随着能源危机和环境污染等问题的加剧以及能源需求的增加,绿色发展理念深入人心,可再生能源整合进电网成为一种不可避免的趋势。目前,将风能和太阳能以微电网（Microgrid,MG）的形式整合进电网受到了广泛关注。MG不仅能够为当地用户提供不间断供电,而且可以为电力系统带来多重技术上益处,如降低网络损耗、提高电压质量,从而提高电力系统的经济性和安全性。然而,与传统的发电模式不同,MG中分布式电源（Distributed Generation,DG）的出力具有不确定性,可能造成能源的浪费。储能装置的应用能够在一定程度上平衡DG出力的随机性。此外,大量运行条件和每个DG运行的差异为电网的安全和经济运行带来巨大挑战。因此,本文以含风电的MG为对象,研究了考虑风电不确定性MG优化运行问题。本文的具体工作如下:首先,本文提出了一个两阶段的MG规划和调度模型。在第一阶段,我们提出了一个将配电网网络损耗和电压偏差最小化的多目标优化模型来找到DG的最佳安装位置和大小。在第二阶段,利用一个成本最小化模型来平衡DG间的出力、空气压缩储能（Compressed Air Energy Storage,CAES）的充放电功率、DG与配电网间的能量交换成本和DG的预防维护（Preventive Maintenance,PM）成本。并对IEEE33标准算例进行仿真,结果显示DG的合理安装能够有效降低配电网的网络损耗和电压偏差。其次,本文引入CAES来解决DG出力的不确定性问题。CAES以可靠的方式来满足用户的需求,实现削峰填谷并且减少能源的浪费,从而提高了电网运行的可靠性和经济性。除此之外,本文应用了PM来防止DG在运行时的随机故障。通过对标准IEEE33测试系统进行仿真,结果验证了CAES可以减少负荷波动和能源浪费,PM通过降低DG的随机故障,可以有效提高电网对风电的消纳水平。最后,为了分析DG不确定性对配电网的影响,本文提出了一个基于可信性评估的风险规避模型,叫做条件可信性价值（Conditional Value-at-Credibility,CVa C）来度量风电的不确定性。值得一提的是,风电的不确定性应该包括随机性和模糊性,CVa C模型分别利用高斯分布和柯西分布解决了这两个问题。此外,本文采用逼近的拉丁超立方（Latin Hypercube Sampling,LHS）采样方法对风电进行采样,解决了蒙特卡洛采样计算量大、仿真时间长的问题。该模型已在IEEE系统上进行测试,数值结果表明了该模型的有效性,并从经济性和安全性两个方面给出了折衷方案。