电网架构和功能的快速变化以及可再生能源和分布式能源资源的不断增长导致了各种技术和管理挑战。本调研报告探讨了多智能体强化学习（MARL）如何支持能源网络的去中心化和脱碳，并缓解相关的挑战。通过指定管理能源网络中的关键计算挑战，回顾最新的研究进展，以及突显可以使用 MARL 解决的开放性挑战。
Apr, 2024
该研究介绍了一种基于强化学习框架的价格优化方法，以帮助解决分布式可再生能源和能源消费带来的价格不确定性问题，实现点对点微电网的实际部署。实验结果表明：该框架可灵活应对微电网各个组成部分的利益，对消费者和多余发电者的数量比例也有所考虑，并且能够在不同的电池容量情况下实现系统的利润最大化。
Oct, 2022
通过提供一个学习了的 OPF 近似和显式的市场规则的能源市场模型，以 MARL 算法的形式来确定预期的能源市场参与者的行为，从而减少与系统的交互次数，并减少培训时间，同时稍微糟糕地近似了纳什均衡。
Mar, 2023
农场企业正在采用可再生能源来提高能源效率，减少对化石燃料和电网的依赖。为了解决农场社区的动态性所带来的挑战，开发了多代理点对点奶牛场能源模拟器（MAPDES），提供了一个实验强化学习技术的平台。模拟结果显示，与缺乏点对点能源交易或可再生能源的基准方案相比，MAPDES 实现了显著的成本节约，包括电费减少 43%、峰值需求减少 42% 和能源销售增加 1.91%。
May, 2024
该论文提出了一种适用于扩展动作空间的分层多智能体强化学习 (MARL) 框架，利用电网固有的分层结构，用于管理大规模的电力网络，并且实验结果表明该框架的性能与单智能体强化学习方法相当。
Oct, 2023
本文设计了一个自动化的 P2P 能源市场，通过应用展望理论模型用户客观感受和制定优化框架来最大化买家感知和满足需求与生产的匹配。提出基于微分进化的算法来交易能源，同时引入一种名为 PQR 的风险敏感 Q 学习算法来为卖家学习最优价格。实验结果表明我们的方法比最新技术的方法在买家感知价值方面达到 26％的提高，为卖家产生 7％的额外利益。
Aug, 2022
该研究介绍了一种深度强化学习框架，用于优化可再生能源和储能发电厂的操作，以最大化能源市场收益，同时最小化储能损耗成本和可再生资源废弃。
Jun, 2023
为了实现所需的碳排放减少，整合可再生能源发电和加快点对点能源交易的采用至关重要，尤其对于耗能大的农业如奶牛养殖。然而，整合可再生能源和点对点交易存在挑战。为了解决这个问题，我们提出了多智能体点对点奶牛养殖能源模拟器 (MAPDES)，使奶牛养殖场能够参与点对点市场。我们的策略能够将电力成本和峰值需求分别降低约 30% 和 24%，同时与无点对点交易的基准情景相比，能将能源销售量增加 37%。这证明了我们方法的有效性。
Aug, 2023
本研究使用多智能体强化学习模型解决由去碳化趋势造成的电力网络中的电压拥塞问题，将主要问题转化为 Dec-POMDP 模型并建立开源环境，解决多智能体强化学习在状态可解释性等方面的挑战，为电力社区和多智能体强化学习社区寻求现实应用提供了实践基础和方向参考。
Oct, 2021
采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。