化石能源的过度开发,既加重全球能源危机,又带来巨大环保问题,因此,更多的国家转向可再生能源的研究与使用。将使用可再生能源的分布式电源组成微电网,然后再接入主电网,能够减小可再生能源并网对电网的影响。但是,微电网内存在数量庞大、位置分散的分布式电源,并且其出力具有明显的随机性和波动性,同时,微电网内的智能仪表会产生大量数据,因此,如何有效处理海量信息,提升微电网的控制精度,完善经济优化调度过程,就成为当前亟需解决的问题。另外,分布式电源受外界环境影响较大,发生故障在所难免,如何提升微电网的应急能量管理水平,也是值得关注的问题。为了克服集中式调度方法通信复杂度高、中央控制器故障导致系统崩溃（单点故障）等问题,本文充分考虑微电网的分布式特性,研究微电网的分布式优化调度与能量管理方法。首先,研究引入深度学习的分布式加速梯度优化方法,解决现有分布式方法收敛速率慢的问题。接着,基于前述分布式优化方法,研究微电网的经济调度问题,实现微电网的经济运行。最后,在故障情况下,研究基于深度学习的微电网分级优化重构与应急能量管理方法,有效缩短重构时间,提升微电网的应急能量管理水平。本文研究的主要内容包括:（1）引入深度学习的分布式加速梯度优化方法。针对现有分布式方法收敛速率慢的问题,本文提出一种引入深度学习的分布式加速梯度优化方法。首先,引入深度学习模型预测目标函数的最优解,并将其投影到约束平面上,构造满足约束的迭代初值,从而减小初值到最优值的距离。然后,引入Nesterov加速梯度,利用Agent数量和节点出度构造加速矩阵,配合动态步长,建立分布式加速梯度优化方法,进一步提高算法收敛速率。同时,通过理论推导证明该方法最终能够实现收敛。最后,设计测试函数对本文方法进行测试。结果表明,本文方法的迭代次数仅为典型方法的一半,甚至更低,并且本文方法在不同信息网络结构中具有相同的收敛结果。（2）基于深度学习和加速梯度的微电网分布式经济调度优化方法。针对集中式方法通信复杂度高和单点故障等问题,本文提出一种基于深度学习和加速梯度的微电网分布式经济调度优化方法。首先,建立微电网双层耦合模型,该模型底层网络表示由分布式电源和负荷构成的能量层,上层网络表示由Agent构成的信息层。然后,基于该双层模型,考虑系统运行成本构造微电网经济调度优化模型。其次,利用上述引入深度学习的分布式加速梯度优化方法,对微电网经济调度优化模型进行分布式求解。该方法仅利用邻居梯度信息,有效减小通信复杂度,提高算法收敛速率和容错性。最后,在MATLAB/Simulink中搭建微电网仿真系统,完成仿真验证。结果表明,即使在可再生能源出力波动和负载变化时,本文方法仍能以分布式优化方式,实现最小化微电网系统运行成本的目标。此外,在某个Agent故障时,本文方法依靠剩余Agent,仍能实现微电网的经济调度,有效避免集中式方法单点故障导致系统失效的问题,提升系统的容错性。（3）基于深度学习的微电网故障分级优化重构与应急能量管理方法。为了缩短微电网故障情况下应急重构的时间,提高微电网应急能量管理水平,本文提出了一种基于深度学习的微电网故障分级优化重构与应急能量管理方法。首先,构建以负荷切除量最小以及综合评估函数值最小为目标的微电网应急能量管理优化模型。然后,根据分级优化方法,在第一级优化中,利用整数规划,求解应急能量管理优化模型,得到满足平衡条件的负荷开关状态组合。其次,在第二级优化中,利用深度学习模型,输入负荷开关状态组合,获得应急能量管理优化模型中,目标函数的重构参数,并根据综合评估方法确定最优重构方案。最后,在MATLAB/Simulink中搭建微电网仿真系统,完成仿真验证。结果表明,在重构精度不变的情况下,本文方法的重构时间仅为传统方法的1/70。此外,还可以对重构指标设置不同偏好,实现方案的多样化。