随着传统能源资源的逐渐消耗,可再生能源的开发利用变得越来越重要。微电网是实现可再生能源大规模利用的一种重要形式,微电网能量管理和调度优化是微电网稳定、可靠、经济运行的重要保障,对于提升可再生能源利用率具有十分重要的意义。分布式储能既可解决微电网发电用电不平衡问题,又为微电网的调控提供了手段,进行分布式储能微电网能量管理策略的研究可有效提升微电网经济性,具有极其重要的研究价值。本文主要研究内容包括:（1）针对分布式储能微电网日前优化问题,确立了包含风力发电、光伏发电、分布式储能、以及负荷的模块化微电网模型,建立了等式或不等式约束条件,以微电网的经济运行成本最小和电压偏差最小作为多目标函数,利用NSGA-Ⅱ求出非劣解集,然后运用模糊决策的方式在非劣解集中选取出最优解。本文针对模型自身的特点对约束条件进行了处理,将产生的非可行解根据模型的约束条件反向重新生成可行解,可行解出现的概率提高了73%。（2）由于可再生能源和负荷的随机性,确定性的日前优化调度策略在日内在线运行中并不能真正达到最优。本文引入随机策略Soft Actor Critic单智能体深度强化学习算法进行分布式储能微电网经济运行成本优化。本文建立了4个4层神经元的网络结构,其中神经网络对约束条件的处理方法分为两种,第一种是直接将约束条件的超限值以惩罚的方式加入奖励函数里面,第二种是将约束条件作为辅助成本函数帮助算法进行训练参数,对比得出第二种的约束效果比第一种的好,仿真实验证明所提算法相较于（1）中求得的经济运行成本637.74元下降了5.9%。（3）基于单智能体深度强化学习算法框架不能适应分布式储能微电网的扩容,为了适应系统扩展,引入基于Soft Actor Critic的多智能体深度强化学习算法对分布式储能微电网目标函数进行日内在线优化。多智能体算法可以在执行的时候分别将3个子微电网看成3个智能体,单个智能体只根据当前自己的状态分别执行动作,其可以降低神经网络训练的复杂度。最终经过仿真实验验证,多智能体算法中3个智能体相较于单智能体算法的收敛速度分别提升了71.4%、85.7%和71.4%。仿真实验表明多智能体算法相较（1）中求得的经济运行成本637.74元下降了5.7%。