由于化石燃料的不断消耗与其污染性,可再生能源以及分布式发电受到越来越多的关注和研究。在分布式发电的发展过程中,微电网技术的出现契合了时代的需要。其中,微电网综合能量管理则是实现可再生能源高效利用,并最终达到微电网全局经济性的关键技术。这正是微电网吸引用户并能在电力系统中得以推广的关键所在。因此,研究微电网综合能量管理技术具有重要意义。本文主要研究了多时间尺度下可再生能源发电量的预测方法和微电网能量调度策略。目前微电网能量管理存在两个难点:一是可再生能源发电量波动性大,二是长、短时间尺度能量调度优化目标不同。针对第一个难点,本文分别研究了长、短时间尺度下可再生能源发电量和气象变量之间的数据关系,结合多种方法挖掘有效信息得到精确的预测值。在长时间尺度下,提出结合时变线性模型和遗传算法BP神经网络(GABP)的在线自适应学习混合模型,该模型能通过对新数据进行自适应学习,从而不断提高预测精度。在短时间尺度下,提出基于套索(LASSO)和长短时记忆网络(LSTM)的综合时序预测模型,该模型能在短期内得到非常精确的可再生能源发电量的预测值。针对第二个难点,本文提出一套基于不同时间尺度的微电网能量调度策略。在长时间尺度下,在考虑可再生能源发电量预测误差的情况下,使用基于粒子群与教学优化(PSO-TLBO)的日前鲁棒调度策略,该策略可以得到以经济性和环保性为目标函数的非支配解。在短时间尺度下,使用基于Majorization理论的可延迟负荷平滑电力调度(SEPS-DL)方法来进行短期调度,得到安全可靠的电能调度策略。本文还在MATLAB中基于真实的数据对所提出的预测方法以及能量管理调度策略进行了仿真验证,证实了上述方法的精确性和高效性。