为是实现全球气候

v

6率预报和置信区间。将这些不确定性感知预报整合到目标的关键[6]。

9

7MARL框架中，使智能体能够在充分了解风险和变化虽然强化学习（RL）长期以来一直在解决顺序决

6的情况下优化交易策略。实验结果表明，不确定性感知策问题，但由于维数灾难、样本效率低下以及稀疏奖

1

.的深度Q网络（DQN）在没有P2P交易时可降低能源励和函数近似的困难，在高维环境中面临着重大挑战，

7

0购买成本高达5.7%，而在有P2P交易时则减少3.2%；导致收敛速度慢且计算需求高[8]。深度学习和多智能

5

2同时分别增加电力销售收入6.4%和44.7%。此外，在体系统的发展提高了RL在复杂环境中学习除策的能

:

v无P2P情况下，高峰时段电网需求减少了38.8%，而力[21]。因此，多智能体强化学习（MARL）越来越多

i

x在启用P2P的情况下，则减少了45.6%。这些改进在地被用于点对点能源交易的生产者消费者社区中[26]。

r

a启用P2P交易时尤为显著，突显了先进预测与市场机复杂且分散，现代现实系统有许多组成部分、非

制之间的协同作用，从而实现韧性、经济高效的能源线性过程和不确定的环境([7])。P2P能源市场运营中

社区。的一个核心挑战是与可再生能源发电和动态负载配置

文件相关的内在不确定性。太阳能和风能资源的变化

1介绍以及消费者需求的随机性质引入了显著的风险，如果

不妥善管理这些风险，将对经济效率和系统可靠性构

全球能源格局正在经历一场深刻的变革，这主要由分

成威胁[12][13]。传统的确定性预测方法在此背景下是

布式能源资源（DERs）的普及、减少碳排放的必要性

不够的，因为它们无法捕捉所有可能的未来情景，导

以及能够实现去中心化市场参与的数字平台的出现所

致交易和调度决策次优或具有高风险。