近年来,我国电力工业高速发展,发电装机容量和年发电量跃居世界领先地位。针对电力工业这样的超大型企业,提高运行效率,力争达到运行优化,将会带来巨大的经济效率。因此,电力系统优化运行问题的研究显得越来越重要和迫切;如何在已有研究成果的基础上继续完善、改进和探索收敛速度快、适应性强的电力系统优化调度模型及其算法,具有巨大的经济和工程意义。 群集智能计算和多智能体技术都是近年来人工智能领域探讨的热门方向,它们已经在许多领域得到了成功的应用,显示了较强的发展潜力。因此,本文对群集智能计算与多智能体技术进行了研究,并且对两种技术的结合在电力系统优化运行中的应用进行了深入的探讨。全文的内容主要包括以下几个章节: 第一章节详细介绍了群集智能计算和多智能体技术的研究现状及其在电力系统中的应用前景,阐述了本课题的研究意义。最后,阐明了本课题的主要任务。 第二章节针对两种群集智能优化算法的不足,提出了改进免疫算法和改进粒子群优化算法。两种算法通过收敛性分析可知,若能恰当地选择算法的控制参数,其计算速度、计算精度和算法收敛性均能得到显著的提高。通过一系列典型标准函数的测试,结果表明两种改进的算法均可以显著地提高计算效率和计算精度,算法收敛性较好。 第三章节应用改进免疫算法求解电力系统最优潮流问题和改进粒子群优化算法求解电力系统机组组合问题。在求解最优潮流问题时,提出了动态调节罚函数的方法,有效解决了求解过程中约束条件违限的问题;在对机组组合问题的求解过程中,首先将机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,使其适合改进粒子群优化算法进行求解。针对不同电力系统优化运行问题的求解,两种算法均显示了较强的寻优能力,具有实用价值。 第四章节将粒子群优化算法结合在一个多智能体系统中,提出了一个全新的粒了群优化算法的多智能体系统,并应用它来求解电力系统无功优化问题。该系统中的每一个Agent相当于粒子群优化算法中的一个粒子,它们“居住”在一个格子环境中,每个Agent通过与其邻居进行竞争与合作操作、自学习操作,并且结合粒了群优化算法的进化机理,能够对求解的优化问题快速、准确地收敛到全局最优解。同时在求解无功优化问题时,提出了一种简单易行的“切割”方法,在不影响系统寻优的