鉴于化石燃料火电厂排放大量温室气体和污染物对环境问题带来的不利影响,可再生能源发电（RGs,renewablegenerations）的大量普及和插电式电动汽车（PEV,plug-inelectricityvehicle）的大规模使用为人类应对气候变化挑战起到了积极作用。然而PEV和RGs的大规模集成直接影响电网供需平衡,给电力系统的安全经济运行带来挑战。一方面,由于PEV用户充电行为具有很大的随机性,其大规模接入电网会给电网带来极大的不确定性负荷,从而给电网运行的安全性和稳定性带来挑战。另一方面,由于RGs很大程度上取决于天气情况的特点,RGs的不确定性也给电网的运行和控制带来了巨大的挑战。因此,RGs和PEV这些新能源因素无疑极大增加了电力系统调度问题的复杂性,如何很好的求解这类问题是顺应新时代绿色能源发展大趋势下的必然要求。因此,本研究提出一种新的并行社会学习粒子群优化算法框架,用于解决RGs和PEV集成接入电网的大规模电力系统调度问题。该算法框架将实值和二进制数的决策变量相结合,并针对RGs和PEV分别提出了相应的调度策略,旨在解决考虑RGs集成的PEV充放电管理的大规模混合整数机组组合（UC,Unit commitment）问题。为了验证该算法的有效性,本文对多尺度机组数和RGs以及PEV的不同应用场景下的UC问题进行了数值算例分析。结果表明,提出的并行社会学习粒子群优化算法框架在解决考虑新能源因素影响的UC问题方面具有良好的性能。此外,案例研究表明,插电式电动汽车充放电智能管理策略以及针对RGs的重调度策略在缓解电网负荷以及间歇性风力发电对电网运行造成的负面影响方面具有巨大潜力,并可带来可观的经济效益。本文具体内容如下:（1）提出了一种新的考虑RGs和PEV等新能源因素影响的大规模UC问题模型,该模型既考虑了 RGs的不确定性给电网带来的负面影响,又考虑了 PEV的智能充放电管理。（2）为了解决上述问题,建立了一种新的基于社会学习粒子群优化的二值与实值并行框架,并在并行框架内实现对机组出力的调度以及PEV充放电的智能管理。（3）针对RGs的不确定性,建立了考虑实时风力发电的电力系统主动重调度模型。设计了风电不确定性不同应用场景的评价指标,并据此对电力系统进行重新调度,以此来缓解RGs的不确定性对电力系统调度带来的负面影响。（4）在考虑不同RGs和PEV的应用场景的情况下,通过大量实验验证了本文所提算法框架以及调度策略的有效性,并分析了 RGs和PEV对减轻电网负荷和降低电网经济成本的影响。