Avec la transition énergétique en cours, les réseaux électriques deviennent de plus en plus complexes et la commande de ceux-ci doit composer avec un accroissement important de leurs dimensions et de leurs sources d'incertitudes. L'obtention d'une modélisation précise d'un réseau ou de prévisions dans de tels environnements devient de plus en plus problématique. Ces caractéristiques créent des défis considérant les approches de commandes classiques des réseaux électriques fondées sur des modèles explicites et des prévisions précises. L'apprentissage par renforcement est une approche prometteuse guidée par les données qui devrait être en mesure de maîtriser l'accroissement des niveaux de complexité et d'incertitude sans avoir une connaissance préalable du modèle d'un système ou de prévisions. Nos travaux rapportés dans cet article proposent l'utilisation de l'apprentissage par renforcement profond multi-agent dans le but de concevoir des lois de commande pouvant résoudre de manière optimale des problèmes de répartition de la charge multi-dimensionels sous diverses sources d'incertitude. Les stratégies de commande sont basés sur une phase d'apprentissage centralisé et d'une exécution décentralisée. Une telle approche permet de bien coordonner les actifs d'un système de manière efficace et robuste, sans avoir à mettre en place une infrastructure de télécommunication. Les résultats expérimentaux obtenus pour divers scénarios avec une intégration significative de moyens de production d'énergie à faible teneur en carbone démontrent l'efficacité des ces stratégies de commande.