差分进化算法(Differential Evolution Algorithm,DE)是一种新近发展的群智能优化计算方法,与其他智能优化方法相比,具有进化原理简单、控制参数少以及鲁棒性强等特点;借鉴自然界种群进化机制而设计的变异算子和交叉算子使其不需要借助外部特征信息就可以优化求解。因此,DE算法适合求解复杂高维的优化问题。火电厂负荷分配作为一种非线性多目标多约束的优化问题,利用基于解析数学的数学优化方法求解存在难以找到最优解和计算时间跨度大等缺点,因此,亟待设计新的高效的优化方法。DE算法由于独特的性能优势,被研究人员应用于求解火电厂负荷分配问题。本文将从三个方面展开研究:首先,改进DE算法的性能;其次,建立火电厂负荷分配的经济优化问题单目标数学模型以及经济与环境优化问题双目标数学模型;最后,将改进的DE算法应用于求解上述两种火电厂负荷分配问题。主要工作如下:(1)针对DE算法的性能改进,本文提出组合变异策略与参数自适应差分进化算法(Combining mutation strategy and parameter adaptive differential evolution algorithm,Co APDE)。根据子代遗传自父代种群和试验种群中的个体数目来设计缩放因子F和交叉率CR的自适应调整策略;同时,通过实验甄别出两种常规的较优秀的变异策略形成Co APDE算法的组合变异策略。通过CEC2014 30个标准测试函数评估,并与五种改进DE算法比较,实验结果表明,Co APDE算法具有较快的收敛速度和更强的寻优能力。(2)针对火电厂负荷分配的经济优化问题,建立火电厂经济负荷分配问题的单目标数学模型,并考虑将功率平衡等式和火电机组的有功功率限制作为约束条件。同时,利用Co APDE算法解决火电厂经济负荷分配的单目标优化问题,针对以下两种问题进行求解:考虑阀点效应和网络损耗约束值的3台发电机组问题以及只考虑阀点效益约束值的13台发电机组问题。实验结果显示,Co APDE算法针对该问题的优化可以降低燃煤消耗量,同时,可以减少网络损耗,能够得到满意的解决方案。(3)针对火电厂负荷分配的经济与环境优化问题,建立经济与环境负荷分配问题的双目标数学模型。同时,利用Co APDE算法求解火电厂十台火电机组的经济与环境负荷分配问题。根据火电机组的代价惩罚因子构建基于燃料消耗量数学模型和污染物排放量数学模型的双目标数学模型;同时,采用启发式策略修正不满足约束条件的个体解,并根据优先列表按最小值原则分配火电机组的输出电能。实验结果表明,Co APDE算法优化得到的解决方案不仅降低火电机组所需的燃料消耗量,而且减少污染物排放量。