我国可再生能源资源丰富,以风能、太阳能和水能为主要能源的电力系统是我国未来能源电力的发展形态,但可再生能源存在间歇性、波动性的短板,而高比例的可再生能源渗透对电力系统安全稳定运行提出了新挑战。抽水蓄能电站是目前最成熟、最可靠、最安全、最具大规模开发潜力的储能技术,对于维护电网安全稳定运行、构建新能源占比逐渐提高的新型电力系统具有重要支撑作用。因此,本文引入了风-光-储（抽水蓄能）混合能源系统,提高可再生能源的消纳能力,同时保证混合能源系统的安全经济稳定运行。近年来,随着人工智能的兴起和迅速发展,深度强化学习算法也为电力系统智能运行调度提供新的解决思路。作为数据驱动的方法,在面对高维度非线性复杂问题的求解时,通过深度强化学习算法训练智能体做最优决策,获取混合能源系统的最优调度策略。本文在国家重点研发计划“弱互联混合可再生能源系统规划与稳定控制关键技术研究”（2018YFE0127600）的资助下,针对风光储系统运行和控制问题开展相关研究,本课题的主要研究内容包括:（1）风-光-抽水蓄能混合能源系统的智能调度策略。在风力发电、光伏发电以及负荷需求随机波动的环境下,以100%消纳可再生能源为前提,解决混合能源系统的电压控制问题。以最小电压偏差值为目标。采用深度确定性策略梯度算法求解风-光-抽水蓄能在不确定环境下的实时调度,获取抽水蓄能电站无功功率的最优调度策略。采用某发电厂365天24小时的实际数据作为训练数据集,验证了本文所提出的模型以及采用方法的可行性和有效性,并采用传统的算法在同等条件下进行了对比实验分析,证实了基于深度强化学习的风光储系统运行和控制方法的优越性。（2）风-光-抽水蓄能-碳捕获混合能源系统的调度研究。在风-光-抽水蓄能混合能源系统的基础上,加入碳捕获系统作为负荷,减少碳排放。以最大碳捕获的目标,采用一种基于最大熵强化学习框架的离线学习策略SAC算法,通过SAC算法训练智能体获取最优调度策略,达到最大碳捕获的目的。（3）风-光-抽水蓄能的运行经济性研究。同时考虑电价、风电、光伏发电功率的影响,以混合能源系统的最大售电收益为目标。TD3算法可以抑制持续地过高估计,且有明确的目标策略平滑处理。通过TD3算法训练智能体获取抽水蓄能电站智能调度策略,解决系统运行经济性的问题。