1.基于布谷鸟-粒子群算法的配电网无功功率优化方法，其他特征在于，包括：根据配电网的拓扑结构，确定配电网中待优化的多个变量，并将每个变量作为粒子群中的一个个体；

根据配电网的拓扑结构，考虑负荷的不确定性，将负荷处理为遵循正态分布的随机变量，预设粒子群的搜索维数并建立粒子群的群体，确定粒子群算法的各种参数、每个个体的搜索范围和速度范围；

以配电网无功功率优化前，多个变量的当前状态值作为每个个体的初始值，建立计算配电网总网损的目标函数，并将所述目标函数作为粒子群算法的适应度函数；

在寻优求解阶段，采用Lévy飞行模式更新个体速度和个体位置，在适应度函数满足预设的收敛条件时，获得计及越界惩罚和投切成本的配电网的最小总网损及多个变量的设置参数。

2.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：所述待优化的多个变量为以下类型中的两个或者两个以上的组合：

1)分布式电源的节点电压；

2)可调变压器的变比；

3)无功补偿节点的无功功率补偿容量。

3.根据权利要求2所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：所述分布式电源包括发电机，所述发电机的节点电压的搜索范围为[0.95,1.1]，所述搜索范围采用标幺值表示；

所述可调变压器的变比Tk＝1+Bk×ak，其中，档位Bk为连续的整型变量，步长ak＝0.025，可调变压器的变比的搜索范围为[-4,4]；

所述无功补偿节点的无功功率补偿容量Qi＝Di×ai×bi，其中，Di为无功补偿节点采用的无功补偿装置的投切档位，当无功补偿为容性补偿时bi＝-1，当无功补偿为感性补偿时bi＝1，搜索范围为[-4,4]内的整数。

4.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：确定配电网中待优化的多个变量，并将每个变量作为粒子群中的一个个体，所述个体包含连续型变量和离散型变量，采用浮点数和整数混合编码的形式，粒子群如下表示：其中，VGik，k＝1,…,NG，为分布式电源的节点电压，NG为分布式电源个数， 为可调变压器的档位，NT为可调变压器个数；QCjk，k＝1,…,NC，NC为补偿节点个数。

5.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：在配电网的分布式电源有功调度给定的情况下，以配电网的总网损最小为优化目标，以负荷节点电压、发电机节点无功出力越界和电容投切成本为罚函数项，目标函数为：其中，pL为配电网的有功网损，Vi、Vimax、Vimin分别为负荷节点的电压、电压上限、电压下限，Qj、Qj.max、Qj.min分别为分布式电源节点的无功功率、无功功率上限、无功功率下限，ND为配电网负荷节点总数，NG为分布式电源总数，λ1为负荷电压越界惩罚系数，λ2为分布式电源无功出力越界惩罚系数，CT为可调变压器接头位置动作的调节代价，CQ为电容器投切动作的调节代价，ut为t 时刻发电机端电压、可调变压器接头位置及电容器投切组数控制变量，Δut为ut的增量，ΔVi是负荷节点电压的越界限制，ΔQj是分布式电源节点无功出力的越界限制，所述配电网的有功网损 为配电网节点数，Vi,Vj分别为配电网i,j节点的电压，θij为配电网i,j两节点的相角差,Gij节点表示导纳矩阵中元素的实部。

6.根据权利要求5所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：所述负荷节点电压和分布式电源节点无功出力的越界限制如下：

7.根据权利要求5或6所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：配电网的无功优化还包控制变量和状态变量约束，其中，VGmax、VGmin分别为分布式电源节点电压的上限值和下限值；QCmax、QCmin分别为无功补偿容量的上限值和下限值；KTmax、KTmin分别为可调变压器变比的上限值和下限值；QGmax、QGmin分别为分布式电源节点无功出力的上限值和下限值；VDmax、VDmin分别为负荷节点电压的上限值和下限值；NC、Nt分别为无功补偿数、变压器可调分接头数。

8.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：考虑负荷需求的不确定性，将随机负荷处理为正态分布，公式如下：其中～N(·)表示正态分布， 为节点i有功负荷的均值和方差； 为无功负荷的均值和方差。

9.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：所述寻优求解阶段还包括：在不同迭代周期，如第t步，第i个个体的最优位置是Pbesti(t)＝{Pbesti1(t),…,PbestiD(t)}，整个种群中所有个体的最优位置是Gbest(t)＝{Gbest1(t),…,GbestD(t)}，在(t+1)th步，第i个粒子新的位置会由迭代公式决定；

以淘汰概率pa选择适应度较差的个体，并随机引入新的个体取代之；

实时更新权重因子w， 其中Wmax为权重最大值，Wmin为权重最小

值，T为总的迭代次数。

10.根据权利要求1所述的基于布谷鸟-粒子群算法的配电网无功功率优化方法，其特征在于：采用Lévy飞行模式更新个体速度：，

进而，更新个体位置：

xij(t+1)＝xij(t)+vij(t+1)

其中，i＝1:D，D是粒子群的维数，j＝1:N，N是变量的数量，w为权重因子，c1和c2为加速度系数，vij(t)是第i个体中第j个变量的当前变化值，第t 步，第i个个体的最优位置是Pbesti(t)＝{Pbesti1(t),…,PbestiD(t)}，整个种群中所有个体的最优位置是Gbest(t)＝{Gbest1(t),…,GbestD(t)}，Lévy(s)为符合Lévy分布的变化步长。