差分进化算法(Differential Evolution,DE)是一种新型的智能算法,凭借着原理简单,运行参数少等优点,被广泛的应用于解决各类优化问题,近年来,一些学者也将差分进化算法应用到电力系统经济调度(Economic Dispatch,ED)中来,但随着经济调度模型的不断完善和电力系统规模的增大,经济调度问题变成了一个非线性、非凸以及高维的问题,导致传统的差分进化算法在求解此类问题的时候会出现寻优结果精度低,容易陷入局部最优和收敛速度慢的情况。基于此,本文提出了两种改进的差分进化算法用来解决ED问题。首先,对DE算法的基本原理进行了研究,介绍了DE算法的4个操作流程,并且对DE算法的参数影响及优缺点进行了分析。研究了以系统的燃料费用最小为调度目标,并综合考虑负荷调度中的阀点效应、网络损耗功率、禁止区间以及机组爬坡限制等约束的电力系统静态经济调度模型,使建立的模型更加符合电力系统真实运行状态。其次,提出了一种多种群差分进化算法(A Differential Evolution Algorithm Based on Multi-Population,MPDE)。针对DE算法求解精度差和容易陷入局部最优的不足,MPDE算法采用了多种群协同进化方法,在多个种群中,每个种群都有自己的突变策略和优化参数以增强搜索能力。并且,设计了一种种群间的学习交流策略,单个种群的个体不仅能接收所属种群的信息,还能向其他种群中的个体进行学习,该策略促进了种群间的信息交换。此外,该算法还引入了正态分布函数来动态调整缩放因子和交叉速率,以增加参数的多样性。将MPDE算法应用到ED问题中,在13、40、80和140机组四个测试系统上进行了测试。仿真结果显示,与其他智能算法相比,改进的算法在求解经济调度问题时具有较高的精确度和稳定性。最后,提出了一种自适应加速收敛的DE算法(Adaptive Differential Evolution Algorithm Based on Multi-Population,AMPDE)。MPDE算法增强了算法的个体多样性,很好的解决了DE算法容易陷入局部最优的情况,但这也会影响算法的收敛性,导致算法的收敛速度减慢。针对此不足,本文在MPDE的基础上,通过引入个体之间的相关性分析,对远离最优体的个体通过自适应调节机制使其吸收当前最优个体的信息,向着更优秀的区域进化,减少了变异的盲目性,增强了MPDE算法的收敛速度和局部探索能力。为了测试AMPDE的综合性能,将其在6个基准函数和13、40、80以及140机组四个测试系统上进行了测试,与MPDE算法进行了对比,仿真结果表明,改进的算法在求解基准函数和经济调度问题时,相比MPDE算法具有高效的收敛速度。