随着可再生能源、储能、需求侧资源等分布式设备的大量接入,智能配电网源荷两侧多重不确定性对于系统安全运行有着显著影响。研究能够根据系统实时状态而动态调整决策的日内优化调度策略,对于促进可再生能源消纳、提升系统运行水平意义重大。智能配电网日内优化调度本质上是一个具有高维连续-离散状态决策空间和复杂约束的随机序贯决策问题。电力系统中常用的日内优化调度算法存在过度依赖预测信息、计算复杂和最优性难以保证等缺点。以随机动态规划（Stochastic dynamic programming,SDP）或强化学习理论为代表的智能化方法近年来在电力系统复杂调控问题中的应用受到关注,但算法仍普遍存在高维度问题下策略寻优困难、复杂约束下决策可行性差等问题。本论文以多重不确定环境下智能配电网的日内优化调度为切入点,以问题为导向,由浅入深地从凸问题到非凸问题、单一能源网络到多能耦合网络、集中式调度到分布式调度等多个角度研究了智能配电网日内优化调度问题,并提出了一整套决策最优、求解高效、适应性强、易于应用的SDP算法。具体研究内容如下:1)针对大规模电动汽车接入后,原问题的高维数及维数不确定导致策略求解困难的问题,提出一种基于SDP的双层优化框架和在线决策算法。首先,提出了电动汽车集群的等效建模方法并构建双层优化调度架构,大幅降低并固定了问题的维度。其次,提出了基于SDP的最优日内调度策略,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:提出的算法收敛性好、决策鲁棒性强、计算时间受底层设备数量的影响小,可以很好地适应未来“小容量、大数量”的灵活分布式资源广泛接入智能配电网的新形势。2)针对以最小化序贯决策成本期望为目标的传统算法,在重尾分布的随机场景下容易产生高成本的风险,提出了基于动态风险度量SDP的日内优化调度策略。首先,建立了多能耦合智能配电网的模型,综合利用电网和热网两侧的灵活性资源,克服系统的随机性。其次,基于风险马尔科夫决策过程,建立了动态风险度量下的日内优化调度最优决策模型。最后,提出了基于数据驱动的改进值函数近似策略,实现对最优策略的快速学习。算例表明:所提出的模型和算法既有效提升了系统运行的经济性,又显著降低了极端场景下可能出现的高成本,避免了不必要的削负荷和弃风弃光。3)针对非凸的日内优化调度问题下传统算法存在策略寻优困难的问题,提出了值函数近似方法。首先,建立了考虑热储能接入下的多能耦合智能配电网日内优化调度模型,原问题是一个含多重不确定性的复杂非凸问题,1)和2)的方法无法求解。其次,对原问题进行时段分解,提出了基于SDP的日内优化调度策略。最后,证明并利用了值函数的单调性,以克服原问题的维数灾难,并利用专家示范数据进一步加速离线学习过程。算例表明:提出的SDP算法的决策接近最优且鲁棒性强,可以实现此类复杂日内优化调度问题的秒级决策。4)基于3)中提到的智能配电网日内优化调度模型,进一步探索便于实际工程应用,适合求解复杂电力系统日内优化调度问题的启发式策略。首先,提出了代价函数近似的SDP策略,将复杂的值函数近似问题转变为基函数参数寻优问题。其次,提出了基于模仿学习的策略寻优架构,将策略寻优问题转换成一系列监督学习问题,实现专家示范数据下的策略快速寻优。最后,采用了可获得全局解的迭代算法求解模仿学习下的混合整数双层优化问题。算例表明:和3)中的SDP算法相比,提出的算法牺牲了一定的最优性和鲁棒性,但因其结构简单、策略寻优方便,更便于实际工程中对于复杂问题求解。5)针对传统分布式优化算法在日内调度决策时需要巨大通讯量和计算量的问题,提出了在线计算时可少迭代甚至非迭代运行的多智能体SDP算法。首先,建立了含多微网的配电网日内分布式优化调度模型,提出了基于异质分解的交互能源控制（TEC）架构并论证了其最优性。其次,提出了与TEC机制相兼容的多智能体SDP算法并论证了其最优性。最后,提出了最优策略的群体学习算法,实现无须交互额外信息下,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,在线决策计算效率极高,决策对于随机环境具有很强的鲁棒性,适合弱中心化条件下系统的分布式决策。