随着全球经济的飞速发展和工业化进程的加快,“电力”作为支撑各国实体经济发展的原动力起到了不可替代的重要作用,电力系统能否稳定安全运行已经关系到了国家经济安全的发展。而电力系统在运行和控制过程中具有很复杂的特性以及常存在一些约束,所以对电力系统的经济调度研究很有必要。但事实上,在快速发展的今天,以往环境经济调度研究已经满足不了各行各业对电力的需求了。在过去,主要采用以群体智能算法为主,以及一些基于数值计算法去解决环境经济调度问题。但是由于群体智能算法也存在一些缺点,导致在求解环境经济调度问题的全局最优值时容易陷入到局部最优当中。因此,通过研究群智能算法以提高算法在电力系统中的应用效率,对于控制电力行业的成本和污染来说具有重大意义。本文在量子粒子群算法的基础上引入了微分进化算子和遗传算法中的交叉算子,在交叉概率的更新中采用了自适应方法,给出了一种改进的量子粒子群算法,并将该算法应用于环境经济调度的问题中。本文通过在量子粒子群算法的基础上引入微分进化算子来提高该算法的全局搜索能力,同时引入遗传算法的交叉算子来确保QPSO(Quantum Particle Swarm Optimization)粒子群体的多样性、维护粒子整体的活力性以及克服了特殊情况下QPSO算法收敛的不稳定性和陷入局部最优的偶发性;在引入交叉算子的过程中,为了达到最佳的优化效果,需要合适的交叉概率p。为了得到合适的p值,本文基于自适应方法的基础上提出了一种改进的交叉概率修复方法,且收缩-扩张因子α采用了随着迭代次数的增加而线性减少的方法。最后,结合以上内容给出了改进后算法(Differential Evolution-Crossover Quantum Particle Swarm Optimization,DE-CQPSO)的详细计算步骤及其流程图,并通过使用几个标准测试函数来验证改进后算法的有效性。本文将改进后的量子粒子群算法应用于环境经济调度问题。首先通过选取三个关于环境经济调度问题的案例,包括两个静态调度和一个动态调度案例;其次,对比不同方法解决EED(Environmental Economic Dispatch)问题的效果,分为燃料成本和排放量的单目标优化对比、联合静态环境经济调度优化对比和联合动态环境经济调度优化对比,得到最佳的折衷值;最后对各个方法在优化电力环境经济调度过程中的收敛效率进行了分析,进一步证明改进方法的有效性。实验结果表明:在同时考虑燃料成本和排放的基础上,无论是在单目标优化还是多目标优化,DE-CQPSO算法的各个评价指标和收敛速度均优于QPSO及其他算法,且得到了更好的折衷值,从而验证了 DE-CQPSO算法在燃煤发电排放经济调度中的有效性和鲁棒性。