불확실성 인식 지식 트랜스포머를 활용한 다중 에이전트 강화 학습 기반 피어 투 피어 에너지 거래

이 논문은 현재 문헌에서 중요한 공백을 보완하는 Peer-to-Peer(P2P) 에너지 거래를 위한 새로운 프레임워크를 제시한다. 기존의 연구들이 결정적 예측에 의존하는 반면, 본 논문에서 제안하는 방법은 예측 불확실성을 명시적으로 측정하는, 지식 트랜스포머에 불확실성을 고려한(Knowledge Transformer with Uncertainty, KTU) 이라는 비결정적(transformer 기반) 예측 모델을 사용한다. 이는 P2P 에너지 거래의 확률적 환경에서 견고한 의사결정을 위한 필수적인 요소이다. KTU 모델은 도메인 특화된 특징을 활용하며, 각 예측에 대한 신뢰할 수 있는 확률적 예측과 신뢰구간을 보장하는 맞춤형 손실 함수를 사용하여 훈련된다. 이러한 불확실성을 고려한 예측을 다중 에이전트 강화학습(MARL) 프레임워크에 통합함으로써, 에이전트는 위험과 변동성을 명확히 인식하고 거래 전략을 최적화할 수 있다. 실험 결과, 불확실성을 고려한 딥 Q-네트워크(DQN)는 P2P 거래 없이 에너지 구매 비용을 최대 5.7% 감소시키고, P2P 거래가 있는 경우 3.2% 감소시키며, 전기 판매 수익은 각각 6.4%와 44.7% 증가시킨다. 또한, 피크 시간 전력 수요는 P2P 거래 없이 38.8% 감소하고, P2P 거래가 있는 경우 45.6% 감소한다. 이러한 개선 효과는 P2P 거래가 활성화된 경우 더욱 두드러지며, 이는 선진적인 예측 기술과 시장 메커니즘 간의 상호작용이 견고하고 경제적으로 효율적인 에너지 공동체를 구축하는 데 기여함을 보여준다.