节能发电调度是电力行业节能减排的重要环节，是节能减排的重要工作之一。本文主要研究节能发电调度的中短期调度计划和AGC实时调度两种模型。中短期调度计划的数学模型已较为成熟，本文针对以机组煤耗量最低为优化目标，提出一种新型进化算法：群搜索优化算法GSO；而AGC实时调度模型是目前的研究难点所在，本文通过研究互联电网CPS考核的方式与特点，提出AGC总功率指令的优化分配实现节能调度，并运用基于强化学习的若干人工智能算法对AGC系统进行实时控制。首先针对节能发电调度中短期调度计划的有功负荷分配，提出以机组煤耗量最低为优化目标，运用群搜索优化算法GSO进行求解。为验证GSO算法的效果，在算例研究当中，通过3机组模型对GSO算法的寻优能力和计算稳定性均进行详细研究，并通过10机组模型对GSO算法在高维度运算空间的性能进行研究。计算结果显示，GSO算法具备较强的寻优能力，并且收敛性较好。在3机组系统中的煤耗量比遗传算法低0.22%，在10机组系统中煤耗量比遗传算法低1.1%。然而节能发电调度的实时控制是当前工程及科研领域的难点，本文提出通过AGC系统总功率指令的动态优化分配实现节能发电调度。在经典Q学习的基础上引入了多步回溯Q(λ)算法，通过IEEE经典两区域互联电网的AGC系统的仿真，研究多种分配策略如何控制机组跟踪负荷曲线，着重研究在一天模拟负荷曲线下的各机组煤耗量优化效果。结果显示Q(λ)算法在CPS考核指标和机组煤耗统计上展现出较佳控制效果，比传统算法的煤耗量低0.49%。最后对于大规模互联电网机组数量的增加可能导致的维数灾问题，本文提出分层Q(λ)算法针对机组类别进行初次分配，再对组内的各机组进行二次分配。研究结果显示分层策略有效减少了Q(λ)算法的搜索空间维度，获得良好的实时控制性能，比传统算法的煤耗量低0.564%，证明了在多机组大规模互联电网应用分层强化学习的可行性。本论文的研究得到国家自然科学基金项目（50807016，51177051），中央高校基本科研业务费（2012ZZ0020），清华大学国家重点实验室开放项目（SKLD10KM01）资助。