微电网的经济运行是微电网能否在电力系统中得以普遍推广的重要因素,然而,由于微电网组合了不同种类的微源,其优化模型呈现出非凸、多约束等特点,给微电网的经济优化带来了较大的困难。针对微电网的经济运行优化问题,本文将代理模型技术、粒子群算法与机器学习技术进行融合,将所提出的算法用于优化微电网运行成本,并对微电网中各个微源的出力结果进行分析研究。本文的主要研究工作如下:（1）分析微电网的不同工作模式,阐释微电网经济运行优化的重要性和复杂性。从微电网的结构入手,通过对风机、光伏阵列等微源的发电原理进行简要介绍,阐释了各分布式微源工作时易受天气和用户需求等诸多因素的影响,以此说明微电网经济运行优化的复杂性。对Kriging模型和径向基神经网络（RBF）进行介绍,并对它们在精度和维度等所选性能指标方面进行说明,论述了本文选择Kriging模型和RBF模型来进行代理集成以解决“小数据之灾”的优势。（2）针对群智能优化算法在微电网经济运行优化问题上优化难度大的缺点,提出一种基于单个改进Kriging模型的代理辅助进化算法（Im KPSO）。该算法对Kriging模型的相关函数矩阵进行了动态改进,在此基础上,将全局搜索与局部搜索相结合。通过把计算相对简单的代理模型与粒子群算法结合在一起,既保证了解的质量,又提高了收敛速度。以CEC2006中的13个测试函数和CEC2017中的9个测试函数对Im KPSO进行测试,验证了算法的有效性。最后,以微电网的经济优化运行为实例进行仿真验证,结果表明,Im KPSO在解决微电网的经济优化运行问题时,具有较强的优势。（3）针对单个模型的代理辅助进化算法在微电网经济运行优化问题上精度仍然不足的缺点,提出一种基于集成学习的代理辅助进化算法（ELe PSO）。该算法在同一初始样本集上训练出多个代理模型,包括Kriging模型和RBF模型。最后将这多个代理模型结合成一个代理集成。相比单个代理模型,该代理集成的精度大为提高。通过在基准函数上测试ELe PSO的各个组成部分,验证了算法的有效性。通过选取几种最新的代理辅助进化算法与ELe PSO进行对比,表明ELe PSO在处理复杂优化问题时具有良好的性能。同时,以微电网的经济优化运行为实例进行仿真验证,实验结果表明,相比Im KPSO,ELe PSO在解决微电网的经济优化运行问题时优势更加明显。