随着人类经济社会的发展,电力系统的规模日益扩大,其网络结构的复杂性、负荷特性的不确定性等对电力系统调度算法的要求越来越高。传统的优化算法虽然经过了长期的完善,但面对复杂的电力系统调度问题,仍存在许多不足。此外,随着煤、石油、天然气等传统化石能源的日益枯竭和全球气候日益变暖,新能源在电力系统中渗透率不断增加,然而新能源的强波动性和随机不确定性,要求调度模型同时从安全性指标和经济性指标来衡量随机不确定新能源给电力系统调度带来的效益和风险。目前的调度模型大多只度量新能源并网的经济指标,很少考虑其随机不确定特性所带来的风险。总的来说,当前电力系统调度的复杂度主要体现在非凸、高维、多模的目标函数,大量等式、不等式约束,以及诸多随机不确定行因素的渗入等,这给电力系统调度模型的构建和优化算法的设计带来了新的挑战。因此,如何构建可靠、灵活的优化模型来衡量调度中的随机不确性因素,和设计实用、高效的优化算法得到最优调度解,是解决当前电力系统调度问题的关键,本文针对这一课题开展了相关的优化算法和调度模型研究。(1)针对电力系统确定性的经济调度问题,本文提出了自适应学习的群体搜素算法(self-learning group search optimizer, SLGSO),在不损坏算法全局搜索性能的基础上,有效的解决了群体搜索算法(group search optimizer, GSO)局部搜索效率不高的问题,使之能够较快的收敛到全局最优解。SLGSO是基于动物仿生学,即自然界的动物具有根据已有的成功信息,能够比较可靠的搜索到未知世界的食物。大量的标准函数测试分析验证了SLGSO具有良好的收敛性能。另外,该算法有效地解决了电力系统抽水蓄能调度问题。(2)针对智能算法的局部搜索和全局搜索能力难以权衡的问题,本文基于不同物种动物之间的捕食-逃跑的动态交互行为,提出的一种群体搜索算法,即进化捕食策略(evolutionary predator and prey strategy, EPPS)。该算法首次引入经验捕食者、策略捕食者、被捕食者和安全位置的概念来设计优化算法。通过对20个复杂的标准测试函数和3个实际问题的仿真测试,仿真结果验证了EPPS的普适性和有效性。此外,EPPS也为智能算法的设计和发展提供了新的研究思路。(3)针对电力系统随机不确定性的优化调度问题,本文基于经济学投资组合的理论,提出了多目标均值-方差-偏度(mean-variance-skewness, MVS)的优化模型,来度量随机不确定因素给电力系统调度带来的风险和效益。然后我们提出了多目标的进化捕食策略(multiple preys based evolutionary predator and prey strategy, MPEPPS)来求解该多目标优化问题,进而得到帕累托解集。最后我们使用多属性决策方法(the technique for order preference by similarity to an ideal solution, TOPSIS)来确定最终的调度方案。本章目的就是构建一个灵活、可靠的模型同时从经济指标和风险指标衡量随机的调度问题；然后提出一个有效的多目标优化算法来优化各种可能的随机因素,进而得到可供选择的帕累托解集。通过对改进的IEEE 30节点考虑不确定性风电并网和随机负荷的系统进行仿真,结果验证了MVS和MPEPPS度量和求解随机调度问题的可靠性和有效性。(4)针对风电并网的优化调度问题,本文将随机不确定的风电构造为概率区间变量,提出了概率区间优化(probability interval optimization, PIO)模型。PIO模型将风电并网前后的系统花费的差值作为风电并网后的收益,用风电的分布概率度量其并网所带来的风险,进而构造以条件期望为优化目标的PIO模型。该模型同时考虑了风电并网给电力系统调度带来的效益和风险,而且该模型无需对风速进行大量采样来模拟其真实分布或计算复杂的多目标优化问题。然后我们用PIO模型来度量风电并网的IEEE30节点的电力系统,并用EPPS优化该模型,仿真结果证实PIO模型的可靠性和EPPS算法的有效性。另外,PIO模型也为构建新能源并网的调度模型提供了科学参考。