💥1 概述
近几十年来，越来越需要快速解决多目标最优潮流（MOPF）问题[2]，[3]，以便在现代电力系统中更有效地运行和规划[4]。MOPF可以理解为约束单目标最优功率流（OPF）[5]的扩展，旨在最大限度地降低电力系统的总发电成本，同时满足供需之间功率平衡的需求，但受制于发电机有功和无功功率的运行限制[6]， 以及整个系统的安全性。
MOPF通常通过使用多目标优化（MOO）[7]算法来解决，该算法考虑了具有不同权衡水平的几个相互冲突的目标[8]。因此，MOPF提供了一组最优解，而不是传统OPF中的单个最优值。MOPF的最优解集对应于不同的权衡水平，通常被称为帕累托最优解（PoSs）[8]，其中每个PoS对应于由不同目标形成的目标空间中的一个点，所有这些点的形状称为帕累托锋（PF）。用户可以明智地决定哪一个权衡水平以及PF上最适合电力系统目标的相关最佳点。
根据[9]–[12]，求解MOPF的优化技术可分为两组：1）数学规划方法和2）启发式算法。
即使在处理大规模MOPF时，数学规划方法[13]通常计算速度也很快，并且通常每次都可以稳定地获得最佳解。然而，这些方法基于导数的使用，并且很容易被捕获到局部最优中。此外，对于非凸问题，它们可能不会收敛到全局最优值。
本文分别研究了三个聚合目标函数（AOF），即加权和切比切夫和加权Lk度量。本次只讲解算法。
📚2 运行结果
🎉3 Matlab代码实现
% Plot the Pareto Front figure(1); plot(PF(:,1), PF(:,2), 'rs'); hold on xlabel('\it f_{1}(x) = x'); ylabel('\it f_{2}(x) = 5e^{-x} +2e^{-0.5(x-2.1)^{2}}'); title('Pareto Front Example - Tschebysheff');
智能算法及其应用专栏
👨💻4 参考文献
C. Xiao, D. Sutanto, K. M. Muttaqi and M. Zhang, "A Judicious Decision-Making Approach for Power Dispatch in Smart Grid Using a Multiobjective Evolutionary Algorithm Based on Decomposition," in IEEE Transactions on Industry Applications, vol. 56, no. 2, pp. 1918-1929, March-April 2020, doi: 10.1109/TIA.2019.2960478.
MOPF通常通过使用多目标优化（MOO）[7]算法来解决，该算法考虑了具有不同权衡水平的几个相互冲突的目标[8]。因此，MOPF提供了一组最优解，而不是传统OPF中的单个最优值。MOPF的最优解集对应于不同的权衡水平，通常被称为帕累托最优解（PoSs）[8]，其中每个PoS对应于由不同目标形成的目标空间中的一个点，所有这些点的形状称为帕累托锋（PF）。用户可以明智地决定哪一个权衡水平以及PF上最适合电力系统目标的相关最佳点。
根据[9]–[12]，求解MOPF的优化技术可分为两组：1）数学规划方法和2）启发式算法。
即使在处理大规模MOPF时，数学规划方法[13]通常计算速度也很快，并且通常每次都可以稳定地获得最佳解。然而，这些方法基于导数的使用，并且很容易被捕获到局部最优中。此外，对于非凸问题，它们可能不会收敛到全局最优值。
