电动汽车、可再生能源发电、储能等分布式资源正大规模渗透到配电网中,使其系统结构、运营主体日益复杂。主动配电网作为分布式资源的重要利用方式,在世界各地得到了广泛应用。然而,光伏、风电出力的波动性,电动汽车车主行为的不确定性、电池状态的差异等特点,使主动配电网的实际状态难以准确预测,对其进行日内优化调度成为当下配电网运行的挑战。现有的主动配电网日内调度方法在应对分布式资源的随机性、策略的最优性、经济性等方面存在诸多不足。鉴于此,本文针对主动配电网的日内经济调度问题,分层递进地提出了主动配电网的集中式随机动态优化策略、分布式随机动态优化策略,主要的研究内容如下:针对主动配电网的集中式随机动态经济调度问题,基于近似动态规划（Approximate Dynamic Programming,ADP）框架,提出一种主动配电网日内随机动态优化调度策略。首先,将经济调度模型描述成一个多阶段随机序贯决策问题,根据可调资源特性设计分段线性函数对ADP算法中的值函数进行近似,在大量模拟场景下利用基于TD（1）的策略迭代算法对值函数进行训练至收敛便可投入日内调度的实际运行,从而得到配电网每时刻的近似全局最优调度方案。该算法避免了电动汽车、可再生能源等数据预测误差的影响,有效应对各类能源随机性给优化调度带来的挑战。仿真算例表明,该算法收敛速度快,鲁棒性强,计算时间不受电动汽车接入数量的影响,与其他算法对比更具可行性和经济性。针对主动配电网与多微网的分布式随机动态经济调度问题,提出了一种含多微网的主动配电网ADP策略分布式学习算法。首先建立起多微网主动配电网分布式经济调度模型,根据前述ADP算法对该模型进行转化,并利用多参数规划法的思想有效简化分布式求解的计算,使得各主体间仅需与交换有限的信息便可完成求解,减轻通信压力,保护各主体隐私性。仿真结果表明,与集中式优化算法相比,所提的分布式算法也能协调好配电网与微电网中的各类分布式资源,具备良好的收敛性能;相比于其他分布式优化算法,所提算法考虑了可再生能源、电动汽车行为等的不确定性,近似最优策略逼近理论最优解。将所提算法用于实际日内在线调度中,可完成调度策略的高效求解,相比于其他日内调度方法更能提升策略的经济性。