可再生能源（RESs）的日益普及，加之其发电特性的不确定性以及相互冲突的经济、环境和技术目标，显著增加了经济-环境-技术调度（EETD）问题的复杂性。尽管文献中已有大量关于最优潮流（OPF）和经济排放调度（EED）的研究，但考虑随机可再生能源发电的综合多目标E

　　可再生能源（RESs）的日益普及，加之其发电特性的不确定性以及相互冲突的经济、环境和技术目标，显著增加了经济-环境-技术调度（EETD）问题的复杂性。尽管文献中已有大量关于最优潮流（OPF）和经济排放调度（EED）的研究，但考虑随机可再生能源发电的综合多目标EETD研究仍然有限。许多现有的基于帕累托（Pareto）的方法仍然表现出收敛性不足、解多样性差以及折衷解质量低的问题。为解决这些局限性，研究人员提出了多目标增强型蜂蜜形成优化（MO-EHFO）算法，用于集成可再生能源的EETD。在保留原始HFO五阶段基本结构的同时，MO-EHFO算法集成了基于档案、混沌和动态选择性改进，以优化各阶段的种群多样性、搜索能力和收敛性能，采用帕累托一致的方法。在改进的IEEE 30节点系统上进行的九项案例研究（每项涉及两个、三个或四个目标）评估验证了MO-EHFO的卓越性能。此外，通过25个代表一年中特定时刻的简化可再生能源场景，测试了所提出算法的鲁棒性。仿真结果表明，MO-EHFO在满足所有运行和安全约束的同时，与MO-HFO、NSGA-II以及当前文献相比，始终能产生更优的帕累托前沿和高质量折衷解。总之，本研究表明，MO-EHFO是一种可靠的决策支持工具，可在复杂且不确定的电力系统问题中为用户提供实用性、成本和技术安全性之间的最优平衡。

　　**论文解读：基于多目标增强型蜂蜜形成优化算法的含随机可再生能源电力系统经济-环境-技术调度研究**

　　随着可再生能源（Renewable Energy Sources, RESs）在电力系统中的渗透率不断提高，其发电的间歇性和不确定性给传统最优潮流（Optimal Power Flow, OPF）问题带来了新的挑战。传统OPF主要关注单一目标（如发电成本最小化），但在实际运行中，电力系统需要同时兼顾经济性、环保性和技术安全性，即经济-环境-技术调度（Economic-Environmental-Technical Dispatch, EETD）问题。该问题包含多个相互冲突的目标函数，例如：最小化发电成本、降低污染物排放、减少有功功率损耗、维持电压稳定性以及减小电压偏差。然而，现有研究在含随机可再生能源的多目标EETD方面仍存在不足：许多帕累托（Pareto）前沿方法收敛性差、解多样性不足，且难以获得高质量的折衷解。此外，一些方法在约束处理上不够严格，导致解集不可行或难以比较。因此，需要开发一种更高效、鲁棒的多目标优化算法，以在复杂且不确定的电力系统环境中平衡经济、环境和技术目标。

　　研究人员提出了一种新颖的多目标增强型蜂蜜形成优化（Multi-Objective Enhanced Honey Formation Optimization, MO-EHFO）算法，用于解决含随机可再生能源的EETD问题。该算法在原始蜂蜜形成优化（Honey Formation Optimization, HFO）算法的五阶段框架基础上，引入了多项增强机制，包括：基于混沌映射的初始化、自适应搜索权重、个人帕累托档案以及档案引导的领导者选择策略。通过在改进的IEEE 30节点测试系统上开展九项案例研究（涵盖双目标、三目标和四目标场景），并与MO-HFO、非支配排序遗传算法II（NSGA-II）以及文献中的其他先进算法（如MOEO、MOWOA等）进行对比，研究结果表明：MO-EHFO在满足所有运行和安全约束的前提下，能够生成更优的帕累托前沿，获得更高质量且分布更均匀的折衷解。此外，基于25个代表性季节性场景的验证进一步证明了MO-EHFO在不同可再生能源发电模式下的鲁棒性和稳定性。该研究的重要贡献在于为现代含可再生能源电力系统提供了一种有效的决策支持工具，能够同时优化经济、环境和技术性能。该论文发表在《Biomimetics》。

　　研究人员在改进的IEEE 30节点测试系统上开展研究，其中热电机组位于母线，风电机组位于母线，光伏（PV）单元位于母线，小型水电机组与光伏混合系统位于母线。主要技术方法包括：（1）**随机建模**：采用威布尔（Weibull）分布模拟风速，对数正态（lognormal）分布模拟太阳辐照度，耿贝尔（Gumbel）分布模拟河流流量，以生成随机可再生能源出力场景，并利用蒙特卡洛模拟和场景缩减技术得到25个代表性季节场景。（2）**多目标优化框架**：基于帕累托支配（Pareto dominance）和拥挤距离（crowding distance）进行非支配排序和档案管理，同时引入混沌映射（logistic map）进行初始化，自适应惯性权重调节探索与开发平衡，以及个人帕累托档案（personal Pareto archive）存储每个个体的历史非支配解。（3）**约束处理**：采用惩罚函数法处理功率平衡、发电机出力限制、禁止运行区（Prohibited Operating Zones, POZs）、母线电压安全约束及线路热极限等，确保解集物理可行。

　　通过对比帕累托前沿图，MO-EHFO在成本-排放（Case 1a）、成本-损耗（Case 2）、成本-电压偏差（Case 3）和成本-L指数（Case 4）四个双目标案例中均表现出更优的收敛性和更均匀的解分布。例如，在Case 1a中，MO-EHFO获得最佳折衷解为904.3035 $/h和0.2498 ton/h，优于NSGA-II和MO-HFO。在Case 2中，MO-EHFO在成本优化上显著优于文献中的MOEO算法，同时保持了相近的损耗水平。

　　在同时优化成本、排放和损耗（Case 5）时，MO-EHFO的帕累托前沿分布更平衡，折衷点质量更高，优于NSGA-II和MO-HFO，并显著优于文献中的MOIMO算法。在成本、排放和电压偏差（Case 6）中，MO-EHFO覆盖了更广泛的帕累托前沿区域，解多样性显著优于其他算法。在成本、电压偏差和L指数（Case 7）中，MO-EHFO同样表现出优越的探索-开发平衡。

　　通过惩罚函数机制，所有案例中生成的解均满足发电机有功/无功出力限制、母线 p.u.）、线路热极限以及禁止运行区（POZ）约束。图4展示了各案例中负荷母线电压均保持在安全范围内。

　　基于25个代表性季节性场景，MO-EHFO在Case 1和Case 1a中均能保持解集的物理可行性，且最佳和最差折衷场景的排序在有无POZ约束下保持一致，证明了算法对可再生能源发电模式变化的鲁棒性。

　　通过20次独立运行的指标评估（扩展指标Δ、超体积HV、反向世代距离IGD），MO-EHFO在大多数双目标案例中取得了最优的HV和IGD值，尤其在最具挑战性的Case 4中，MO-EHFO的HV（0.9438）和IGD（0.0156）远超NSGA-II（0.6682, 0.2748）和MO-HFO（0.6727, 0.2755），表明其同时具备优越的收敛性、多样性和覆盖度。

　　**讨论部分总结**：MO-HFO由于缺乏先进的档案管理和多样性保持机制，倾向于收敛到经济优势区域，牺牲了环境和技术目标。NSGA-II在复杂、非凸的搜索空间中收敛慢、开发能力弱，往往在改善一个目标时显著恶化其他目标。MO-EHFO通过自适应搜索和档案驱动机制，实现了有效的探索和收敛，始终生成高质量、多样性的帕累托解，并满足所有安全约束。其性能优势在二、三、四目标案例中均得到体现。

　　**结论部分翻译**：本研究通过提出MO-EHFO算法，对多目标优化文献做出了重要贡献。鉴于MO-HFO算法的初步测试结果在收敛到帕累托前沿和多样性方面表现较弱，因此有必要提出MO-EHFO算法。为克服MO-HFO的局限性，这一稳健的增强版本集成了纯帕累托支配的决策机制。在改进的IEEE 30节点测试系统上的部署使MO-EHFO能够持续达到参考帕累托前沿。在整个评估过程中，所有复杂且非线性的电力系统安全与运行约束均被透明定义并严格执行。为进一步评估上述算法的性能，研究人员在20次独立运行中进行了基于指标的评估，这证实了这些发现。在四个双目标场景中，MO-EHFO始终在收敛性（IGD）、前沿质量（HV）和多样性（Δ）之间提供最佳平衡。数值结果进一步证实了所提出方法的有效性。它在Case 1中获得了最高的超体积（0.9138），并在最具挑战性的Case 4中展现了最大优势，其中HV和IGD分别为0.9438和0.0156，而NSGA-II仅为0.6682和0.2748。在四目标Case 8中，MO-EHFO达到了920.7131 $/h、0.2459 ton/h、3.2316 MW和0.2323 p.u.，相较于文献中已有的最佳结果，成本降低了2.3%，排放降低了3.9%，有功功率损耗降低了28.8%，电压偏差降低了61.37%。这一改进直接源于MO-EHFO中引入的增强机制：纯帕累托支配与拥挤距离、逻辑斯蒂映射混沌初始化、自适应探索-开发权重以及带有个人帕累托记忆的智能档案。基于季节性场景的分析进一步证明了MO-EHFO在随机可再生能源发电下的鲁棒性和稳定性。季节性验证表明，所提出的算法在无约束和含POZ约束的运行条件下均保持了最佳和最差折衷场景的相同排序，同时保持了物理可行性和运行可靠性，从而为其对可再生能源发电模式变化和网络运行约束变化的鲁棒性提供了有力证据。可以预见，该算法未来的应用可扩展到更大规模的实际电网和应对高动态负荷的智能电网环境中。