通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

随着新能源电力比重的快速增长，风 光 储 互 补 发 电已成为我国电力供应的重要组成部分。本文提出一种针 对风光储微网系统的能量优化管理策略。综合考虑系统运 行成本、蓄电池寿命损耗成本和购电环境成本，建 立 经 济 调度模型；以综合发电成本最低为目标，考 虑 出 力 约 束 和 安全性能约 束，利用粒子群优化算法对该模型求解，产 生 能量管理策略的调度参数，实现功率优化调度。在 不 同 天 气条件下，对本文策略和常规策略进行了算例对比，验 证 了优化效果。基 于 算 例 数 据，进一步讨论了蓄电池充放电 深度和次数对 寿 命 的 影 响，并证明在本文策略中蓄电池的 使用寿命较长。

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。

 针对光伏阵列在阴影下具有多个最大功率点，而传统的优化算法不能有效跟踪全局最大功率点的问题，提出了一种基于粒子群优化算法的跟踪算法，在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明：该控制算法不仅具有跟踪速动快、稳态精度高的特点，而且能够跟踪全局最大功率点，比传统的优化算法更有优势。