随着能源互联网的进一步发展,分布式能源互补优化系统充分发挥了多能源互补利用的优势,是值得深入研究的一大领域。分布式能源系统的互补优化问题具有强耦合、非凸非线性等特点,集中式优化建模复杂、鲁棒性低,系统协调优化中涉及控制变量众多,约束条件复杂,传统的数值迭代求解具有一定的局限。多智能体深度强化学习作为一种人工智能的方法,为复杂系统下分布式能源的互补优化提供了解决思路。本文首先建立了基于多能量枢纽的分布式能源互补系统,考虑到分布式能源互补系统中多能源的密切耦合以及各能源网络系统内部的复杂约束条件,以各能量枢纽作为智能体,搭建了分布式能源互补系统的多智能体框架,将分布式能源互补系统的集中式优化问题转变为以多个智能体进行独立决策的分布式优化问题。然后研究了基于多智能体深度强化学习的分布式能源互补优化方法。根据分布式能源互补系统的多智能体框架,设计智能体的模型以及交互策略,考虑到系统中的多重不确定性因素,进一步设计了引入动态转换系数的优化策略以提升系统经济性,针对系统协调优化的高维、非凸非线性问题,设计面向分布式能源互补优化系统的深度确定性策略梯度算法,并给出相应的求解流程。最后进行算例分析。优化结果表明基于多智能体的交互策略能够在考虑多重不确定性因素下更好的实现分布式能源的互补优化,有效提升系统经济性。同时验证了多智能体深度确定性策略梯度方法求解复杂系统下多能源协调优化问题的有效性,训练后的模型相比于传统集中式优化不仅具有较好应对不确定性的能力,还能够实现系统实时决策,有利于在线应用;相比于单智能体方法,训练过程更加稳定,在复杂环境问题中具有更明显的优势。