目前,通过微电网解决可再生能源的消纳能力评估问题已成为一种有效地方法。由于独立微网的结构会导致能源调节能力的不足,针对独立微网的不足之处,提出了一种层次化微网模型。然而,由于层次结构本身存在着通信时延、通信波动等不确定性,使得消纳能力的评估不准确。因此,在考虑通信不确定性的情况下,通过层次化微网实现可再生能源的消纳能力最大化成为一个重要问题。传统方法处理问题时通常采用传统的线性规划方法进行策略求解,但传统的线性规划方法具有灵活性差、适用场景少的缺点。针对传统方法的不足,在考虑通信不确定性的前提下,提出了一种基于混合控制机制的层次化微网结构,并采用深度强化学习策略,最大限度地提高可再生能源的消纳能力。将生成对抗网络与时序差分学习紧密耦合,形成了一种新的深度强化学习算法。针对时序差分算法不能处理连续动作空间的问题,采用归一化优势函数来处理连续动作空间问题。与传统方法相比,本论文提出的深度强化学习算法具有不完全依赖环境信息、适用性广和无监督学习的优点。虚拟电厂成为一种通过能源互联网访问分布式能源的方法,分布式能源一般由可再生能源（光伏和风能）和传统能源组成。虚拟电厂的复杂结构和分布式能源的特性使其很难解决虚拟电厂的经济调度问题。虚拟电厂的负载具有波动性和不确定性,这也需要策略的稳定性和鲁棒性。因此,本论文提出了一种基于深度强化学习的鲁棒策略求解方法,以解决虚拟电厂的经济调度问题。通过研究表明,传统的鲁棒策略求解方法比较保守,不能解决非线性和非凸问题。在本论文中,由于其保守性的缺点,我们使用生成对抗网络来生成数据。生成对抗网络不仅满足鲁棒性的不确定性条件,而且降低了其保守性。使用深度强化学习算法训练计算模型,并使用大量的历史数据和生成的数据来有效地求解经济调度问题。深度强化学习可以直接解决非线性和非凸问题,弥补了鲁棒方法的缺点。最后,本论文利用实际电网数据进行仿真,验证了该方法的有效性和准确性。