随着智能电网、能源互联网、泛在电力物联网的快速发展,大量分布式可再生能源发电接入电网,电力市场逐步开放,测量单元获取的数据量快速增长,电力系统对安全、可靠、经济、高效、智能、环境友好的运行控制要求也逐步提高。传统方法在此背景下面临一定的挑战,能够处理更高维数据、具有自适应学习能力、可以处理更复杂场景、能够实时在线运行等是电力系统发展的要求。深度强化学习是一种新兴的人工智能方法,融合了深度学习的感知能力和强化学习的决策能力,能够通过端对端的训练和学习实现从输入到输出的优化控制,能够感知高维度数据,进行实时反馈和调控,同时具有很强的通用性,同时在很多领域已经取得了成功。深度强化学习同样适用于电力系统,包括微电网中的优化控制问题。本文首先研究了微电网中复合能量管理问题和考虑需求响应的分层电力市场交易问题,分析了问题的主要特征,建立了较为详细的问题模型,说明了其中需要解决的优化控制问题。进而研究了深度强化学习中的深度Q网络（Deep Q-Network,DQN）和深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,分析了算法的数学原理、逻辑结构和适用场合,并在复合能量管理问题和分层电力市场交易问题上取得了理想的结果。通过实践,说明了深度强化学习方法在微电网优化控制问题中的有效性、适应性和稳定性,也说明了人工智能与电力系统结合的可能性。另外,通过与经典博弈论方法的对比,说明了深度强化学习能够提取高维数据特征,并根据实时反馈进行决策,具有更好的动态性能,也避免了传统模型方法的一些不足。