多目标粒子群算法是一种用于解决多目标问题的新型优化方法，电力系统中的很多问题都具有多个目标。论文针对环境经济调度问题的特点，研究基于粒子群算法的各种改进算法对环境经济调度问题的求解策略，将多目标粒子群算法应用于电力系统中，可以为电力系统的运行与控制提供多种可行方案，决策者可根据不同的偏好从中确定最终的方案。论文研究内容的主要包括：　　 首先，主要介绍了电力系统环境经济调度问题的数学模型以及多目标最优化问题的基本概念，根据粒子群优化算法的特点，通过对粒子群算法的全局极值和个体极值选取方式的改进，采用一种改进多目标粒子群优化算法求解电力系统多目标优化问题。　　 其次，在改进的多目标粒子群算法的基础上，采用一种基于差分演化的改进多目标粒子群算法求解电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性；通过循环拥挤距离来控制归档集中非劣解的分布，以提高对种群空间的均匀采样，使其更逼近Pareto最优前沿。仿真结果表明能够得到测试函数较为准确的Pareto曲线，验证了该算法求解多目标优化问题的有效性。　　 再次，提出一种基于文化算法的改进多目标粒子群算法求解电力系统环境经济调度问题。算法中群体空间采用多目标粒子群优化算法进行演化；信念空间通过对形势知识、规范化知识和历史知识三种知识的重新定义使之符合多目标优化问题的知识描述和更新；信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现。算法采用循环拥挤排序算法来增加Pareto前沿的均匀性和多样性；通过自适应调整策略控制群体空间中多目标粒子群算法的演化进程。多个多目标标准测试函数的仿真结果表明：与其他基于种群的多目标优化算法相比，改进的多目标文化算法能够在保持Pareto最优解多样性的同时具有很好的均匀性和收敛性。　　 最后，分析了三种改进粒子群算法在多个多目标测试函数的收敛性和多样性，并与其它文献的多目标优化算法相比较。同时，采用改进的粒子群算法对电力系统的多目标问题进行求解，并以IEEE30BUS，6机组电力系统为例进行仿真，通过与文献结果的比较，表明本文提出的三种改进多目标粒子群算法求解电力系统EED问题具有可行性和有效性。