基于LLM引导的多智能体强化学习可扩展公平性框架用于点对点电力市场
系统与控制
2025-08-27 v1 机器学习
系统与控制
摘要
点对点（P2P）能源交易正成为现代配电系统的核心，随着屋顶太阳能光伏和家庭能源管理系统的普及，但大多数现有市场和强化学习设计都侧重于效率或私人利润，缺乏在不确定性下确保公平结果的实时指导。为此，本文提出一种公平性感知多智能体强化学习框架FairMarket-RL，其中大型语言模型（LLM）评论在部分可观测性和离散价格-数量动作下塑造出价策略。在每个交易时段结束后，LLM返回归一化的公平性得分Fairness-to-Grid（FTG）、Fairness-Between-Sellers（FBS）和Fairness-of-Pricing（FPP），通过斜率系数和可调缩放将其整合到奖励中，以便公平性指导补充而非压倒经济激励。该环境模型模拟了现实的住宅负荷和太阳能光伏配置，并施加价格、物理可行性和策略更新稳定性的硬约束。在从小型试点到较大规模模拟社区以及混合资产的真实世界数据集的一系列实验中，该框架将交换导向本地P2P交易，降低消费者相对于仅从电网采购的成本，保持强大的公平性，并保持实用性。对太阳能可用性和总需求的敏感性分析进一步表明其性能稳健，表明这是一个可扩展、由LLM引导的去中心化电力市场路径，实现经济高效、社会公平和技术可靠。
引用
@article{arxiv.2508.18610,
title = {Scalable Fairness Shaping with LLM-Guided Multi-Agent Reinforcement Learning for Peer-to-Peer Electricity Markets},
author = {Shrenik Jadhav and Birva Sevak and Srijita Das and Akhtar Hussain and Wencong Su and Van-Hai Bui},
journal= {arXiv preprint arXiv:2508.18610},
year = {2025}
}