由于传统能源的不可再生性以及人们对能源的需求越来越大,传统能源的枯竭已成为不得不面对的问题。新能源开始不断被人发掘利用,由风电、光伏等分布式电源组成的微电网成为了人们关注的焦点。然而由于风、光等可再生能源受环境影响具有很强的随机性,对微电网的能量优化管理带来了巨大的挑战。人工智能技术近几年来发展迅速,随着新的智能算法不断出现与更新,相关技术也开始应用于电力行业。本文针对微电网的强随机性问题,将深度强化学习算法引入微电网的能量优化当中。考虑风、光和负荷的随机性,以总经济运行费用的期望最小为目标,建立微电网经济优化调度模型,分别采用深度Q网络（DQN）和深度确定性策略梯度（DDPG）算法对模型进行求解。DQN算法利用神经网络对状态-动作值函数进行近似,输出每个状态-动作对的Q值,选择最优Q值所对应的动作作为最优策略;DDPG算法将动作和评价分开,设置了动作网络和评价网络,动作网络输出动作,评价网络根据误差对动作进行评估,并引导动作网络的输出逐渐逼近最优策略。为减少神经网络的复杂性,将决策变量分两步进行求解,第一步由神经网络输出与未来状态有关的决策变量,剩余决策变量第二步再进行求解;通过蒙特卡洛抽样生成多组训练曲线对神经网络进行训练,让神经网络对风电、光伏出力和负荷的波动进行学习,直至神经网络训练收敛。训练好的神经网络可以直接用于微电网的在线优化中,根据实时的状态信息做出相应的决策,通过算例验证了该在线算法的有效性。针对微电网群系统的能量优化问题,设计了基于多智能体系统的微电网群系统架构,建立了考虑不确定性的微电网群优化模型,采用多智能体深度确定性策略梯度（MADDPG）算法对模型进行求解。MADDPG算法采用集中训练、分散执行的框架,每个动作网络根据自身智能体的环境信息进行决策,每个评价网络根据所有智能体的环境信息和动作信息对动作网络进行训练。通过算例验证了该算法的有效性。