计算智能技术，如进化算法、模糊逻辑、神经网络、免疫算法等在电力系统中的应用一直是国内外许多学者热衷的研究方向，现在它们的应用几乎遍及了电力系统的各个方面。电力系统发展至今，仍然存在尚未解决或未完善解决的问题，电力系统中所存在的问题多数具有非线性、时变、模糊和复杂的特点，这些特点为计算智能在电力系统中的应用研究提供了广泛的前提。针对有些计算智能技术解决复杂问题时所遇到的不足，近年来，国际上逐渐流行起了以各种计算智能技术优势互补为基础的混合系统，如进化神经计算、模糊神经网络、混合进化计算等，这些系统都较好的克服了原始单个系统或者算法的不足，明显增强了计算智能技术在电力系统中的应用潜力和效率。所以，对各种基于计算智能技术的混合协作系统和算法的发掘将是今后一个时期计算智能及计算智能在电力系统中的应用的发展方向。本论文围绕这一课题展开了全面的研究和探讨，主要成果有： 1．通过对混合计算智能算法及其结构的归类与综述，引入了一种混合智能计算方法的统一结构，并对其若干关键问题进行了分析探讨，以为后续内容中混合算法的设计与应用提供指导性原则； 2．基于改进局部寻优性能的考虑，提出了一种改进的家族优生学的进化算法，将模拟退火算法思想结合进家族优生学进化算法。新的混合算法既利用了正交算子在家庭层次的的引入来保证算法的极高寻优效率，又利用模拟退火思想避免了陷入局部最优的几率。将算法应用于电力系统的故障诊断问题的解决，取得了满意的诊断结果。 3．将免疫算子的机理结合到遗传算法的多目标寻优中，提出了一种多目标免疫遗传的混合智能算法。算法在保留原有遗传算法的优良特性的前提下，力图有选择、有目的地利用待求问题中一些特征信息或先验知识，抑制或避免求解过程中的一些重复或无效工作，以提高算法的整体性能。对电力系统的PMU 优化配置问题的应用结果表明了算法的良好性能。 4．提出了一种量子进化算法的构建方法并给出了讨论了具体流程和关键算子的实现。在此基础上，针对电力系统无功优化问题的复杂性，提出了一种综合量子进化算法和传统的内点法的混合策略，将无功优化问题分解为两个不同特点的子问题，并采用量子进化算法和内点法交替求解，在迭代的不同阶段，针对具体情况进行了算法的动态调整。对不同节点系统的仿真结果表明，提出的混合策略充分利用了量子计算、进化算法与内点法的优点，在计算速度和优化效果方面相较其它算法都具有明显的优势。 5．在对支持向量机的参数性能进行分析的基础上，引入免疫算法来对支持向量机进行参数选择优化，并分析了粗糙集理论方法与免疫支持向量机的优势和互补性，提出了一种免疫支持向量机与粗糙集结合的混合策略应用于电力系统的短期负荷预报工作。利用粗糙集理论在处理大数据量、消除冗余信息方面的优势，精简优化支持向量机的训练数据。而免疫算法对参数的优化选择进一步提高了支持向量机的预测性能与精度。通过实例来验证了混合智能算法的预测能力优于简单的支持向量机预测。