基于分布式发电的微网运行控制是智能电网技术的重要发展方向。由于分布式发电类型多样、运行特性差异大、实时波动明显,使得含多种分布式发电单元、负荷和储能元件的微网运行环境的复杂性和动态性大大增加,带来系统运行和控制方面的诸多技术难题。因此,深入了解分布式发电特性和微网内部各单元的关系,研究微网不同运行状态下的有效控制方法,是实现基于分布式发电的微网稳定运行和大规模应用需要解决的关键技术之一。本文围绕基于分布式发电的微网运行控制问题开展相关研究。紧密结合实际应用需求,开展分布式发电功率变化趋势特征分析和功率预测方法研究；针对微网孤岛模式下的优化控制问题,研究在微网内部分布式电源和负荷变化时,实现各电源对负荷分配的优化方法；针对市场实时电价的发展趋势,设计微网联网模式下的多智能体系统,提出基于关键变量变化率的动态分层强化学习方法,完成微网智能体系统的最优策略搜索,实现联网模式下微网的优化控制目标。具体而言,本文的主要研究成果包括以下几个方面：(1)提出综合功率坡度事件预测和风速预测的风电功率智能预测方法针对风电功率预测误差较大,难以满足调度时长要求的问题,提出能兼顾预测时长和预测精度的风电功率智能预测方法。基于现场数据进行统计分析,研究风电功率坡度事件及其变化特性,运用多支持向量机方法实现风电功率坡度事件的前向多步预测。运用自适应小波神经网络实现前向30小时为周期的风速预测。综合风电功率坡度事件预测和风速预测,运用改进的径向基神经网络建立风电功率的智能预测模型,通过网络输入变量权重调整和参数在线学习更新,有效识别风电功率变化的动态性和非线性。运用现场风电数据开展仿真,通过与FFNN、PER、NR模型的对比实验表明,本文提出的智能预测方法兼顾风电功率预测的时长和精度要求,实现30小时范围内的风电功率有效预测,为提前1天优化调度提供可靠的技术途径。(2)提出一种微网孤岛模式下负荷分配的改进控制策略以含多个分布式电源的微网为对象,分析传统电压/频率(V/f下垂特性控制方法的不足,本文基于电压/相角(V/δ下垂特性控制思想,并在基本公式中增加有功/相角(P-δ)下垂控制修正项和无功／电压(Q-V)下垂控制修正项,以有效跟踪功率变化的动态特性,使控制参数能随着负荷变化的幅度而动态调整,优化微网内部的负荷分配。同时,设计辅助控制器,对每个逆变器参考电压的d轴分量进行修正。在孤岛模式下,设计微网平稳运行和急剧变化两种情形,分别采用低P-δ下垂因子和高P-δ下垂控制因子进行对比实验,结果表明,本文的控制策略可有效防止当负荷或电源显著变化时系统发生震荡,并能明显优化负荷的分配,保证系统稳定。(3)设计联网模式和实时电价环境下的微网多智能体系统针对分布式发电的广泛应用和电力市场化发展的趋势,建立含本地控制器、微网管理器和分布式管理系统的微网分层控制结构。在分层控制架构下,突出微网分散控制特点,综合考虑实时电价和微网内部运行成本,确立微网优化控制目标函数。设计联网模式下微网的多智能体系统结构,完成智能体系统中各类智能体和变量的定义,确定智能体学习中的立即奖赏值函数,提出反映微网系统整体变化特征的“趋势”变量,以实现状态简化,确定了微网多智能体系统的具体工作流程。设计的微网多智能体系统不依赖各智能体之间的实时通信,能适应实时电价环境,符合微网应用的现实特点,为微网联网模式下的优化控制提供基础。(4)提出多智能体DHRL-RCSV算法,实现微网联网模式下的优化控制为缓解微网复杂未知环境下应用强化学习带来的“维度灾难”问题,本文提出基于关键变量变化率的动态分层强化学习(DHRL-RCSV)方法,提高联网模式下多智能体系统的学习效率,实现微网优化控制。以市场电价为关键变量,通过识别电价信息中的瓶颈状态点,实现学习任务的自动分层,生成微网优化控制的类MAXQ分层结构。基于新的分层结构,采用贝叶斯-MAXQ算法来学习递归最优策略。通过实验分析表明,本文提出的DHRL-RCSV算法可显著提高未知环境下智能体的自学习效率,使微网内部负荷、分布式电源和储能单元的行为动作能根据市场电价波动不断优化,从而实现微网整体优化控制目标。