经济调度是电力系统安全稳定运行的保障。当前经济调度的研究已经从传统静态经济调度向着更加复杂且更加能贴近实际的方向发展。动态经济调度符合现实生活中不同时段电力需求各有差异的状况,对电力系统的调度提出了更高的要求。动态环境经济调度将环境因素考虑到传统经济调度模型中,并且考虑时间层面上不同时段用电需求的差异性,通过优化更好地满足节能环保的用电需求。本文提出了一种基于生物地理学更新策略的粒子群优化算法（Biogeographybased Learning Particle Swarm Optimization,BLPSO）,并用于解决静态经济调度问题。在BLPSO算法上引入了观察蜂局部搜索策略,提出一种基于局部搜索的生物地理学粒子群算法（BLPSO-OBS）,用来求解动态经济调度问题和动态环境经济调度问题。归纳起来,本文的主要研究成果如下:1.介绍了基本粒子群优化算法和一些改进的粒子群优化算法,包括全面学习粒子群算法、社会学习粒子群算法、骨干粒子群算法和高斯量子粒子群算法。在此基础上,提出了一种基于生物地理学更新策略的粒子群优化算法（BLPSO）。在BLPSO的基础上引入观察蜂局部搜索策略,给出了一种基于局部搜索的生物地理学粒子群算法（BLPSO-OBS）。2.将所提出的BLPSO算法用于求解静态经济调度问题。静态经济调度问题以发电成本为目标函数,即在满足各种约束的条件下高效地安排发电机组的电力输出大小,使发电系统的燃料成本最小。将BLPSO算法应用于求解静态经济调度问题,并设计约束处理方法保证解的可行性。在五个测试系统上进行测试,考虑了不同的约束条件,如传输损耗、禁止操作区域、斜坡速率限制、电力平衡约束和发电能力约束。通过与其它优化算法进行比较,验证了BLPSO算法在求解静态经济调度问题上的优越性。3.将BLPSO-OBS算法用于求解含电动汽车的动态经济调度问题。与静态经济调度不同,动态经济调度中考虑了多个时间段的电力需求,使得问题更加复杂。为了验证所提出的基于局部搜索的生物地理粒子群算法是否能够得到精度更高的解,在三个测试系统上进行测试,考虑了不同的约束条件,有传输损耗、斜坡速率限制、电力平衡约束和发电能力约束。通过与其它优化算法进行比较,表明BLPSO-OBS算法在求解含电动汽车的动态经济调度问题上的优越性。4.将BLPSO-OBS算法用于求解动态环境经济调度问题。动态环境经济调度问题同时考虑了环境效益和经济效益,使得问题进一步复杂化。本文通过惩罚因子多目标优化方法,将多目标问题转化成单目标问题。在6机组系统上与其它优化算法进行比较,从考虑燃料成本最低、污染排放最低以及综合考虑燃料成本和污染排放的消耗最低这三个方面,验证了BLPSO-OBS算法的性能。结果表明BLPSO-OBS算法在求解动态环境经济调度问题上的优越性。