Transformateurs de connaissances conscients de l'incertitude pour le commerce d'énergie pair à pair avec l'apprentissage par renforcement multi-agents

Cet article présente un nouveau cadre pour le commerce d'énergie pair à pair (P2P) qui intègre une prédiction consciente de l'incertitude avec l'apprentissage par renforcement multi-agents (MARL), comblant ainsi un déficit critique dans la littérature actuelle. Contrairement aux travaux antérieurs qui s'appuyaient sur des prévisions déterministes, l'approche proposée utilise un modèle de prédiction basé sur un transformateur probabiliste hétéroscédastique, appelé Knowledge Transformer with Uncertainty (KTU), afin de quantifier explicitement l'incertitude des prévisions, ce qui est essentiel pour une prise de décision robuste dans l'environnement stochastique du commerce d'énergie P2P. Le modèle KTU utilise des caractéristiques spécifiques au domaine et est entraîné avec une fonction de perte personnalisée qui garantit des prévisions probabilistes fiables ainsi que des intervalles de confiance pour chaque prédiction. L'intégration de ces prévisions conscientes de l'incertitude dans le cadre MARL permet aux agents d'optimiser leurs stratégies de commerce en comprenant clairement les risques et la variabilité associés. Les résultats expérimentaux montrent que le réseau de neurones Q profond (DQN) conscient de l'incertitude réduit les coûts d'achat d'énergie de jusqu'à 5,7 % sans commerce P2P et de 3,2 % avec le commerce P2P, tout en augmentant respectivement les revenus provenant de la vente d'électricité de 6,4 % et de 44,7 %. En outre, la demande du réseau en heures de pointe est réduite de 38,8 % sans commerce P2P et de 45,6 % avec le commerce P2P. Ces améliorations sont encore plus marquées lorsque le commerce P2P est activé, mettant en évidence la synergie entre les prévisions avancées et les mécanismes de marché pour créer des communautés énergétiques résilientes et économiquement efficaces.