CN113629723B - 考虑dg和apf参与电压治理的svg优化配置方法 - Google Patents

Abstract

本发明公开了考虑DG和APF参与电压治理的SVG优化配置方法，包括如下步骤：采用分区思想，提出基于社团理论的分区方法，选取各区域的主导治理节点作为SVG候选接入节点；利用DG并网逆变器和电压检测型APF的剩余容量协助SVG治理电压偏差污染，采用多场景分析技术构建一系列电压治理运行场景以表征DG并网逆变器和电压检测型APF剩余容量的不确定性；以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数，构建多目标SVG优化配置模型，设定相应的等式和不等式约束条件，并利用改进遗传算法求解多目标优化配置模型，本发明对提高系统运行的经济性和改善电能质量起到了良好的作用。

Description

考虑DG和APF参与电压治理的SVG优化配置方法

技术领域

本发明涉及电力系统电能质量治理领域，尤其是考虑DG和APF参与电压治理的SVG优化配置方法。

背景技术

随着风、光等新能源发电的迅猛发展，配电网呈现高比例分布式电源的发展趋势。光伏等分布式电源出力的随机性和不确定性，使得现代配电网节点电压变化复杂，电压偏差和波动问题严重，治理难度加大。另外，电源、负荷设备的精密数字化，对电压更加敏感，要求程度更高，因电压问题造成的后果更加严重。

目前，SVG由于具有响应快、可连续双向调节的特点而被广泛应用。合理的SVG安装位置和容量对于发挥自身的无功补偿功能和治理电网中电压偏差污染十分重要。与此同时，电能质量治理技术和设备的发展为现代配电网电压治理提供了新机遇。配电网中DG并网逆变器(GCIN)和谐波治理设备电压检测型APF(VDAPF)由于与SVG的拓扑结构一致，因此，均可以当作SVG进行无功补偿。但现有关于SVG优化配置研究主要是从优化目标选择的不同、优化求解算法的不同等方面入手，围绕电压偏差问题进行单独设备的配置，并没有考虑配电网中已经存在的GCIN和VDAPF无功补偿功能，导致DG出力很小或谐波污染较轻时两种治理设备的剩余容量被闲置，造成资源浪费。

发明内容

本发明需要解决的技术问题是提供一种考虑DG和APF参与电压治理的SVG优化配置方法，联合GCIN和VDAPF的剩余容量与SVG共同治理电压偏差，能够有效减少SVG的安装容量，实现更为经济合理的配置。

为解决上述技术问题，本发明所采用的技术方案是：一种考虑DG和APF参与电压治理的SVG优化配置方法，包括如下步骤：

A1、采用分区思想，提出基于社团理论的分区方法，选取各区域的主导治理节点作为SVG候选接入节点；

A2、考虑配电网中DG并网逆变器和电压检测型APF的无功补偿功能，利用DG并网逆变器和电压检测型APF的剩余容量协助SVG治理电压偏差污染，采用多场景分析技术构建一系列电压治理运行场景以表征DG并网逆变器和电压检测型APF剩余容量的不确定性；

A3、以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数，构建多目标SVG优化配置模型，设定相应的等式和不等式约束条件，并利用改进遗传算法求解多目标优化配置模型。

本发明技术方案的进一步改进在于：所述步骤A1具体如下：

A11、计算配电网中节点电压对无功功率灵敏度S_ij，其值可通过潮流计算中雅可比矩阵的逆矩阵获得：

其中，V_i和Q_j分别节点i的电压和无功功率；

A12、各节点之间的电压关系可以表示为：

其中，ΔV_i和ΔV_j分别为节点i和j的电压变化量；α_ij表示节点i对节点j的无功电压变化的灵敏度；

A13、根据α_ij计算连接节点i和节点j的边的权重，代入Louvain分区算法中模块度Q_mod的表达式进行分区；

模块度Q_mod的表达式为：

m＝0.5×∑_i,jA_ij，

k_i＝∑_jA_ij，

d_ij＝-lg(α_ij·α_ji)，

其中，A_ij为连接节点i和节点j的边的权重，当节点i和节点j直接相连时A_ij＝1，不相连时A_ij＝0；m＝0.5×∑_i,jA_ij为网络所有连边权重的总和；k_i＝∑_jA_ij为与节点i所有连边权重的之和；k_j为与节点j所有连边权重的之和，计算方式参考k_i；c_i和c_j表示节点i和j所在的社团编号，若c_i＝c_j，则δ(c_i,c_j)＝1，否则δ(c_i,c_j)＝0；d_ij为节点i和j之间的电气距离；d_e,g为节点e和g之间的电气距离；n为网络所有节点数；α_ji表示节点j对节点i的无功电压变化的灵敏度；

A14、将网络划分为不同的区域后，选取各区域的主导节点作为SVG的候选接入节点，主导节点是指该节点的电压偏差得到治理的同时，同一区域内其余节点的电压质量也会有很大的改善，选取节点间无功灵敏度为可控性指标，并通过计算该指标的最大平均值确定区域内的主导节点，为SVG提供更加有效的候选安装位置，平均灵敏度的表达式为：

其中，为区域z内节点i与区域内其余节点的平均灵敏度；N_i,z为区域z的总节点数，S_ij,z为区域z内节点i对区域内节点j的无功功率灵敏度。

本发明技术方案的进一步改进在于：所述步骤A2中考虑DG并网逆变器和电压检测型APF剩余容量的不确定性，采用多场景分析技术构建一系列电压治理运行场景，具体为，在分时段分析的基础上，分别构建电压检测型APF剩余容量场景C和DG并网逆变器剩余容量场景G，并进行组合形成具有双重不确定性的电压治理运行场景Y。

本发明技术方案的进一步改进在于：所述步骤A2具体如下：

A21、电压检测型APF剩余容量与谐波污染程度有关，通过构建谐波污染场景以表征电压检测型APF剩余容量场景，依据t时段内系统n个节点的谐波预测信息，将系统的谐波污染分布表示为向量H，通过聚类算法构建该时段的典型谐波污染场景C，第γ个典型场景发生的概率为P(H_γ)，具体公式如下：

H＝[H₁ H₂ ... H_i ...]，i∈N₊，

C＝{H_γ|γ≤c，γ∈N₊}，

其中，H_i为节点i在时段t内的谐波电流，N₊表示非零自然数集合；H_γ为第γ个典型谐波污染场景，c为典型谐波污染场景的数量；n_γ为H_γ这一类包含的场景数；m_c为原始谐波污染场景的数量；

A22、在配电网中DG接入位置和容量S_N已知的情况下，DG并网逆变器剩余容量受P_DG影响具有不确定性，

DG并网逆变器剩余容量S_re与DG并网逆变器总容量S_N，DG有功出力P_DG的关系为：

针对DG并网逆变器剩余容量的不确定性，将各时段按DG并网逆变器剩余容量大小分为不同场景，构建DG并网逆变器剩余容量场景集G：

G＝{G_α|α≤g,α∈N₊}，

其中，G_α为第α个DG并网逆变器剩余容量场景，g为场景数量；

基于DG有功功率的概率密度函数f_r(r)，分别计算场景G_α的发生概率P(G_α)及均值μ_α：

其中，r₁和r₂分别为场景G_α下DG并网逆变器剩余容量所对应的光照强度；

A23、所述DG并网逆变器和电压检测型APF剩余容量具有双重不确定性，将同一时段内谐波污染场景C和DG并网逆变器剩余容量场景G进行组合，以构建具有双重不确定性的电压治理运行场景Y；运行场景Y、运行场景Y的个数R(Y)及运行场景Y_l的发生概率P(Y_l)分别表示为：

其中，Y_l为时段t内第l个运行场景。

本发明技术方案的进一步改进在于：所述步骤A3中以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数：

系统总投资费用由SVG固定投资成本和运行维护费用/>两部分组成：

不同运行场景下电压偏差的治理效果不同，为合理地计及各运行场景治理效果的差异性，以各运行场景发生概率作为该场景下系统电压偏差的求和权重，建立电能质量水平最优f_AVD的目标函数：

其中，为运行场景Y_l下系统所有节点电压偏差绝对值的和，r为设备的折旧率，L_SG为SVG的使用寿命，S_SG,i为接入节点i的SVG容量，μ_SG,i为SVG的单位容量成本，ω_SG为SVG的运行维护费用占安装费用的比例系数。

本发明技术方案的进一步改进在于：所述步骤A3中多目标函数采用加权求和法处理成优化问题，通过对各个目标函数加权求和将其转换为单目标优化问题进行求解，为消除各目标在量纲上的差别，考虑到各目标在其可行域上均为正值，故以各目标与其本身的极大值之比作为新的无量纲等级的目标函数，再赋予一组加权因子，构成新目标函数f：

其中，α₁、α₂为加权因子，α₁+α₂＝1，和/>分别为去量纲后的目标函数f_C和f_AVD。

本发明技术方案的进一步改进在于：所述步骤A3中以潮流方程为等式约束；

考虑DG并网逆变器和电压检测型APF剩余容量参与电压治理时，配电网接入SVG后功率平衡潮流方程约束为：

其中，Q_i和Q_i-1分别为节点i和i-1的注入无功功率，U_i-1为节点i-1的电压；P_i-1，Q_Li分别为节点i-1的注入有功功率和节点i的负荷无功功率；X_i-1为节点i和节点i-1之间线路的电抗；Q_GNi、Q_VFi、Q_SGi分别为治理设备DG并网逆变器和电压检测型APF和SVG的注入无功功率；λ_i为二进制决策变量，为1表示节点i接入SVG，为0则表示未接入SVG。

本发明技术方案的进一步改进在于：所述步骤A3中以DG并网逆变器、电压检测型APF的无功补偿容量、SVG安装容量以及系统电压水平为不等式约束；

电压检测型APF参与无功补偿容量约束为：

其中，I_VFq,i为节点i处VDAPF的无功补偿容量；

每个运行场景中电压检测型APF的最大无功补偿容量为其治理谐波后的剩余容量，具体可表示为：

其中，G_VFh,i为节点i处电压检测型APF的h次谐波等效电导值；U_h,i为节点i处h次谐波电压；I_VF,i为电压检测型APF总安装容量；H为考虑的最大谐波次数；

DG并网逆变器无功补偿容量约束为：

其中，I_GN,i为节点i处DG并网逆变器的无功补偿容量；

DG并网逆变器的最大无功补偿容量可表示为：

其中，U_N,i为节点i的额定基波电压；

SVG安装容量约束为：

其中，I_SG,i和分别为节点i处SVG的无功补偿容量和节点i允许的最大接入容量；u_SG,i为SVG的容量裕度；

系统电压水平约束为：

V_i ^min≤V_i≤V_i ^max，

其中，V_i为节点i电压；V_i ^min和V_i ^max分别为节点i处允许的电压最小值和最大值。

本发明技术方案的进一步改进在于：所述步骤A3中采用改进遗传算法对建立的SVG优化配置模型进行求解，具体算法求解流程为：

输入所需要的的参数信息，包括配电网结构参数、负荷参数、运行场景信息、SVG候选位置和安装容量上下限值、目标函数加权因子值、改进遗传算法初始参数；

随机生成初始种群，并进行系统潮流计算；

依据加权求和后的新目标函数f计算个体适应度值并排序；

将满足约束的E个适应度即目标函数f最优的SVG配置方案纳入优秀个体库，选择优秀个体库中最优个体，随机选择n代种群中M/4个个体进行交叉操作，对于任一非最优个体，随机选择n代种群中(1-e)×M/4个个体，随机生成e×M个个体进行交叉操作；

合并生成的个体，计算各个体的适应度值，按照适应度升序排序；

更新优秀个体库，由n代种群中最优个体替换优秀个体库中最差个体；

当满足n≥n_max时，输出优秀个体库中最优个体的信息，即SVG最优安装位置和容量。

由于采用了上述技术方案，本发明取得的技术进步是：

本发明考虑了配电网中已存在的DG和APF的无功补偿功能，有效减少了SVG的安装容量，提高了系统经济性和电能质量水平；选取区域主导治理节点作为SVG的候选接入节点，从规划层面保证了电压偏差的区域治理；基于多场景分析技术构建涉及VDAPF和GCIN剩余容量不确定的一系列运行场景，考虑了复杂不确定性对规划造成的影响，使规划配置问题更好地考虑运行状况。

附图说明

图1是本发明实施例的流程图；

图2是本发明优化配置模型求解流程图；

图3为本发明IEEE33节点系统示意图。

具体实施方式

下面结合实施例对本发明做进一步详细说明：

如图1所示，一种考虑DG和APF参与电压治理的SVG优化配置方法，包括如下步骤：

A1、采用分区思想，提出基于社团理论的分区方法，选取各区域的主导治理节点作为SVG候选接入节点；

具体如下：

A11、计算配电网中节点电压对无功功率灵敏度S_ij，其值可通过潮流计算中雅可比矩阵的逆矩阵获得：

其中，V_i和Q_j分别节点i的电压和无功功率；

A12、各节点之间的电压关系可以表示为：

其中，ΔV_i和ΔV_j分别为节点i和j的电压变化量；α_ij表示节点i对节点j的无功电压变化的灵敏度；

A13、根据α_ij计算连接节点i和节点j的边的权重，代入Louvain分区算法中模块度Q_mod的表达式进行分区；

模块度Q_mod的表达式为：

m＝0.5×∑_i,jA_ij，

k_i＝∑_jA_ij，

d_ij＝-lg(α_ij·α_ji)，

其中，A_ij为连接节点i和节点j的边的权重，当节点i和节点j直接相连时A_ij＝1，不相连时A_ij＝0；m＝0.5×∑_i,jA_ij为网络所有连边权重的总和；k_i＝∑_jA_ij为与节点i所有连边权重的之和；k_j为与节点j所有连边权重的之和，计算方式参考k_i；c_i和c_j表示节点i和j所在的社团编号，若c_i＝c_j，则δ(c_i,c_j)＝1，否则δ(c_i,c_j)＝0；d_ij为节点i和j之间的电气距离；d_e,g为节点e和g之间的电气距离；n为网络所有节点数；α_ji表示节点j对节点i的无功电压变化的灵敏度；

A14、将网络划分为不同的区域后，选取各区域的主导节点作为SVG的候选接入节点，主导节点是指该节点的电压偏差得到治理的同时，同一区域内其余节点的电压质量也会有很大的改善，选取节点间无功灵敏度为可控性指标，并通过计算该指标的最大平均值确定区域内的主导节点，为SVG提供更加有效的候选安装位置，平均灵敏度的表达式为：

其中，为区域z内节点i与区域内其余节点的平均灵敏度；N_i,z为区域z的总节点数，S_ij,z为区域z内节点i对区域内节点j的无功功率灵敏度。

A2、考虑配电网中DG并网逆变器和电压检测型APF的无功补偿功能，利用DG并网逆变器和电压检测型APF的剩余容量协助SVG治理电压偏差污染，采用多场景分析技术构建一系列电压治理运行场景以表征DG并网逆变器和电压检测型APF剩余容量的不确定性，具体为，在分时段分析的基础上，分别构建电压检测型APF剩余容量场景C和DG并网逆变器剩余容量场景G，并进行组合形成具有双重不确定性的电压治理运行场景Y，具体包括如下步骤：

A21、电压检测型APF剩余容量与谐波污染程度有关，通过构建谐波污染场景以表征电压检测型APF剩余容量场景，依据t时段内系统n个节点的谐波预测信息，将系统的谐波污染分布表示为向量H，通过聚类算法构建该时段的典型谐波污染场景C，第γ个典型场景发生的概率为P(H_γ)，具体公式如下：

H＝[H₁ H₂ ... H_i ...]，i∈N₊，

C＝{H_γ|γ≤c，γ∈N₊}，

其中，H_i为节点i在时段t内的谐波电流，N₊表示非零自然数集合；H_γ为第γ个典型谐波污染场景，c为典型谐波污染场景的数量；n_γ为H_γ这一类包含的场景数；m_c为原始谐波污染场景的数量；

A22、在配电网中DG接入位置和容量S_N已知的情况下，DG并网逆变器剩余容量受P_DG影响具有不确定性，

DG并网逆变器剩余容量S_re与DG并网逆变器总容量S_N，DG有功出力P_DG的关系为：

针对DG并网逆变器剩余容量的不确定性，将各时段按DG并网逆变器剩余容量大小分为不同场景，构建DG并网逆变器剩余容量场景集G：

G＝{G_α|α≤g,α∈N₊}，

其中，G_α为第α个DG并网逆变器剩余容量场景，g为场景数量；

基于DG有功功率的概率密度函数f_r(r)，分别计算场景G_α的发生概率P(G_α)及均值μ_α：

其中，r₁和r₂分别为场景G_α下DG并网逆变器剩余容量所对应的光照强度；

A23、所述DG并网逆变器和电压检测型APF剩余容量具有双重不确定性，将同一时段内谐波污染场景C和DG并网逆变器剩余容量场景G进行组合，以构建具有双重不确定性的电压治理运行场景Y；运行场景Y、运行场景Y的个数R(Y)及运行场景Y_l的发生概率P(Y_l)分别表示为：

其中，Y_l为时段t内第l个运行场景。

A3、以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数，系统总投资费用由SVG固定投资成本和运行维护费用/>两部分组成：

不同运行场景下电压偏差的治理效果不同，为合理地计及各运行场景治理效果的差异性，以各运行场景发生概率作为该场景下系统电压偏差的求和权重，建立电能质量水平最优f_AVD的目标函数：

其中，为运行场景Y_l下系统所有节点电压偏差绝对值的和，r为设备的折旧率，L_SG为SVG的使用寿命，S_SG,i为接入节点i的SVG容量，μ_SG,i为SVG的单位容量成本，ω_SG为SVG的运行维护费用占安装费用的比例系数。

多目标函数采用加权求和法处理成优化问题，通过对各个目标函数加权求和将其转换为单目标优化问题进行求解，为消除各目标在量纲上的差别，考虑到各目标在其可行域上均为正值，故以各目标与其本身的极大值之比作为新的无量纲等级的目标函数，再赋予一组加权因子，构成新目标函数f：

其中，α₁、α₂为加权因子，α₁+α₂＝1，和/>分别为去量纲后的目标函数f_C和f_AVD。

构建多目标SVG优化配置模型，设定相应的等式和不等式约束条件，以潮流方程为等式约束；

考虑DG并网逆变器和电压检测型APF剩余容量参与电压治理时，配电网接入SVG后功率平衡潮流方程约束为：

其中，Q_i和Q_i-1分别为节点i和i-1的注入无功功率，U_i-1为节点i-1的电压；；P_i-1，Q_Li分别为节点i-1的注入有功功率和节点i的负荷无功功率；X_i-1为节点i和节点i-1之间线路的电抗；Q_GNi、Q_VFi、Q_SGi分别为治理设备DG并网逆变器和电压检测型APF和SVG的注入无功功率；λ_i为二进制决策变量，为1表示节点i接入SVG，为0则表示未接入SVG。

以DG并网逆变器、电压检测型APF的无功补偿容量、SVG安装容量以及系统电压水平为不等式约束；

电压检测型APF参与无功补偿容量约束为：

其中，I_VFq,i为节点i处VDAPF的无功补偿容量；

每个运行场景中电压检测型APF的最大无功补偿容量为其治理谐波后的剩余容量，具体可表示为：

其中，G_VFh,i为节点i处电压检测型APF的h次谐波等效电导值；U_h,i为节点i处h次谐波电压；I_VF,i为电压检测型APF总安装容量；H为考虑的最大谐波次数；

DG并网逆变器无功补偿容量约束为：

其中，I_GN,i为节点i处DG并网逆变器的无功补偿容量；

DG并网逆变器的最大无功补偿容量可表示为：

其中，U_N,i为节点i的额定基波电压；

SVG安装容量约束为：

其中，I_SG,i和分别为节点i处SVG的无功补偿容量和节点i允许的最大接入容量；u_SG,i为SVG的容量裕度；

系统电压水平约束为：

V_i ^min≤V_i≤V_i ^max，

其中，V_i为节点i电压；V_i ^min和V_i ^max分别为节点i处允许的电压最小值和最大值。

本发明采用改进遗传算法对建立的SVG优化配置模型进行求解，具体算法求解流程如图2所示：

输入所需要的的参数信息，包括配电网结构参数、负荷参数、运行场景信息、SVG候选位置和安装容量上下限值、目标函数加权因子值、改进遗传算法初始参数；

随机生成初始种群，并进行系统潮流计算；

依据加权求和后的新目标函数f计算个体适应度值并排序；

将满足约束的E个适应度即目标函数f最优的SVG配置方案纳入优秀个体库，选择优秀个体库中最优个体，随机选择n代种群中M/4个个体进行交叉操作，对于任一非最优个体，随机选择n代种群中(1-e)×M/4个个体，随机生成e×M个个体进行交叉操作；

合并生成的个体，计算各个体的适应度值，按照适应度升序排序；

更新优秀个体库，由n代种群中最优个体替换优秀个体库中最差个体；

当满足n≥n_max时，输出优秀个体库中最优个体的信息，即SVG最优安装位置和容量。

本发明的实施例采用的配电网系统结构如图3所示。

本发明的考虑DG和APF参与电压治理的SVG优化配置方法，考虑了配电网中已存在的DG和APF的无功补偿功能，有效减少了SVG的安装容量，提高了系统经济性和电能质量水平；选取区域主导治理节点为SVG的候选接入节点，从规划层面保证了电压偏差的区域治理；基于多场景分析技术构建计及VDAPF和GCIN剩余容量不确定的一系列运行场景，考虑了复杂不确定性对规划造成的影响，使规划配置问题更好地考虑运行状况。

Claims (8)

1.考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：包括如下步骤：

A1、采用分区思想，提出基于社团理论的分区方法，选取各区域的主导治理节点作为SVG候选接入节点；

A2、考虑配电网中DG并网逆变器和电压检测型APF的无功补偿功能，利用DG并网逆变器和电压检测型APF的剩余容量协助SVG治理电压偏差污染，采用多场景分析技术构建一系列电压治理运行场景以表征DG并网逆变器和电压检测型APF剩余容量的不确定性；

A3、以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数，构建多目标SVG优化配置模型，设定相应的等式和不等式约束条件，并利用改进遗传算法求解多目标优化配置模型；

所述步骤A3中以系统总投资成本最小f_C和电压偏差治理效果最优f_AVD为多目标函数：

系统总投资费用由SVG固定投资成本和运行维护费用/>两部分组成：

不同运行场景下电压偏差的治理效果不同，为合理地计及各运行场景治理效果的差异性，以各运行场景发生概率作为该场景下系统电压偏差的求和权重，建立电能质量水平最优f_AVD的目标函数：

其中，为运行场景Y_l下系统所有节点电压偏差绝对值的和，r为设备的折旧率，L_SG为SVG的使用寿命，S_SG,i为接入节点i的SVG容量，μ_SG,i为SVG的单位容量成本，ω_SG为SVG的运行维护费用占安装费用的比例系数。

2.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A1具体如下：

A11、计算配电网中节点电压对无功功率灵敏度S_ij，其值可通过潮流计算中雅可比矩阵的逆矩阵获得：

其中，V_i和Q_j分别节点i的电压和无功功率；

A12、各节点之间的电压关系可以表示为：

其中，ΔV_i和ΔV_j分别为节点i和j的电压变化量；α_ij表示节点i对节点j的无功电压变化的灵敏度；

A13、根据α_ij计算连接节点i和节点j的边的权重，代入Louvain分区算法中模块度Q_mod的表达式进行分区；

模块度Q_mod的表达式为：

m＝0.5×∑_i,jA_ij，

k_i＝∑_jA_ij，

d_ij＝-lg(α_ij·α_ji)，

其中，A_ij为连接节点i和节点j的边的权重，当节点i和节点j直接相连时A_ij＝1，不相连时A_ij＝0；m＝0.5×∑_i,jA_ij为网络所有连边权重的总和；k_i＝∑_jA_ij为与节点i所有连边权重的之和；k_j为与节点j所有连边权重的之和，计算方式参考k_i；c_i和c_j表示节点i和j所在的社团编号，若c_i＝c_j，则δ(c_i,c_j)＝1，否则δ(c_i,c_j)＝0；d_ij为节点i和j之间的电气距离；d_e,g为节点e和g之间的电气距离；n为网络所有节点数；α_ji表示节点j对节点i的无功电压变化的灵敏度；

A14、将网络划分为不同的区域后，选取各区域的主导节点作为SVG的候选接入节点，主导节点是指该节点的电压偏差得到治理的同时，同一区域内其余节点的电压质量也会有很大的改善，选取节点间无功灵敏度为可控性指标，并通过计算该指标的最大平均值确定区域内的主导节点，为SVG提供更加有效的候选安装位置，平均灵敏度的表达式为：

其中，为区域z内节点i与区域内其余节点的平均灵敏度；N_i,z为区域z的总节点数，S_ij,z为区域z内节点i对区域内节点j的无功功率灵敏度。

3.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A2中考虑DG并网逆变器和电压检测型APF剩余容量的不确定性，采用多场景分析技术构建一系列电压治理运行场景，具体为，在分时段分析的基础上，分别构建电压检测型APF剩余容量场景C和DG并网逆变器剩余容量场景G，并进行组合形成具有双重不确定性的电压治理运行场景Y。

4.根据权利要求3所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A2具体如下：

A21、电压检测型APF剩余容量与谐波污染程度有关，通过构建谐波污染场景以表征电压检测型APF剩余容量场景，依据t时段内系统n个节点的谐波预测信息，将系统的谐波污染分布表示为向量H，通过聚类算法构建该时段的典型谐波污染场景C，第γ个典型场景发生的概率为P(H_γ)，具体公式如下：

H＝[H₁ H₂ ... H_i ...]，i∈N₊，

C＝{H_γ|γ≤c，γ∈N₊}，

其中，H_i为节点i在时段t内的谐波电流，N₊表示非零自然数集合；H_γ为第γ个典型谐波污染场景，c为典型谐波污染场景的数量；n_γ为H_γ这一类包含的场景数；m_c为原始谐波污染场景的数量；

A22、在配电网中DG接入位置和容量S_N已知的情况下，DG并网逆变器剩余容量受P_DG影响具有不确定性，

DG并网逆变器剩余容量S_re与DG并网逆变器总容量S_N，DG有功出力P_DG的关系为：

针对DG并网逆变器剩余容量的不确定性，将各时段按DG并网逆变器剩余容量大小分为不同场景，构建DG并网逆变器剩余容量场景集G：

G＝{G_α|α≤g,α∈N₊}，

其中，G_α为第α个DG并网逆变器剩余容量场景，g为场景数量；

基于DG有功功率的概率密度函数f_r(r)，分别计算场景G_α的发生概率P(G_α)及均值μ_α：

其中，r₁和r₂分别为场景G_α下DG并网逆变器剩余容量所对应的光照强度；

A23、所述DG并网逆变器和电压检测型APF剩余容量具有双重不确定性，将同一时段内谐波污染场景C和DG并网逆变器剩余容量场景G进行组合，以构建具有双重不确定性的电压治理运行场景Y；运行场景Y、运行场景Y的个数R(Y)及运行场景Y_l的发生概率P(Y_l)分别表示为：

其中，Y_l为时段t内第l个运行场景。

5.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中多目标函数采用加权求和法处理成优化问题，通过对各个目标函数加权求和将其转换为单目标优化问题进行求解，为消除各目标在量纲上的差别，考虑到各目标在其可行域上均为正值，故以各目标与其本身的极大值之比作为新的无量纲等级的目标函数，再赋予一组加权因子，构成新目标函数f：

其中，α₁、α₂为加权因子，α₁+α₂＝1，和/>分别为去量纲后的目标函数f_C和f_AVD。

6.根据权利要求5所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中以潮流方程为等式约束；

考虑DG并网逆变器和电压检测型APF剩余容量参与电压治理时，配电网接入SVG后功率平衡潮流方程约束为：

其中，Q_i和Q_i-1分别为节点i和i-1的注入无功功率，U_i-1为节点i-1的电压；P_i-1，Q_Li分别为节点i-1的注入有功功率和节点i的负荷无功功率；X_i-1为节点i和节点i-1之间线路的电抗；Q_GNi、Q_VFi、Q_SGi分别为治理设备DG并网逆变器和电压检测型APF和SVG的注入无功功率；λ_i为二进制决策变量，为1表示节点i接入SVG，为0则表示未接入SVG。

7.根据权利要求6所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中以DG并网逆变器、电压检测型APF的无功补偿容量、SVG安装容量以及系统电压水平为不等式约束；

电压检测型APF参与无功补偿容量约束为：

其中，I_VFq,i为节点i处VDAPF的无功补偿容量；

每个运行场景中电压检测型APF的最大无功补偿容量为其治理谐波后的剩余容量，具体可表示为：

其中，G_VFh,i为节点i处电压检测型APF的h次谐波等效电导值；U_h,i为节点i处h次谐波电压；I_VF,i为电压检测型APF总安装容量；H为考虑的最大谐波次数；

DG并网逆变器无功补偿容量约束为：

其中，I_GN,i为节点i处DG并网逆变器的无功补偿容量；

DG并网逆变器的最大无功补偿容量可表示为：

其中，U_N,i为节点i的额定基波电压；

SVG安装容量约束为：

其中，I_SG,i和分别为节点i处SVG的无功补偿容量和节点i允许的最大接入容量；u_SG,i为SVG的容量裕度；

系统电压水平约束为：

V_i ^min≤V_i≤V_i ^max，

其中，V_i为节点i电压；V_i ^min和V_i ^max分别为节点i处允许的电压最小值和最大值。

8.根据权利要求7所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中采用改进遗传算法对建立的SVG优化配置模型进行求解，具体算法求解流程为：

输入所需要的的参数信息，包括配电网结构参数、负荷参数、运行场景信息、SVG候选位置和安装容量上下限值、目标函数加权因子值、改进遗传算法初始参数；

随机生成初始种群，并进行系统潮流计算；

依据加权求和后的新目标函数f计算个体适应度值并排序；

将满足约束的E个适应度即目标函数f最优的SVG配置方案纳入优秀个体库，选择优秀个体库中最优个体，随机选择n代种群中M/4个个体进行交叉操作，对于任一非最优个体，随机选择n代种群中(1-e)×M/4个个体，随机生成e×M个个体进行交叉操作；

合并生成的个体，计算各个体的适应度值，按照适应度升序排序；

更新优秀个体库，由n代种群中最优个体替换优秀个体库中最差个体；

当满足n≥n_max时，输出优秀个体库中最优个体的信息，即SVG最优安装位置和容量。