风能和太阳能等清洁绿色的可再生能源出现,可以有效缓解人们对化石能源的依赖,同时也可以有效解决一些可再生能源丰富偏远地区的供电需求。但是由于太阳能和风能的随机性和波动性,需要对含有可再生能源的微电网进行优化控制,以保证其稳定运行。储能系统作为孤岛微电网的重要组成部分,有着削峰填谷,调频调压的作用,可以有效保障孤岛微电网系统的稳定运行。同时微电网系统的复杂性使得人们难以建立精确的数学模型,强化学习Q学习算法的无模型特点很好地解决了这个问题。为了解决Q学习在遇到多状态空间时的维数灾难问题,引入模糊控制用来逼近Q函数,以适应连续的状态空间和动作空间这类学习问题。本文以光/柴/储孤岛微电网为基础,研究了一种基于模糊Q学习算法的孤岛微电网储能优化控制策略,主要研究内容可以分为以下几个部分:首先介绍了本课题的研究背景以及现状,对光/柴/储微电网中各个单元进行建模,分别阐述了它们的数学模型、发电原理以及输出特性。针对光/柴/储孤岛微电网,研究了一种基于Q学习算法的孤岛微电网优化模型。该模型通过Q学习算法调节储能系统和柴油发电机的功率输出,在一定程度上提高可再生能源利用率,降低了化石能源的使用,从而实现以较低的发电成本保证孤岛微电网的稳定运行。该模型分别在多云和晴天天气下进行了仿真,结果证明了该方法的有效性。然后为了应对愈加复杂的电网结构,在光/柴/储孤岛微电网的结构下引入了电解槽和燃料电池,分别将电解槽、燃料电池、储能系统和柴油发电机当作一个独立的智能体,共同构造了多智能体系统。考虑到Q学习算法在面对较多状态-动作时的维数灾难问题,为了应对连续的状态和动作空间,新算法在Q学习算法的基础上引入了模糊控制,研究了一种模糊Q学习算法。通过模糊推理系统将连续的状态空间映射到连续的动作空间,使Q学习在连续状态空间问题中的应用成为可能。使用Q学习得更新迭代到一个完整的规则库,智能体根据已经学习过的规则库进行推理,最后得到一个最优动作。仿真结果表明该算法在多智能体系统保证电力供应和提高微电网可靠性方面的有效性。最后考虑到单一储能系统可能无法应对变化复杂的孤岛微电网系统,对比现有储能技术的优缺点,介绍了蓄电池-超级电容的混合储能系统。针对混合储能系统,采用模糊Q学习算法来确定混合储能系统的功率分配问题。仿真结果表明混合储能系统相较于单储能系统能够更好地应对可再生能源的不确定性,有效降低蓄电池荷电状态的波动,将蓄电池荷电状态稳定到正常工作区,进而提高蓄电池使用寿命和可再生能源利用率,降低柴油发电机的使用。