在现代电力系统规划和运行调度中，经济负荷分配（Economic Dispatch, ED）是一项重要的优化问题。其核心目标是在满足一系列约束条件的前提下，找到一种负荷分配方案，使得系统中的总购电成本最小化。该问题的传统求解方法包括线性规划法、动态规划法、拉格朗日乘子法等，但这些方法往往要求目标函数连续可微，难以应对电力系统高维、非线性及复杂约束条件的特性。近年来，随机搜索算法由于其对问题求解的限制较少，逐渐被引入到各类优化问题中，其中粒子群优化算法（Particle Swarm Optimization, PSO）就是其中一个代表性算法。
粒子群优化算法是一种基于群体智能的计算智能方法，由于其算法简单、实现容易、参数调整不多，因此在电力系统的应用日益广泛。PSO 算法模拟鸟群觅食的行为，通过个体之间的信息共享来寻找最优解。在电力系统的经济负荷分配中，每个粒子代表着一种可能的负荷分配方案，粒子群算法利用个体经验与群体经验来优化解。
然而，基本的PSO算法存在若干局限性，诸如初期搜索精度较低、后期收敛速度缓慢以及容易陷入局部最优解等问题，这些都影响了算法在实际应用中的性能。为了解决这些不足，本研究提出了一种改进的粒子群算法。通过引入高斯算子（Gaussian Operator）和交叉算子（Crossover Operator）来改善PSO算法的性能。这种方法在保持算法简洁性的同时，有效地提升了优化过程的收敛速度和全局寻优能力。
文中所提的改进粒子群算法，首先在速度和精度上满足了电力系统经济负荷分配计算的要求，其次所提出的混合粒子群算法实现了算法熟练度的提升。高斯算子的引入有助于算法在局部搜索中的精细调整，而交叉算子的运用则是为了增强算法的全局搜索能力，确保在多变的电力市场环境中，粒子群能够更加灵活地跳出局部最优，探索到全局最优解。
在电力市场现货交易中，经济负荷分配问题的研究尤为重要，现货交易是指提前一天甚至一个小时进行的电力电量交易。在这些交易中，火电机组的上网电价通常会根据竞价上网的结果来确定，这种交易模式下的经济负荷分配问题就更加复杂。为了适应这种复杂的交易环境，提出的新方法是将基本粒子群算法与遗传算法、进化规划算法进行有机结合，提出了新的混合粒子群算法。通过这种算法，能够有效地解决具有复杂约束条件的经济负荷分配问题。
文章中还介绍了经济负荷分配的数学模型，包括目标函数的定义。目标函数的设计通常是基于电力市场的经济因素，如在电力市场中，目标函数可以是全天购电费用最小。此外，研究者们对相关算法进行改进时，也会关注算法的收敛性、全局搜索能力以及速度等指标，以确保在电力系统经济负荷分配问题上能够高效且准确地找到最佳方案。
文章通过算例结果证明了所提出方法的有效性。在给定的测试案例中，该改进粒子群算法在解决电力系统经济负荷分配问题上，表现出良好的性能，能够快速且准确地找到满足条件的最优解。通过文献标识码、文章编号等信息，本研究为电力系统优化领域提供了一种新的思路和工具。
