为应对能源危机和环境恶化,提高可再生能源(Renewable Energy Resources,RER)在电能转化中的占比成为最重要的途径。然而,RER普遍存在地理分布、输出随机且波动性强等特点,使得集中统一的传统能源管理模式难于应对RER的大规模利用。在此背景下,信息技术与能源基础设施相融合的能源互联网被提出。能源互联网中将接入大量不同尺度的分布式RER能量源;同时,广泛分布的即插即用负荷单元与智能化交互的需求,使得其供/需侧能量信息的管理面临新挑战。鉴于此,本文以能源互联网供/需侧能量信息管理关键问题为突破口,以分布式光伏系统、负荷单元的预测以及机动性负荷的优化调度为具体研究点,旨在为能源互联网智能化管控提供精确数据和算法支持。本文的主要工作和贡献如下:(1)分析并概括了能源互联网的技术形态和构成要素,对能源互联网构建和能量/信息双流管理中所涉及的科学问题进行了提炼,指出本文研究的必要性。基于双流管理的可靠性和效率,设计了分布式自治单元和面向多自治单元的区域性能量微网;考虑到能源互联网高度信息化给数据传输、信息处理带来的压力,提出了一种基于信息分层融合能源互联网体系架构,以实现能量/信息双流的高效管理和交互。(2)分析并量化了气象因素对光伏输出的影响,以能源互联网场景中小尺度光伏系统为对象,提出了利用深度学习范式来建立多维数据与功率趋势之间关系的预测方法。为匹配基于深层卷积网络预测模型的表征学习机制,以统一的矩阵形式对选定的高关联度气象要素进行了归一化,并利用二维频域变换对创建的矩阵进行了特征增强。增强的气象要素矩阵与二维功率数据一起构成多维输入,通过监督学习来训练模型。为提高预测方法的精确度和稳定性,分别训练了应对不同天气条件的模型。(3)针对能源互联网场景中的分布式光伏系统,制定了一个涵盖预测日之前多日功率信息的历史功率矩阵,并提出一种基于交替方向乘子法的低秩矩阵分解算法和针对不同时间尺度的功率梯度,将功率输入变量扩展为多维驱动数据以细化特征属性。设计了一个基于生成对抗框架的特征学习模块来提取输入的价值信息,并使用多变量回归网络映射估计值,实现了不同尺度分布式光伏的精确预测。此外,在模型执行过程中加入了高关联度的气象变量以削弱功率波动影响,有效地提高了波动场景下预测的稳定性。(4)分析了分布式负荷单元预测任务的特点,结合负荷单元的时空相关性建立了历史负荷矩阵,并基于该矩阵规划了一个包含多时间点历史数据的负荷张量。分析了负荷矩阵时空相关性与低秩性的关联,提出了一种辅变量分解算法对负荷矩阵进行预处理,以分离结构化负荷与随机信息来优化卷积网络的特征提取。提出了一种基于三维卷积网络和门控循环单元的预测方法,其中三维卷积网络用于学习具有时间属性的特征序列,门控循环单元负责将特征序列映射为预测值。(5)基于可靠的源荷预测背景,将电动汽车作为能源互联网中的机动性负荷,提出了一种启发式电动汽车充电行为调控策略。首先规划了充电的日前能量分配方案,并在较少充电相关先验参与的前提下构建了充电实施的马尔科夫过程。进一步,结合该马尔科夫过程,以能量最优分配为目标提出了一种分布式Multi-Agent协作Q-learning算法来学习最优充电策略。实验结果表明,提出策略在不依赖精确充电机动性模型的情况下,获得了与理想基准相当的优化结果。