随着高比例分布式新能源的接入,配电网运行的随机性不断增大,新型电力系统的电力供应保障和安全稳定运行能力将受到极大挑战。电动汽车（Electric vehicle,EV）、暖通空调（Heating ventilating and air conditioning,HVAC）等作为重要的需求侧资源,具有灵活的可调性,合理地安排其用电计划,对于实现电网削峰填谷、平抑可再生能源波动具有重大意义。因此需要充分挖掘各种需求侧资源灵活性潜力,制定需求侧资源参与日内调度的合理调度计划。本文从算法层面上解决需求侧资源随机动态优化的两大问题:一是通过虚拟储能（Virtual storage,VS）模型将大数量、小容量的各类具有多样性特征性的需求侧资源进行整合与量化,避免巨大的建模和计算量;二是通过一套求解高效、适应性强的随机动态规划（Stochastic dynamic programming,SDP）算法得到高随机环境下的需求侧资源动态调度策略,从而满足调度决策的实时性、最优性与鲁棒性。具体研究内容如下:首先,针对EV、HVAC等需求侧资源进行建模以描述其资源的灵活性,通过VS模型对EV、HVAC进行聚合刻画其资源的时移功率、能量边界,并提出EV集群、HVAC集群对应的下层功率分配算法。算例表明:所提出的模型与常规模型的优化调度求解结果一致,且该模型可大幅降低问题的决策变量、约束条件数量,从而降低运算成本。其次,针对基于VS模型的需求侧资源接入配电网的随机动态优化问题,提出一种需求侧资源的集中式优化运行架构,将需求侧资源的动态优化建模成马尔科夫决策问题;再提出SDP方法进行求解,分析并利用了值函数的凹性,提出了策略快速寻优算法。算例表明:基于VS建模的需求侧资源随机优化问题可通过所采用的算法进行求解,该算法的收敛性好,计算效率高,面对多重不确定性的决策鲁棒性强。最后针对集中式优化应用于含多智能体的智能配电网调度中会产生信息安全等问题,提出了多智能体SDP算法。首先,建立含多个需求侧资源聚合商的配电网日内分布式优化调度模型,提出基于交互能源的调度策略多智能体学习算法并论证其最优性,从而实现在没有交互额外信息下策略的分布式自寻优。算例表明:提出的算法与集中式SDP算法优化结果相同,算法计算效率高,决策对于随机环境具有很强的鲁棒性。