随着电力系统的不断壮大,电网的节点越来越多,电力系统中最优化问题的应用越来越频繁。常用的解决方法有经典数学方法和人工智能算法。传统的数值计算能够解决一部分电力系统的优化问题,但通常往往会碰到建模困难等问题。有时候需要花费很长的时间去优化某个模型,甚至有时候问题是无法得到解决的。智能算法对具体的数学模型要求程度低,应用更简便,但是对于高维、复杂、非线性问题的优化计算,其优化结果和优化时间往往很难直接应用于实际电力系统的运行当中。目前来看,风能和太阳能等可再生能源发电系统在电网中的渗透率逐渐增加。但由此带来的负载不确定性以及随后的电力生产波动也会给电力系统的运行和分配带来了新的挑战。因此文章建立起含风力发电机组和光伏发电机组的协同优化调度模型进行研究。随着低碳电力概念的提出,电网公司在电力传输的过程中也需要承担起一部分碳排放的责任,并在此支付一部分经济成本。利用碳排放流分析方法将发电侧的碳足迹转移到电网侧和用户侧,并以碳流的形式对发电侧、电网侧、用户侧进行碳排放责任分摊,从而制定出更有效的节能减排策略。因此,为了实现电力系统的低碳、节能和经济运行,本文把碳-能复合流放进了无功优化的目标函数中。为了快速求解上述两种模型,本文设计了多搜索器优化算法,并进一步结合了强化学习、深度学习和迁移学习,提出了迁移多搜索器Q学习算法。多搜索器优化算法在初始化的过程中采用了混沌理论,并且含有全局搜索器和局部搜索器两种不同类型的搜索器,可以极大提高对问题的搜索效率。迁移多搜索器Q学习算法利用二进制等技术对连续的变量和离散的变量做了初始化处理,有效地对动作-状态空间进行维度的降低,避免了“维度灾难”。在进行信息矩阵迁移的过程中,采用了长短期记忆神经网络技术对信息矩阵进行了预学习,充分利用历史优化信息进行新任务的优化,减少优化时间。最后通过标准算例及实际工程算例证明所提算法的有效性,具有一定的理论价值和工程意义。