编辑推荐：
为解决多目标最优潮流（MaO-OPF）问题中收敛、多样性及计算效率难题，研究人员提出精子群优化（SSO）算法。经与 NSGA-III、RVEA 等对比，MaOSSO 在 IEEE 系统中收敛更快、耗时更少，能优化多目标并维持帕累托前沿多样性，为电力系统优化提供新方案。
在现代电力系统中，随着全球能源需求的增长和环境问题的凸显，如何高效优化电力系统运行成为关键挑战。多目标最优潮流（MaO-OPF）问题需要同时平衡有功 / 无功功率损耗最小化、电压稳定性提升、排放减少、运行成本降低等多个相互冲突的目标，传统优化算法在处理高维、多面的目标空间时，普遍存在收敛速度慢、解的多样性不足以及计算效率低等问题。为了应对这些挑战，来自喀麦隆杜阿拉大学等机构的研究人员开展了相关研究，其成果发表在《Scientific Reports》上。
研究人员提出了一种基于生物启发的精子群优化（SSO）算法，即多目标精子群优化算法（MaOSSO），用于解决 MaO-OPF 问题。该研究旨在开发一种能有效平衡探索与开发、提升解质量和计算效率的优化框架。
研究中主要采用的关键技术方法包括：将自适应多样性机制与群体智能超动态控制相结合；利用基准测试套件（如 DTLZ 和 MaF）对算法性能进行评估；在 IEEE 30、57、118-bus 等真实电力系统中进行验证；通过超体积（HV）、逆世代距离（IGD）、世代距离（GD）、分布度（SD）和运行时间（RT）等多指标对算法性能进行综合评价；还运用了模糊决策机制来确定最佳折中解（BCS）。
算法设计与理论基础
MaOSSO 算法受生物受精过程中精子群行为的启发，模拟精子的标准速度、减速和战术速度三种运动模式，通过动态调整速度和位置，实现对高维目标空间的高效搜索。算法将每个精子细胞视为潜在解，通过个体与群体的信息交互，平衡探索新区域和开发已知优解的能力。其数学模型中引入了温度（35.1–38.5°C）和 pH（7–14）等生理参数，通过对数变换调节精子速度，增强算法的适应性和稳定性。
基准测试与性能评估
在 DTLZ 和 MaF 基准测试中，MaOSSO 与 NSGA-III、RVEA、NMPSO、MOEA/D-DE 等算法相比表现优异。在 GD 指标上，MaOSSO 在 21 个测试案例中 15 次最优，显示出更强的收敛精度；SD 指标上 14 次表现最佳，表明其能有效维持解的多样性；HV 指标在 12 个配置中最大，说明其对帕累托前沿的覆盖更全面；RT 指标上耗时最少，计算效率显著更高。例如，在 DTLZ3 问题中，MaOSSO 的解更接近真实帕累托前沿且分布更均匀，而其他算法存在聚类或间隙问题。
电力系统验证与对比分析
在 IEEE 30、57、118-bus 系统中，MaOSSO 在有功功率损耗（APL）、无功功率损耗（RPL）、燃料成本（TFC）、排放（TE）、电压偏差（VMD）和电压稳定性指数（VSI）等指标上均优于对比算法。例如，在 IEEE 30-bus 系统中，MaOSSO 使 APL 降低 15%，TE 降低至 0.159793 ton/h，RT 仅为 0.025 秒。与基于灵活交流输电系统（FACTS）和模糊进化算法的 OPF 模型相比，MaOSSO 在 HV、燃料成本和收敛时间上分别提升 15.2%、18.5% 和 21%。
研究结论与意义
MaOSSO 通过生物启发的多方向搜索策略，有效平衡了探索与开发，在多目标优化中展现出卓越的收敛速度、解的多样性和计算效率。其在真实电力系统中的成功验证，为解决现代电力系统中复杂的多目标优化问题提供了新的有效途径，有助于实现经济、环保和可靠的电力系统运行。尽管在超大规模系统中存在计算复杂度挑战，但该研究为后续算法优化和实际应用奠定了基础，对推动智能电网和可持续能源管理具有重要意义。
