基于多智能体强化学习的不确定性感知知识变换器用于点对点能源交易
人工智能
2025-07-23 v1
摘要
本文提出了一种新框架，用于点对点（P2P）能源交易，将不确定性感知预测与多智能体强化学习（MARL）集成，以解决当前文献中的关键空白。与依赖确定性预测的先前工作不同，所提方法采用称为 Knowledge Transformer with Uncertainty（KTU）的异方差概率变换器基于预测模型，显式量化预测不确定性，这对于在 P2P 能源交易的随机环境中做出稳健决策至关重要。KTU 模型利用领域特定特征，并使用自定义损失函数进行训练，以确保可靠的概率预测和每个预测的置信区间。将这些不确定性感知的预测整合到 MARL 框架中，使代理能够清晰地了解风险和变动性，从而优化交易策略。实验结果表明，采用不确定性感知的深度 Q 网络（DQN）在无 P2P 交易时可降低能源采购成本最高可达 5.7%，在有 P2P 交易时降低 3.2%，同时提高电力出售收入分别提升 6.4% 和 44.7%。此外，峰值时段电网需求分别在无 P2P 和有 P2P 情况下分别降低 38.8% 和 45.6%。当启用 P2P 交易时，这些改进效果更为显著，凸显了先进预测与市场机制在为韧性经济高效能源社区方面的协同作用。
引用
@article{arxiv.2507.16796,
title = {Uncertainty-Aware Knowledge Transformers for Peer-to-Peer Energy Trading with Multi-Agent Reinforcement Learning},
author = {Mian Ibad Ali Shah and Enda Barrett and Karl Mason},
journal= {arXiv preprint arXiv:2507.16796},
year = {2025}
}
备注
7 pages, 4 figures, 1 table, Proceedings of the Main Track of the European Conference on Artificial Intelligence (ECAI 2025), October 25-30, 2025