由于电网络造价昂贵,维护困难等因素,传统的集中式发电技术逐渐难以满足区域分布式多元化发展的需求。微电网作为一种分布式供电技术,可高效整合包括太阳能、燃料电池等多种清洁能源,因地制宜应用灵活,具有广阔的发展前景。但是,受外部环境和天气因素影响,风、光等可再生能源及非弹性负荷的不确定性变化给微电网的能量调度优化带来了巨大挑战。为此,本文以光伏发电单元、固体氧化物燃料电池（Solid Oxide Fuel Cell,SOFC）系统和储能单元构建的微电网为研究对象,研究光伏发电和负荷的高精度智能预测及相应的能量调度优化方案,保障微电网系统运行的经济性与稳定性。对于光伏发电预测,论文首先分析并提取了影响太阳总辐照度和光伏发电特性的关键因素。然后,使用基于手肘法评价的K-Means聚类算法对训练集进行预处理,并针对光伏发电的间歇性和周期性特征分别提出两种预测方法。一种是数据驱动——机理模型结合的预测方法:先基于高斯过程回归（Gaussian Process Regression,GPR）算法预测太阳总辐照度,再将辐照度作为输入构建光伏功率物理模型预测光伏发电功率;第二种是基于在线T-S模糊模型的数据驱动预测方法,建立串级T-S模糊预测模型,先预测太阳总辐照度,再预测光伏发电发电功率。最后,使用实际测量数据验证以上两种方法的有效性。经分析比较,发现GPR+物理模型方法精度最优,但只适用于短时内使用的光伏预测,而在线串级T-S模糊模型方法可适用于大范围运行时长的光伏预测。对于非弹性负荷预测,首先分析并提取了影响负荷特性的关键因素,然后针对负荷需求曲线的时序性和周期性分别提出了离线长短时记忆网络（Long Short-Term Memory,LSTM）直接预测法和改进在线LSTM滚动预测法。离线LSTM直接预测法的优点在于训练次数少,收敛速度快,计算量小,但也存在一些缺点,如训练集固定,不能实时更新,无法学习新数据规律。因此,本文进一步采用改进的在线LSTM滚动预测法,通过实时更新训练集,实现在线滚动预测。最后,使用实测数据验证了所提出两种方法的有效性。经分析比较,发现在线LSTM滚动预测法预测精度优于离线LSTM直接预测法。基于前面光伏和负荷预测结果,论文建立了微电网能量日前调度经济模型,使用粒子群算法（Particle Swarm Optimization,PSO）优化调度策略,结果相较于没有预测环节的常规规则控制策略,运行成本降低19%。综上所述,本文针对微电网中光伏发电及非弹性负荷的不确定性变化问题,基于动态特征分析提出了相应的预测方法,实现了不同时间尺度上较高精度的光伏和负荷预测,并基于预测结果进行了微电网能量日前调度策略优化。结果表明,与非预测调度策略相比,本文的方法大幅提高了微电网运行的经济性与稳定性。