在全球范围内,能源安全、生态保护与绿色低碳已经成为当今世界可持续发展的重要议题以及社会共识。构建以可再生能源为主体的新型电力系统是实现我国“碳达峰、碳中和”目标的关键途径。然而,可再生能源引起的随机性和间歇性给电力系统高效运行带来了巨大挑战,给集成了高比例可再生能源的微电网优化运行调控方法提出了更高要求。在此背景下,本文以多维不确定性环境下智慧能源系统的感知、认知、决策为视角,围绕分布式可再生能源发电预测与场景生成,智能微电网能量管理与优化调控两大核心问题,通过融合多种人工智能理论与技术,在方法框架与算法模型方面开展了研究工作,主要的创新工作如下:（1）提出了一种包含可解释性特征筛选过程的可再生能源功率预测方法。该方法由相空间重构后的时间序列变量数值天气预报要素变量一同构建候选输入特征,进而依据最小冗余最大相关准则,以直观地信息贡献度对不同时间步长下的预测任务输入变量进行可解释性筛选。模型训练过程中由所选特征对样本集合进行聚类划分,并分组训练轻量化学习模型,以最大限度提升算法泛化性能。（2）提出了一种基于可控生成对抗网络的可解释性可再生能源出力场景生成方法。该方法避免了复杂的概率建模和采样过程,能够自适应地表征可再生资源固有的随机和动态特性。进一步将可解释的特征嵌入生成对抗网络的流形隐含层空间,结合互信息最大化以及匹配采样等技术以使生成过程具有可控性。该方法可以依据可解释性统计特性对生成的场景分布进行调整,甚至可以控制生成不同于已有场景的极端模式。（3）提出了一种利用预测数据与专家知识的进化模糊推理系统用于微电网实时调控决策。在日前阶段,调控模型可以在多维优化目标下优化确定模型的隶属函数形状和推理规则集。自适应调整的模型可以依据专家知识对其可解释性参数进行修正。模糊逻辑对预测误差的容错性与专家知识构建的模型正则化提升了实际运行中推理系统的泛化性能,同时对推理模型自身参数的优化可以极大地避免因控制变量过多产生的“组合爆炸”与长期优化中“维数灾难”这一难题。（4）提出了一种机器学习与云-边计算架构结合的孤岛式微电网能量管理调控决策方法。该方法在模仿学习理论与技术框架下,利用云平台计算及数据资源求解历史运行模式下的最优调度决策序列,作为专家示教策略,进而通过监督学习模型来对环境输入模式与输出动作决策序列之间的复杂映射进行学习。最后,在本地边缘计算设备上可以部署训练好的学习驱动的决策模型,并保持较长时间参数稳定。该方法框架避免对多维随机变量预测以及设计复杂的调整策略或精巧的奖励策略函数,以更好的移植性与扩展性实现了微电网的实时能量调控。（5）提出了无监督-模仿学习的实时电价环境下微电网能量调控决策方法。该方法在模仿学习框架上增加了无监督学习,利用深度自编码器在流形上对系统动态特性进行感知,增强多维不确定运行工况下的模式特征提取能力,从而减少了对示教样本中最优调控决策序列的优化求解数量。监督模型设计了相应循环神经网络来刻画多时间尺度感知下的系统状态变量时间序列与最优动作决策之间的映射关系。该混合学习模型可以在更为复杂的不确定运行模式下保证有效的调控性能。基于上述研究工作,本文所提出的学习驱动的不确定性分析与实时决策方法可以有效应对高比例可再生能源渗透下微电网能量优化调控与经济运行的挑战,为更加灵活高效的微电网系统的分布式、智能化管理提供了理论方法借鉴。