随着社会的飞速发展和人们生活水平的不断提高,人们对电力行业智能化的发展提出了更高的要求。其中,微电网技术能够提高分布式发电系统的供电可靠性,并且能够与大电网互为支撑,实现能量的双向转换,是未来电网智能化发展的趋势。微电网能量管理又是微电网研究中的关键技术,其主要功能是实现负荷单元、发电单元、储能单元及大电网四者之间的能量交互。目前,微电网能量管理系统的研究主要集中在提高系统的实时性,准确性及可靠性上,而忽略了微电网用户自身的个性化需求。本文研究主要针对不同微电网用户的用电偏好存在差异的问题,提出了个性化微电网能量管理策略,从而进一步完善优化微电网能量管理系统的应用,为今后微电网的发展提供有力支持。本文结合循环神经网络和强化学习,以用电成本和储能装置的State of Charge(SOC)为优化目标,以蓄电池充放电为控制对象,提出了一种面向不同偏好用户需求的个性化微电网能量管理框架。首先,本文利用循环神经网络Long Short Term Memory(LSTM)算法预测用户的负载功率和可再生能源的发电功率。然后,针对用户的不同偏好构建相应的奖励函数,根据功率预测结果通过强化学习Deep Deterministic Policy Gradient(DDPG)算法对决策模型进行大量强化训练。并引入L2正则化修正,避免神经网络训练时过度拟合。最后,根据预测日的预测功率数据通过训练好的决策模型,得到满足不同偏好用户需求的蓄电池最优动作序列。为验证本文提出的个性化能量管理框架的性能,本文将基于LSTM的预测模型与另外两种常用预测算法进行对比试验,通过均方根误差指标验证了本文预测模型的优越性。同时,在经济型用户、保守型用户、折中型用户和没有采用决策框架的用户,四种场景下进行对比仿真实验,通过多项指标对实验结果进行评估。结果表明,本文提出的个性化能量管理框架能够满足不同偏好用户的能量需求,且在预测功率和实际功率存在较小偏差时,决策模型的输出策略同样能满足用户的个性化需求。