优化潮流(Optimal power flow,OPF)在现代电力系统规划、调度和运行的过程中起着十分重要的作用,可以满足电力系统对经济、安全和稳定性的要求。OPF的主要任务是在满足各项系统约束的基础上,通过调节系统变量使得选定的优化目标到达最优。近些年来,OPF问题引发了大量学者的研究,它的模型和求解算法已经日臻完善。而随着用电需求的不断增加以及电网系统的愈加复杂,研究人员将更多的注意力集中到研究多目标优化潮流(Multi-objective Optimal Power Flow,MOOPF)问题。对于MOOPF问题,由于不同的目标函数之间通常存在着竞争关系且具有不同的量纲,因此相较于OPF问题,MOOPF问题的求解难度大大增加。论文首先对优化潮流问题的核心即潮流计算进行了阐述,并以此为基础搭建了优化潮流问题的数学模型。布谷鸟(Cuckoo Search,CS)算法是本文所选用的优化方法,为了更好地求解OPF问题,在CS算法之上引入了反馈控制策略、近似反向学习机制、最优解导向机制和约束支配机制等改进方法,提出了三种改进的布谷鸟算法FCS、QFCS和IQFCS。为了检验改进机制对CS算法的改进效果,本文使用了15个广泛使用的基准测试函数来进行仿真实验,并且实验数据与其他文献中的进化算法进行了对比。实验结果表明,三种改进机制都能在一定程度上改善CS算法的性能,且IQFCS算法对于大多数函数的结果要优于文献中的其他算法。针对MOOPF问题,本文首先阐述了多目标优化方法中的一些重要概念,包括支配原则、帕累托最优解集、非支配排序、拥挤距离排序、最优折中解等。在多目标优化方法与布谷鸟算法的基础上进行改进,提出了MO-IQFCS算法。本文中选取的优化目标有燃料费用、有功损耗、电压偏差和废气排放,根据系统的不同需求提出了三个多目标优化问题,并在IEEE 30和IEEE 57节点的标准测试系统中进行仿真实验。分析实验数据可知,MO-IQFCS算法相较于其他算法获得了更好的最优折中解和分布均匀的帕累托前沿。最后,为了更好的验证MO-IQFCS方法的优越性,本文使用两个性能指标分析不同算法获得的最优解集,进一步证明了本文提出的MO-IQFCS算法能够高效的求解MOOPF问题。