为有效治理大气污染和应对能源危机,电力系统必须积极转型为智能化分散式的可再生能源电力体系。而伴随可再生能源呈现规模化的并网,电力系统的随机性与不确定性将呈几何倍数增长,如何最大限度地促进可再生能源与电力系统兼容成为国内外能源领域的热点问题。为此本文从自动发电控制(AGC)角度出发,探索了一类面向新能源的分布式智能发电控制(SGC)策略,并以随机博弈论为基础,将上述分布式SGC的随机最优控制问题建模为多智能体随机博弈问题,分别采用多智能体强化学习和深度强化学习对该问题进行综合求解,以应对可再生能源呈现规模化并网所带来的强随机扰动,促进可再生能源与电力系统兼容。首先,从新能源利用效率、多区域电网协调控制以及快速动态响应三个角度,详细分析了集中式AGC所面临的严峻挑战,并基于此提出了一类面向新能源的分布式SGC策略,同时从分布式控制框架、多目标优化以及策略求解三个角度,具体分析了分布式SGC所必要的技术突破与可行途径。其次,提出了一种新颖的多智能体强化学习方法—PDWo LF-PHC(λ),来综合求取分布式SGC的最优解。该方法利用变化的学习率,可提高系统的全局动态性能,同时可解决传统强化学习在多智能体系统中所面临的异步决策问题和面临大规模任务时智能体个数增加所带来的多解问题。基于此,所提方法能有效解释分布式SGC的相互作用和最优均衡状态,从而应对新能源大规模并网所带来的强随机扰动。对计及碳排放的两区域电力系统模型、华中电网模型以及包含大量新能源的智能配电网模型进行仿真研究。结果表明,该方法具有快速收敛特性和强鲁棒性,在提高CPS考核合格率和新能源利用效率的同时,可减少碳排放。最后,提出一种高效的深度强化学习方法—DDRQN-AD,来实现分布式SGC的最优协调控制。所提方法可解决传统强化学习的知识矩阵存储需占据大量空间以致求解困难的问题,从而显著减轻SGC的信息处理负担。可解决传统强化学习动作集受限的问题,以提高SGC调节指令的动态精确性。基于此,所提方法可有效应对新能源大规模并网所带来的随机负荷扰动。对融入大量新能源的两区域微电网模型以及计及碳排放的广东电网模型进行仿真研究。结果表明,同其它算法相比,所提算法具有更强的动态学习能力和鲁棒性,在提高CPS考核合格率和新能源利用效率的同时,可减少碳排放。