针对高比例可再生能源接入下电力系统输配协同调度存在的经济性、安全性和计算效率难题，提出一种多时段优化模型及自适应改进灰狼优化 (adaptive improvement grey wolf optimization, AIGWO) 算法。首先，建立了综合考虑经济成本、环境代价与安全风险的三维目标函数体系，并完整计及机组爬坡、储能充放电时序约束及网络安全边界条件；在此基础上，设计了非线性自适应收敛因子动态平衡全局搜索能力、知识引导种群初始化提升解的质量、混合二进制-实数编码协同优化连续/离散变量这 3 项创新机制，以解决传统算法收敛效率低及离散决策空间处理缺陷。基于改进IEEE 33 节点系统进行分析验证，结果表明：与标准灰狼优化算法、粒子群优化算法、混合整数规划及深度 Q 网络相比，AIGWO 将总成本降低 1.72%~5.03%，线路越限量减少 89.2%~93.5%，电压越限量降低 82.4%~90.3%，计算时间缩短 9.32%~94.22%。该算法为高波动性源荷场景下的输配资源协同优化提供了高效解决方案。

To  address  the  economic,  security,  and  computational  efficiency  challenges  in  transmission-distribution coordinated dispatch with high renewable energy penetration, a multi-period optimization model and an adaptive improved grey wolf optimization (AIGWO) are proposed. First, a three-dimensional objective function framework is established by comprehensively  considering  economic  cost,  environmental  penalty,  and  security  risk,  with  complete  modeling  of  unit ramping  constraints,  energy  storage  charging-discharging  time-coupled constraints,  and  network  security  boundary conditions.  On  this  basis,  three  innovative  mechanisms  are  designed:  (1)  a  nonlinear  adaptive  convergence  factor  to dynamically  balance  global  exploration  capability,  (2)  knowledge-guided  population  initialization  to  improve  solution quality,  and  (3)  hybrid  binary-real  encoding  to cooperatively  optimize  continuous  and  discrete  variables,  thereby overcoming  the  low  convergence  efficiency  and  poor  discrete  decision  space  processing  of  conventional  algorithms.Experiments  are  performed  on  a  modified  IEEE  33-bus  system  for  verification.  Results  show  that  compared  with  the standard  grey  wolf  optimization,  particle  swarm  optimization,  mixed  integer  linear  programming,  and  deep  Q-network,AIGWO  reduces  the  total  cost  by  1.72%~5.03%,  decreases  line  overload  violations  by  89.2%~93.5%,  lowers  voltage violations  by  82.4%~90.3%,  and  shortens  the  computation  time  by  9.32%~94.22%.  The  proposed  algorithm  provides  an efficient solution for coordinated transmission-distribution resource optimization in high-fluctuation source-load scenarios.