微能源网是提高综合能源利用率、增加可再生能源比例的有效解决方案。微能源网的能量管理是微能源网安全高效运行的重中之重。由于微能源网中有多种能量流系统并存、多种可再生能源并存、多种负荷并存,加上可再生能源与负荷都存在一定的波动性和随机性,使得微能源网的能源输入、转换、分配和消费环节存在着不同空间层面和不同时间尺度的不平衡,这给微能源网的能量管理带来了巨大的挑战。本文面向微能源网,提出一种基于DRL(deep reinforcement learning)的微能源网能量管理方法。该方法使用DQN(deep Q network)算法,基于预测负荷、风/光等可再生能源功率输出和分时电价等环境信息进行策略集的学习,通过习得的策略集对微能源网进行有效能量管理,通过策略集继承实现对全新场景的快速优化。本文的主要工作包括:(1)基于微能源网研究框架及设备模型,针对微能源网多能流的特点,建立微能源网的能量总线模型。(2)在阐述强化学习的框架、Q学习算法和DQN算法的基础理论的基础上,分析提升DQN性能的经验回放机制与冻结参数机制。总结出基于深度强化学习的微能源网能量管理策略的一般设计方法,并以经济性为目标完成并网型微能源网的能量管理与优化。通过对比不同参数的DQN算法、Q学习和遗传算法在并网型微能源网能量管理中的表现,证明本文所述算法的有效性。后续的多场景仿真结果还展示了DQN在继承策略集后算法性能的提升,验证了深度强化学习相比启发式算法在并网型微能源网能量管理应用的可行性和优越性。(3)在前文的基础上,以无人水面舰艇的混合动力系统作为独立型微能源网的代表,研究本文所述方法在独立型微能源网能量管理上的应用。仿真结果表明基于DRL的微能源网能量管理方法具备一定自学习能力,能有效应对多种突发场景,可提前对自身能量调度计划进行调整,保证独立型微能源网系统自主高效安全经济地工作。