科学领域、工程领域和经济领域都涉及到很多复杂的、非线性的甚至非凸形式的最优化问题。在电力系统分析和控制系统设计中同样存在大量的这类难优化问题,如无功优化、机组组合、负荷预测以及电机参数辨识等。因此高效的优化技术成为科学工作者的研究目标之一。粒子群优化算法(Prticle Swarm Optimization,简称PSO)是一种新的群体智能优化算法。它的主要特点是原理简单、参数少、收敛速度快、所需领域知识少。该算法的出现引起了学者们极大的关注,已在函数优化、神经网络训练、组合优化等领域获得了广泛应用,并取得了较好的效果。尽管粒子群优化算法发展近十年,但无论是理论分析还是实践应用都尚未成熟,有大量的问题值得研究。本文就如何改进标准PSO算法性能以及该算法在电力系统领域中的应用进行了深入的研究。本文的主要研究工作和创新点可归纳如下：(1)为了克服PSO算法在高维复杂问题寻优时有相当可能陷入局部极小的现象,提出了一种自适应粒子群优化算法。在算法进化过程中引入群体适应度方差和群体位置方差,非线性的调整惯性权重,调节算法的探索和开发能力,达到跳出局部极小点,获得全局最优的目的。在进化的中后期,根据粒子的表现不同,分别对其采用不同的变异策略和惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个较好的折中。将自适应粒子群优化算法应用于电力系统无功优化问题中,算例仿真表明该方法用于解决无功优化问题是有效可行的。(2)对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群优化算法(VEAPSO)来解决多目标优化问题。利用该方法解决多目标电力系统无功优化问题,确定出问题的Pareto最优解集。为帮助决策者在优化后得到的Pareto最优解集中选取较合适的最优解,本文提出了一种基于决策者偏好及投影寻踪模型的多属性决策法,该方法兼顾决策者的偏好,同时又力争减少主观随意性,使决策结果更加真实可靠。(3)提出了一种基于动态双种群的粒子群优化算法(DDPSO)。DDPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息。为了保持种群的多样性,将免疫算法的多样性保持机制引入DDPSO算法中,提高了算法的全局收敛性。将该算法应用于机组组合问题中,采用实数矩阵编码方法对发电计划进行编码,将两层优化问题转化为单层优化问题,可直接运用DDPSO算法来求解。仿真结果表明,所提出的方法用来解决机组组合问题是有效可行的,具有良好的精度和鲁棒性。(4)提出了一种基于物种概念的动态多种群粒子群优化算法(DMPSO)来解决多模态函数优化问题。在DMPSO中引入了物种概念,在进化过程中动态确定物种,利用种群多样性信息动态调整物种半径,通过物种对解空间的不同区域进行搜索,最终确定出各极值点。将DMPSO算法和支持向量机(SVM)相结合,形成了解决电力系统短期负荷预测问题的新方法(DMPSO-SVM)。在该方法中利用DMPSO算法来优化SVM中的参数,利用快速傅立叶变换(FFT)进行频谱分析并确定SVM的输入量。电力系统短期负荷预测的实际算例表明,与传统预测方法相比,该方法具有更高的预测精度和鲁棒性。(5)提出了一种基于天体系统模型的粒子群优化算法(CSPSO)。在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解。将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力。