Un hub de energía (EH) proporciona una solución efectiva para la gestión de sistemas energéticos integrados locales (IES), apoyando la despacho óptimo y conversión mutua de recursos energéticos distribuidos (DER) en formas multienergéticas. Sin embargo, la estocasticidad intrínseca de la generación renovable intensifica las fluctuaciones en la producción de energía del sistema al integrarse en redes a gran escala e incrementa las diferencias pico-valle en la integración de redes a gran escala, lo que conduce a una reducción significativa en la estabilidad de la red eléctrica. Se presenta un método de programación de energía distribuida y preservación de la privacidad basado en aprendizaje profundo de refuerzo multiagente para el clúster EH con generación de energía renovable. En primer lugar, cada EH se trata como un agente, transformando el problema de programación de energía en un proceso de decisión de Markov. En segundo lugar, la función objetivo se define como minimizar el costo económico total considerando los costos de comercio de carbono, guiando a los agentes a tomar decisiones bajas en carbono. Por último, se aplica protección de privacidad diferencial a los datos sensibles dentro del EH, donde se introduce ruido utilizando sistemas de almacenamiento de energía para mantener las mismas compras de gas y electricidad mientras se difuminan los datos originales. Los resultados de la simulación experimental demuestran que los agentes pueden entrenar y aprender de la información ambiental, generando estrategias optimizadas en tiempo real para manejar efectivamente la incertidumbre de la energía renovable. Además, después de la inyección de ruido, la validez de los datos originales se ve comprometida asegurando la protección de la información sensible.