智能电网,即传统电网的智能化,是现代科学技术的产物,具有优化性、互动性、兼容性、自愈性等优势。目前,关于智能电网的研究有很多,其中之一是最优化发电、用电问题,如经济调度、需求响应以及负荷分配优化等。针对这些问题,目前大多数研究一般采用智能算法、梯度下降算法以及神经动力学算法等来进行优化求解。需要注意的是,这些算法大多都是线性或指数收敛的,这意味着收敛到理论解的时间可能会比较长。然而,由于智能电网实际的规模庞大,对算法的求解速度有比较高的要求。在本文中,我们主要研究了智能电网中的经济调度和负荷分配问题,并提出了相应的加速优化算法来进行求解。（1）考虑到环境污染与经济成本等因素,将传统的煤炭能源与风能等清洁能源结合利用,在降低弃风率和碳排放的前提下,提出了一种热电联产与风力联合发电的优化调度模型来解决智能电网中的经济调度。通过协调优化各机组的出力,使智能电网系统的整体运行成本最小。在考虑输电损耗的情况下,将实际运行约束下的最优调度模型表示为非凸优化问题。基于一个充分条件,将原优化问题转化为一个凸优化问题。利用投影定理与激活函数,提出了一种时变参数有限时间投影神经动力学算法来求解该问题。通过李雅普诺夫函数和有限时间稳定性定理,证明了所提出的神经动力学算法在有限的时间内就可以收敛。最后,通过一个数值仿真对比实验,验证了所设计的神经动力学算法的优越性。与一般的投影神经动力学算法相比,所提出的神经动力学算法具有更快的收敛速度。（2）针对智能电网中的负荷分配,构建了一种智能电网分布式负荷分配优化模型。该模型建立了一个电力传输网络,考虑了发电设备的发电约束与输电线上的输电约束,并且使输电线上的传输功率保持一致,因而更接近实际情况。所提出的模型可以视为一个分布式的凸优化问题。同时,利用拉格朗日乘子法和KKT条件提出了一种固定时间分布式梯度算法来求解该分布式优化问题。在满足局部不等式约束条件的情况下,可以在固定的时间内获得所有局部目标函数和的最佳解。利用李雅普诺夫函数和固定时间稳定性定理验证了所提出的固定时间分布式梯度算法的收敛性。最后,通过与传统的分布式梯度算法的数值实验对比,验证了所提出的固定时间分布式梯度算法的优越性,在优化结果一致的情况下,收敛时间为一个固定值。