微电网中可再生能源出力存在着较强的随机性和波动性,伴随着大规模电动汽车（EVs）接入所带来的随机负荷,导致需求侧也出现较大随机性。供需两侧的随机性会对微电网的稳定运行产生影响,制定提高微电网稳定性、降低运行成本的调度策略是非常有必要的。含EV微电网结构复杂,模型难以准确建立,传统优化算法求解时容易陷入局部最优解。本文结合量子计算并行能力对长短期记忆神经网络（LSTM）进行改进,建立量子长短期记忆神经网络（QLSTM）风电场风速预测模型。在风速预测结果的基础之上,对含EV微电网利用Double Q-learning算法求解出保证其稳定运行、经济最优的调度方案。本文主要研究工作如下:首先介绍了课题的研究背景以及量子神经网络（QNN）研究现状,阐述了含EV微电网的特点和传统优化策略的不足。在分析了QNN的性能优势后,通过量子门在量子框架中对LSTM单元进行改进,得到可以充分发挥量子并行计算能力的QLSTM单元,为下文建立风电场风速预测模型提供基础。其次,由于风速数据序列规律性较弱、预测难度较大,传统神经网络预测算法无法同时保证预测精度和训练速率。本文提出了QLSTM风电场风速短期预测模型,将空气温度、湿度等气象因素作为输入特征,利用历史数据对模型进行训练,在不同季节情况下与传统神经网络模型（CNN、LSTM、CNN-LSTM）进行预测误差对比。实验结果表明,QLSTM模型在四个季节的平均MAE值、RMSE值和MAPE值分别为0.274m/s、0.382m/s和12.698%,均低于其他模型,并且训练速率相比于LSTM提升了18.24%,验证该方法的有效性。然后,针对大规模EV接入微电网影响其经济稳定运行的问题。建立了含EV微电网中各个微源的数学模型,考虑EV的充电特性和出行特性,利用Monte Carlo方法对EV在工作日和节假日的无序充电负荷进行建模。通过电量电价弹性矩阵建立充电需求响应模型,确定实时电价对应的EV充电负荷。最后,为了制定更贴合实际的日前经济调度方案,建立含EV微电网经济运行的目标函数和约束条件,将QLSTM模型风速预测结果拟合成风电功率作为输入数据,采用Double Q-Learning算法设计经济优化调度策略,在工作日和节假日两种情景下进行仿真。实验结果表明,该算法可以解决Q-learning算法的过高估计问题,能够结合当前环境信息得到最优经济调度方案。与Q-Learning设计的策略相比,使得微电网经济成本平均降低8.72%,并且通过QLSTM预测算法提高风电功率预测准确率可以有效降低微电网中的弃风率和失负荷率。