随着社会经济的飞速发展，能源和资源的消耗速度越来越快，节约能源，保护环境已经成为人类可持续发展的必要条件，人们的注意力正转向可再生能源的利用和发展。可再生能源中应用最广泛的是太阳能和风能，它们在资源条件和技术应用上都具有良好的互补性，因此综合考虑太阳能和风能在多方面的互补特性而建立起来的风光互补发电系统是一种经济合理的供电方式。本文根据分散式风力——太阳能发电的特点，提出一种风力太阳能混合发电的分布式能量管理系统，并对其进行深入研究。主要内容包括以下几个部分：　　 1．首先介绍了多智能体系统MAS（Multi-Agent System）的定义、特性以及体系结构，并分析了风力——太阳能混合发电系统的配置，在此基础上，提出了一个基于MAS的分布式能量管理系统（Energy Management System，EMS）的体系结构，为了使系统内的Agent能够适应动态的、复杂的分布式发电环境，作者设计了一个Agent的结构模型，为后续对系统的研究奠定了基础。　　 2．根据分布式发电系统体系结构的基本特点，对多Agent系统的协作问题进行了研究。本文对多Agent的协作方法——合同网协议进行了改进，在合同网协议中加入了黑板Agent和信任度、熟悉度这两个心智状态参数，基于改进合同网协作机制的确立，在全局上保证了任务分解的有效实施。本文利用改进的合同网协议对风——光互补发电系统在脱网和并网两种模式下的发电过程进行了描述。　　 3．通过通信实现信息共享对于Agent之间的协作与协调至关重要，通信方式的确立，为MAS系统的协作与控制策略的设计提供了基本思路。本文遵循KQML标准，同时在KQML的基本语义和语法的基础上，对KQML的执行原语做了扩展使其支持合同网协议，并采用扩展的KQML语言实现了基于合同网协议的交互发电过程的通信，从而为在能量管理的宏观层面进行协调控制奠定了基础。　　 4．学习和决策是Agent具有智能性的主要体现。在介绍了强化学习的基本理论、以及多Agent的强化学习后，本文基于马尔可夫博弈框架提出了一种多Agent联合动作（Joint Action Learning）强化学习算法，以分布式观点来考虑问题，每个Agent不仅要考虑自己的动作，还要兼顾其它Agent所采取的动作及策略，并通过Q值的学习影响动作的选择。最后将此算法应用于风—光互补分布式能量管理系统进行场景模拟，得到了很好的结果。