目前,云计算技术已经广泛应用于电力系统中,各种电网调控软件陆续部署上云,以实现计算资源的弹性伸缩。然而,随着云环境中调控软件的数量不断增加,云内计算任务的数量也在不断增加,而处理任务的计算资源通常有限,一些任务由于不能获得资源而被延迟处理。尤其是在电网发生故障时,大量与故障处理相关的重要任务涌入云环境,导致一些重要任务无法按时完成,从而造成经济损失甚至安全事故。因此,设计一种高效的任务调度机制,使云环境中的海量任务得到合理的资源分配,对于保障电力系统的安全稳定运行具有重要意义。本文针对云计算模式下电力系统调控软件的任务调度问题,着重探讨能解决这一问题的任务调度模型、在线调度算法及调度性能提升方法。主要研究工作如下:（1）提出一种考虑调控任务多重属性的调度模型。具体包括建立考虑独立任务和工作流的任务模型;建立考虑服务实例与物理机资源约束的资源模型;建立考虑固有重要程度、松弛度和是否处于关键路径三项因素的任务重要程度模型,设计用于评估任务重要程度的效用函数。此外,设计了针对任务处理时长和资源使用量两类数据的数据收集方法,为任务调度提供数据支撑。（2）基于（1）中的任务调度模型和调控业务的需求,提出一种考虑任务重要程度动态变化的在线调度算法。首先,提出一种适用于电力系统调控软件的调度器框架;然后,提出了一种包含正常分配、资源预留、抢占式调度三种调度机制的在线调度算法;接着,提出了用于评估算法性能的五项指标;最后,提出一种基于统计学习的效用函数权重初值选取方法。通过一个电力系统调控软件对所提算法进行了验证,仿真结果表明,与先来先服务算法、最早截止时间优先算法、最小松弛度优先算法、固定优先级调度算法四种在线调度算法相比,所提算法在各项性能指标上均表现出显著优势,可以实现高效任务调度。（3）为提升（2）中所提调度算法的性能,提出一种基于Q学习的调度性能提升方法,其中Q学习是强化学习中的一种时序差分方法,适用于实时性较高且环境模型未知的场景。建立任务调度问题的强化学习模型,具体包括将效用函数的权重系数选取表示为动作,将当前待处理任务的特征表示为状态,建立了用于评估动作效果的回报函数。设计了基于Q学习的动作迭代过程,提出了可以实现权重系数离线学习与在线更新的调度器架构。通过一个电力系统调控软件对所提调度性能提升方法进行了验证,仿真结果表明,该方法可以有效提升调度性能,各项性能指标均得到一定程度的提高。