电力系统经济调度(Economic Dispatch,ED)是在满足电力系统中多种实际约束的情况下求解使系统发电成本或燃料费用最低的调度方案的优化问题,对电力系统的经济运行有重要影响。ED问题的数学模型具有大规模、非凸性的特性,传统优化算法容易收敛于局部最小值,其求得的调度方案的燃料成本远未达到理想水平。本文引入并改进了一种集群智能优化算法,尝试通过设计专属的强化策略、并结合现有的电力调度知识为其设计特殊的约束处理机制以提升算法性能、求得经济成本更低的调度方案。首先,本文引入了布谷鸟搜索(Cuckoo Search,CS)算法,并设计了一种具有两种强化策略的全维度学习布谷鸟搜索(Comprehensive Learning Cuckoo Search,CLCS)算法。针对CS的种群进化不平衡问题,本文设计了重复消除策略,采用精英策略的思想,消除进化过慢的个体,从而提高了算法的进化效率。针对ED问题的高维多极值环境,本文应用了全维度学习策略。该策略引入维度信息构建的学习模型,使得算法的种群中的每个个体能在各个维度从不同的个体中学习优质经验,提高了算法的全局搜索能力。其次,本文将CLCS算法引入ED问题,并提出了初始解生成方法扰动Lambda法(Chaos-Lambda Method,CLM)方法。CLM基于传统经济调度中的增微增率原则,通过Lambda系数与功率的拟合公式在最优解的理论邻域内生成解。CLM能够缩减智能算法的搜索空间,降低搜索复杂度。此外,本文采用松弛变量法对解进行直接修复,同时提出了一个基于CLM的修复方法来修复违反约束的不可行的解,能在系统有大量约束的情况下,保证解的可行性。然后,本文进一步将CLCS引入热电联产系统的经济调度(Combined Heat and Power Economic Dispatch,CHPED)问题中。热电联产系统是将电能与热能协调生产、利用以提高能源效率的混合能源系统。在CHPED问题中,需要同时考虑热能和电能各自的供求关系并保持供需平衡,此外还有热电机组非凸性可行区间等多种约束。本文将CLCS算法引入热电联产经济调度问题中,并设计了多个针对电能、热能双变量约束的处理机制。最后,本文选取了国际上具有广泛认可度的多个电力系统模型与热电联产系统模型进行数据测试,并与数十种时下的顶级算法从搜索性能、鲁棒性、计算速度三方面的进行了对比。在每一个测试中,CLCS算法都在所有方面取得了最好的表现。尤其是在一些大规模模型测试中,CLCS显示出了每年节省百万甚至千万美金燃料成本的潜力。