摘要：传统的电力系统经济调度(economic dispatch,ED)方法通常将整个系统内的发电机组视为一个整体进行优化。然而,随着电力系统规模的不断扩大,单一系统内的电力调度逐渐受到局限,为此,现代电力系统通常被划分为多个区域,每个区域通过联络线实现电力的传输与交换。这种多区域的经济调度(multi-area economic dispatch,MAED)在数学模型上尤其复杂,特别是当需要考虑阀点效应、多燃料选择以及联络线传输容量等多重约束时,问题就演变为一个涉及多约束、多模态、非线性与多变量耦合的高度复杂的优化问题。为了解决这一挑战,本文提出了一种名为FV-ICLPSO的改进型综合学习粒子群优化算法。针对传统CLPSO算法收敛速度较慢的缺点,FV-ICLPSO引入了三项关键改进:1)设计了一种自适应策略,根据算法的迭代进程和问题的维度动态调整学习概率,以增强算法的全局搜索能力;2)提出了一种自适应粒子选择方法,赋予不同适应度等级的粒子以不同的选择范围,从而优化其学习范例的选择;3)改进了速度更新公式,通过引入基于遗忘先前速度的机制,促使粒子向更有潜力的区域移动。为了验证FV-ICLPSO的性能,本文首先在30个CEC2014基准测试函数上进行了广泛的实验对比分析,随后将其应用于具有3区域10机组系统和4区域40机组系统的MAED问题中。仿真结果表明,与传统的CLPSO算法和其他几种极为优异的优化算法以及近年来相关文献中的几种算法的结果相比,FV-ICLPSO在解的质量、收敛速度、鲁棒性和统计显著性方面都表现出了显著的竞争力。