电力系统在运转调度策略上，一般均以经济为导向。然而，由于环保意识日渐觉醒，同时考虑经济与环保的运转调度方式也渐受重视。在政府开放民营发电业加入市场的后，由于火力机组数量的增加，其污染排放程度势必与日俱增，未来将更加难以控制。因此，如何在发电运过程中降低污染排放量为当前重要课题。利用电力调度方式降低污染量为一种经济有效的防治方法。通常污染排放量可表示为发电量的非线性函数。　　本论文将污染量模型并入传统经济调度模式中，藉由调度各发电机输出电力的方式达到降低污染量的目的。论文中首先将燃料成本以及污染排放量各别的上、下限值以单一目标函数方式求解出来，再通过权值整合方法(weighted-sum method)求出不同负载情况下的调度解。由于其求解过程极花费时间，所以较不适合于实时线上电力调度方式。为使电力调度工作更适合于解制后的电力市场，本论文于脱机时段(off-line)建立同时考虑燃料成本与污染排放的电力调度数据库，再藉由径向基函数神经网络加以学习训练。当模式训练完成，几乎不花任何时间即能获得电力调度解。　　为验证所提出方法的可行性，本论文以两个测试系统进行研究，一为IEEE30个总线、六部发电机组系统，另一为电力345kV简化系统。其所获得的结果并与类神经网络的倒传递方法进行比较。由结果得知，本论文所提出的径向基函数神经网络不仅在学习的收敛速度上优于类神经网络，在预测精确度上也能获得满意的结果。本论文虽仅考虑单一污染量函数，未来可进一步应用于考虑多重污染物质的实时电力调度问题。