深度学习是人工智能领域的研究热点,近年来发展迅速,在众多领域都能看见其身影参与其中。深度学习凭借自身所拥有的强大的自动特征提取能力,对数据的拟合与数据的快速处理分析都具有强大的处理能力,近年来将其运用于微电网中的应用研究也不胜枚举。随着新能源的发展,微电网下新能源的消纳使用促使了人们对能量优化日内调度的研究,储能装置是其中关键的一部分,准确预测其存储容量是实现微电网电力优化调度的任务之一。为实现对微电网下储能装置的实时容量在线预测,利用深度学习中的深度置信网络(DBN)结构建立了储能装置容量预测模型。为了验证模型的有效性,本文首先分析了DBN的基本原理,通过对DBN中各种参数的研究,在实验的基础上,确定了模型的网络拓扑结构,包括输入节点数、隐层层数以及网络的层数。同时,利用BP神经网络与DBN进行融合,充分利用BP算法反向传播的特点,微调DBN储能装置容量识别模型里的参数,从而建立了改进的容量预测模型。其次与传统的方法进行了对比,利用获得的数据集,与BP以及引入优化的粒子群算法PSO的PSO-BP模型的仿真结果进行了比较,结果表明,采用PSO-BP神经网络预测模型明显优于传统的BP神经网络识别模型,而改进的DBN预测模型性能更好,预测精度更高,快速性也得到了提升。实验结果表明,DBN对于高复杂度的数据预测,比传统方法更适合,DBN模型实现了储能装置的实时容量在线预测。对储能装置容量进行准确预测后,为统筹微电网下各种储能装置、负荷以及分布式电源的能量间的优化调度关系,在此基础上继续深化对电动汽车接入微电网后的能量管理策略进行优化控制研究,结合分时电价由充电桩自行显示充放电计划,利用“经济人”特征达到有序充放电目的,根据日前预测的负荷信息,寻找次日电动汽车充电负荷的最佳时间分布,用经济杠杆手段,引导电动汽车这种“微电源”发挥其在微电网内对负荷波动的“削峰填谷”的作用,进而为运营管理方节省可观的运行费用。